/ Модель

Характеристики

Контекст
512 токенов
Параметры
137 млн
Архитектура
bert · dense
Базовая модель
bge-base-en
Библиотека
sentence-transformers
Опубликована
15 фев 2025

finetuned-bge-base-en

ЭмбеддингиТекст → embedding10 профессий

Англоязычная BERT-модель для получения текстовых эмбеддингов, семантического поиска и сравнения предложений.

105скачиваний за 30 дней1лайквеса обновлены15 фев 2025

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

llazio/finetuned-bge-base-en — англоязычная модель Sentence Transformers, дообученная автором llazio на базе BAAI/bge-base-en. Она кодирует предложения и абзацы в плотные векторы размерностью 768 для сравнения текстов по косинусному сходству. Архитектура включает BERT, пулинг CLS-токена и нормализацию; максимальная длина входа — 512 токенов.

Модель подходит для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текстов. В README приведены результаты оценки на обучающей и проверочной выборках, однако датасет небольшой — 1 056 обучающих и 264 оценочных примера, поэтому эти показатели не гарантируют аналогичного качества на других данных. Репозиторий содержит веса в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

Сценарии применения

  • семантический поиск по англоязычным документам
  • ранжирование предложений по смысловому сходству
  • поиск перефразировок
  • кластеризация текстов по смыслу
  • классификация текстов по эмбеддингам

Ограничения

Максимальная длина входа составляет 512 токенов. Приведённые оценки получены на небольших выборках и могут не переноситься на другие данные; лицензия в предоставленных сведениях не описана.

Для каких профессий подходит10

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

SentenceTransformer based on BAAI/bge-base-en

This is a sentence-transformers model finetuned from BAAI/bge-base-en. 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
  • Maximum Sequence Length: 512 tokens
  • Output Dimensionality: 768 tokens
  • Similarity Function: Cosine Similarity

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("llazio/finetuned-bge-base-en")
# Run inference
sentences = [
    '\nName : SMRT\nCategory: Public Transportation, Transit Services\nDepartment: Sales\nLocation: Los Angeles, CA\nAmount: 85.0\nCard: Sales Team Travel Budget\nTrip Name: unknown\n',
    '\nName : Elastic Habitat Solutions\nCategory: Cloud Enhancement Services, Data Analytics Tools\nDepartment: IT Operations\nLocation: London, UK\nAmount: 1489.57\nCard: Scalable Data Initiative\nTrip Name: unknown\n',
    '\nName : Wellness Haven\nCategory: Employee Health Programs, Professional Development\nDepartment: HR\nLocation: Munich, Germany\nAmount: 762.35\nCard: Corporate Wellness Initiatives\nTrip Name: unknown\n',
]
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

Triplet

MetricValue
cosine_accuracy0.9754
dot_accuracy0.0246
manhattan_accuracy0.9754
euclidean_accuracy0.9754
max_accuracy0.9754

Triplet

MetricValue
cosine_accuracy0.9813
dot_accuracy0.0187
manhattan_accuracy0.9851
euclidean_accuracy0.9813
max_accuracy0.9851

Training Details

Training Dataset

Unnamed Dataset

  • Size: 1,056 training samples
  • Columns: sentence and label
  • Approximate statistics based on the first 1000 samples:
    sentencelabel
    typestringint
    detailsmin: 32 tokensmean: 39.65 tokensmax: 49 tokens0: ~4.80%1: ~4.80%2: ~5.60%3: ~2.20%4: ~5.10%5: ~4.10%6: ~3.70%7: ~4.30%8: ~4.80%9: ~4.50%10: ~1.80%11: ~2.60%12: ~4.50%13: ~5.00%14: ~4.20%15: ~2.70%16: ~3.50%17: ~4.10%18: ~2.70%19: ~3.40%20: ~3.80%21: ~3.70%22: ~4.20%23: ~1.80%24: ~2.60%25: ~2.50%26: ~3.00%
  • Samples:
    sentencelabel
    Name : Global Talent NetworkCategory: HR Consultancy Services, Corporate Event OrganizersDepartment: HRLocation: Los Angeles, CAAmount: 1375.65Card: Leadership Summit CoordinationTrip Name: unknown0
    Name : BakuCategory: Ride SharingDepartment: SalesLocation: Baku, AzerbaijanAmount: 1247.88Card: Client Engagement ActivitiesTrip Name: unknown1
    Name : Harris Consulting GroupCategory: Business Consulting, Legal AdvisoryDepartment: FinanceLocation: Toronto, CanadaAmount: 1325.45Card: Strategic Development FundTrip Name: unknown2
  • Loss: BatchSemiHardTripletLoss

