/ Модель

Характеристики

Контекст
512 токенов
Параметры
137 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Базовая модель
bge-base-en-v1.5
Библиотека
sentence-transformers
Опубликована
23 авг 2024

fine-tuned-matryoshka-200

ЭмбеддингиТекст → embedding3 профессии

Англоязычная BERT-модель для создания эмбеддингов и семантического поиска по финансовым текстам с настраиваемой размерностью векторов.

110скачиваний за 30 дней0лайковвеса обновлены23 авг 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Эмбеддинги» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

joshuapb/fine-tuned-matryoshka-200 — англоязычная модель Sentence Transformers, дообученная автором на основе BAAI/bge-base-en-v1.5 для семантического поиска и сравнения текстов в финансовой тематике. Архитектура включает BERT-трансформер, CLS-пулинг и нормализацию эмбеддингов; модель содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов.

Модель кодирует предложения и абзацы в плотные векторы размерностью до 768 и оценивает сходство косинусной мерой. Благодаря Matryoshka-обучению эмбеддинги можно сокращать до 512, 256, 128 или 64 измерений, чтобы находить баланс между качеством поиска и затратами на хранение и вычисления. Подходит для семантического поиска, поиска парафразов, кластеризации и извлечения признаков для классификации текстов. В README приведены результаты оценки поиска на нескольких размерностях, однако состав и охват данных полностью не раскрыты. Лицензия — Apache-2.0.

Сценарии применения

  • семантический поиск по финансовым документам
  • поиск похожих финансовых предложений
  • поиск перефразированных финансовых формулировок
  • кластеризация финансовых текстов
  • создание признаков для классификации текстов

Ограничения

Поддерживает английский язык и ограничена последовательностями до 512 токенов. Приведённые метрики относятся к оценке информационного поиска, но README не раскрывает достаточно подробностей о наборе данных и его репрезентативности.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

BGE base Financial Matryoshka

This is a sentence-transformers model finetuned from BAAI/bge-base-en-v1.5. It maps sentences & paragraphs to a 768-dimensional dense vector space and can be used for semantic textual similarity, semantic search, paraphrase mining, text classification, clustering, and more.

Model Details

Model Description

  • Model Type: Sentence Transformer
  • Base model: BAAI/bge-base-en-v1.5
  • Maximum Sequence Length: 512 tokens
  • Output Dimensionality: 768 tokens
  • Similarity Function: Cosine Similarity
  • Language: en
  • License: apache-2.0

Model Sources

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': True}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
  (2): Normalize()
)

Usage

Direct Usage (Sentence Transformers)

First install the Sentence Transformers library:

pip install -U sentence-transformers

Then you can load this model and run inference.

from sentence_transformers import SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("joshuapb/fine-tuned-matryoshka-200")
# Run inference
sentences = [
    'Fig. 1. Knowledge categorization of close-book QA examples based on how likely the model outputs correct answers. (Image source: Gekhman et al. 2024)\nSome interesting observations of the experiments, where dev set accuracy is considered a proxy for hallucinations.\n\nUnknown examples are fitted substantially slower than Known.\nThe best dev performance is obtained when the LLM fits the majority of the Known training examples but only a few of the Unknown ones. The model starts to hallucinate when it learns most of the Unknown examples.\nAmong Known examples, MaybeKnown cases result in better overall performance, more essential than HighlyKnown ones.',
    'In what ways does the fitting speed of examples that are not previously encountered differ from that of familiar examples, and how does this variation influence the overall accuracy of the model on the development set?',
    'How do the results presented by Gekhman et al. in their 2024 study inform our understanding of the reliability metrics associated with large language models (LLMs) when subjected to fine-tuning with novel datasets?',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 768]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]

Evaluation

Metrics

Information Retrieval

MetricValue
cosine_accuracy@10.8802
cosine_accuracy@30.9688
cosine_accuracy@50.9844
cosine_accuracy@100.9948
cosine_precision@10.8802
cosine_precision@30.3229
cosine_precision@50.1969
cosine_precision@100.0995
cosine_recall@10.8802
cosine_recall@30.9688
cosine_recall@50.9844
cosine_recall@100.9948
cosine_ndcg@100.9433
cosine_mrr@100.9261
cosine_map@1000.9264

Information Retrieval

MetricValue
cosine_accuracy@10.8698
cosine_accuracy@30.974
cosine_accuracy@50.974
cosine_accuracy@100.9948
cosine_precision@10.8698
cosine_precision@30.3247
cosine_precision@50.1948
cosine_precision@100.0995
cosine_recall@10.8698
cosine_recall@30.974
cosine_recall@50.974
cosine_recall@100.9948
cosine_ndcg@100.94
cosine_mrr@100.9216
cosine_map@1000.9221

Information Retrieval

MetricValue
cosine_accuracy@10.8698
cosine_accuracy@30.974
cosine_accuracy@50.9844
cosine_accuracy@101.0
cosine_precision@10.8698
cosine_precision@30.3247
cosine_precision@50.1969
cosine_precision@100.1
cosine_recall@10.8698
cosine_recall@30.974
cosine_recall@50.9844
cosine_recall@101.0
cosine_ndcg@100.942
cosine_mrr@100.9227
cosine_map@1000.9227

Information Retrieval

MetricValue
cosine_accuracy@10.8542
cosine_accuracy@30.9583
cosine_accuracy@50.9688
cosine_accuracy@100.9948
cosine_precision@10.8542
cosine_precision@30.3194
cosine_precision@50.1937
cosine_precision@100.0995
cosine_recall@10.8542
cosine_recall@30.9583
cosine_recall@50.9688
cosine_recall@100.9948
cosine_ndcg@100.9306
cosine_mrr@100.9094
cosine_map@1000.9099

Information Retrieval

MetricValue
cosine_accuracy@10.7917
cosine_accuracy@30.9531
cosine_accuracy@50.974
cosine_accuracy@100.9896
cosine_precision@10.7917
cosine_precision@30.3177
cosine_precision@50.1948
cosine_precision@100.099
cosine_recall@10.7917
cosine_recall@30.9531
cosine_recall@50.974
cosine_recall@100.9896
cosine_ndcg@100.9004
cosine_mrr@100.8706
cosine_map@1000.8713

Training Details

Training Hyperparameters

Non-Default Hyperparameters

  • eval_strategy: epoch
  • per_device_eval_batch_size: 16
  • learning_rate: 2e-05
  • num_train_epochs: 5
  • lr_scheduler_type: cosine
  • warmup_ratio: 0.1
  • load_best_model_at_end: True

All Hyperparameters

  • overwrite_output_dir: False
  • do_predict: False
  • eval_strategy: epoch
  • prediction_loss_only: True
  • per_device_train_batch_size: 8
  • per_device_eval_batch_size: 16
  • per_gpu_train_batch_size: None
  • per_gpu_eval_batch_size: None
  • gradient_accumulation_steps: 1
  • eval_accumulation_steps: None
  • learning_rate: 2e-05
  • weight_decay: 0.0
  • adam_beta1: 0.9
  • adam_beta2: 0.999
  • adam_epsilon: 1e-08
  • max_grad_norm: 1.0
  • num_train_epochs: 5
  • max_steps: -1
  • lr_scheduler_type: cosine
  • lr_scheduler_kwargs: {}
  • warmup_ratio: 0.1
  • warmup_steps: 0
  • log_level: passive
  • log_level_replica: warning
  • log_on_each_node: True
  • logging_nan_inf_filter: True
  • save_safetensors: True
  • save_on_each_node: False
  • save_only_model: False
  • restore_callback_states_from_checkpoint: False
  • no_cuda: False
  • use_cpu: False
  • use_mps_device: False
  • seed: 42
  • data_seed: None
  • jit_mode_eval: False
  • use_ipex: False
  • bf16: False
  • fp16: False
  • fp16_opt_level: O1
  • half_precision_backend: auto
  • bf16_full_eval: False
  • fp16_full_eval: False
  • tf32: None
  • local_rank: 0
  • ddp_backend: None
  • tpu_num_cores: None
  • tpu_metrics_debug: False
  • debug: []
  • dataloader_drop_last: False
  • dataloader_num_workers: 0
  • dataloader_prefetch_factor: None
  • past_index: -1
  • disable_tqdm: False
  • remove_unused_columns: True
  • label_names: None
  • load_best_model_at_end: True
  • ignore_data_skip: False
  • fsdp: []
  • fsdp_min_num_params: 0
  • fsdp_config: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
  • fsdp_transformer_layer_cls_to_wrap: None
  • accelerator_config: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
  • deepspeed: None
  • label_smoothing_factor: 0.0
  • optim: adamw_torch
  • optim_args: None
  • adafactor: False
  • group_by_length: False
  • length_column_name: length
  • ddp_find_unused_parameters: None
  • ddp_bucket_cap_mb: None
  • ddp_broadcast_buffers: False
  • dataloader_pin_memory: True
  • dataloader_persistent_workers: False
  • skip_memory_metrics: True
  • use_legacy_prediction_loop: False
  • push_to_hub: False
  • resume_from_checkpoint: None
  • hub_model_id: None
  • hub_strategy: every_save
  • hub_private_repo: False
  • hub_always_push: False
  • gradient_checkpointing: False
  • gradient_checkpointing_kwargs: None
  • include_inputs_for_metrics: False
  • eval_do_concat_batches: True
  • fp16_backend: auto
  • push_to_hub_model_id: None
  • push_to_hub_organization: None
  • mp_parameters:
  • auto_find_batch_size: False
  • full_determinism: False
  • torchdynamo: None
  • ray_scope: last
  • ddp_timeout: 1800
  • torch_compile: False
  • torch_compile_backend: None
  • torch_compile_mode: None
  • dispatch_batches: None
  • split_batches: None
  • include_tokens_per_second: False
  • include_num_input_tokens_seen: False
  • neftune_noise_alpha: None
  • optim_target_modules: None
  • batch_eval_metrics: False
  • eval_on_start: False
  • batch_sampler: batch_sampler
  • multi_dataset_batch_sampler: proportional

Training Logs

EpochStepTraining Lossdim_128_cosine_map@100dim_256_cosine_map@100dim_512_cosine_map@100dim_64_cosine_map@100dim_768_cosine_map@100
0.255.2225-----
0.4104.956-----
0.6153.6388-----
0.8203.1957-----
1.0252.69280.86610.87700.87540.83120.8871
1.2302.5565-----
1.4351.5885-----
1.6402.1406-----
1.8452.193-----
2.0501.3260.89440.91100.90280.86150.9037
2.2552.6832-----
2.4601.0584-----
2.6650.8853-----
2.8701.7129-----
3.0752.18560.91060.92930.90750.87780.9266
3.2801.7658-----
3.4851.9783-----
3.6901.9583-----
3.8951.2396-----
4.01001.19010.90730.92530.91510.87500.9312
4.21052.6547-----
4.41101.3485-----
4.61151.0767-----
4.81200.6663-----
5.01251.38690.90990.92270.92210.87130.9264
  • The bold row denotes the saved checkpoint.

Framework Versions

  • Python: 3.10.12
  • Sentence Transformers: 3.0.1
  • Transformers: 4.42.4
  • PyTorch: 2.3.1+cu121
  • Accelerate: 0.32.1
  • Datasets: 2.21.0
  • Tokenizers: 0.19.1

Citation

BibTeX

Sentence Transformers

@inproceedings{reimers-2019-sentence-bert,
    title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",
    author = "Reimers, Nils and Gurevych, Iryna",
    booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing",
    month = "11",
    year = "2019",
    publisher = "Association for Computational Linguistics",
    url = "https://arxiv.org/abs/1908.10084",
}

MatryoshkaLoss

@misc{kusupati2024matryoshka,
    title={Matryoshka Representation Learning}, 
    author={Aditya Kusupati and Gantavya Bhatt and Aniket Rege and Matthew Wallingford and Aditya Sinha and Vivek Ramanujan and William Howard-Snyder and Kaifeng Chen and Sham Kakade and Prateek Jain and Ali Farhadi},
    year={2024},
    eprint={2205.13147},
    archivePrefix={arXiv},
    primaryClass={cs.LG}
}

MultipleNegativesRankingLoss

@misc{henderson2017efficient,
    title={Efficient Natural Language Response Suggestion for Smart Reply}, 
    author={Matthew Henderson and Rami Al-Rfou and Brian Strope and Yun-hsuan Sung and Laszlo Lukacs and Ruiqi Guo and Sanjiv Kumar and Balint Miklos and Ray Kurzweil},
    year={2017},
    eprint={1705.00652},
    archivePrefix={arXiv},
    primaryClass={cs.CL}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · sentence-transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
BertModel
Ревизия весов
4e70f9f

0 моделей