Evaluation Dataset

Unnamed Dataset

  • Size: 264 evaluation samples
  • Columns: sentence and label
  • Approximate statistics based on the first 264 samples:
    sentencelabel
    typestringint
    detailsmin: 34 tokensmean: 39.59 tokensmax: 49 tokens0: ~5.30%1: ~4.92%2: ~6.44%3: ~2.27%4: ~3.03%5: ~4.55%6: ~3.79%7: ~4.17%8: ~3.79%9: ~3.41%10: ~1.14%11: ~1.89%12: ~5.30%13: ~4.92%14: ~3.41%15: ~2.27%16: ~2.65%17: ~2.65%18: ~3.79%19: ~3.79%20: ~6.06%21: ~6.44%22: ~3.41%23: ~1.89%24: ~3.79%25: ~2.65%26: ~2.27%
  • Samples:
    sentencelabel
    Name : Fernández & Co. ServicesCategory: Property Management, Facility ServicesDepartment: Office AdministrationLocation: Madrid, SpainAmount: 1245.67Card: Monthly Facility OperationsTrip Name: unknown18
    Name : Habitat SolutionsCategory: Cloud Enhancement Services, Data Analytics ToolsDepartment: IT OperationsLocation: London, UKAmount: 1489.57Card: Scalable Data InitiativeTrip Name: unknown13
    Name : GandalfCategory: Financial Services, ConsultingDepartment: FinanceLocation: SingaporeAmount: 457.29Card: Financial Advisory ServicesTrip Name: unknown21
  • Loss: BatchSemiHardTripletLoss

Training Hyperparameters

Non-Default Hyperparameters

  • eval_strategy: steps
  • per_device_train_batch_size: 16
  • per_device_eval_batch_size: 16
  • learning_rate: 2e-05
  • num_train_epochs: 5
  • warmup_ratio: 0.1
  • batch_sampler: no_duplicates

All Hyperparameters

  • overwrite_output_dir: False
  • do_predict: False
  • eval_strategy: steps
  • prediction_loss_only: True
  • per_device_train_batch_size: 16
  • 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
  • torch_empty_cache_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: linear
  • 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: False
  • 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
  • use_liger_kernel: False
  • eval_use_gather_object: False
  • batch_sampler: no_duplicates
  • multi_dataset_batch_sampler: proportional

Training Logs

EpochStepTraining Losslossbge-base-en-eval_max_accuracybge-base-en-train_max_accuracy
00---0.8428
1.51521004.90944.7659-0.9688
3.03032004.74954.6519-0.9725
4.54553004.62714.5820-0.9754
5.0330--0.9851-

Framework Versions

  • Python: 3.9.6
  • Sentence Transformers: 3.1.1
  • Transformers: 4.45.2
  • PyTorch: 2.6.0
  • Accelerate: 1.3.0
  • Datasets: 3.2.0
  • Tokenizers: 0.20.3

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",
}

BatchSemiHardTripletLoss

@misc{hermans2017defense,
    title={In Defense of the Triplet Loss for Person Re-Identification},
    author={Alexander Hermans and Lucas Beyer and Bastian Leibe},
    year={2017},
    eprint={1703.07737},
    archivePrefix={arXiv},
    primaryClass={cs.CV}
}

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
d9b726d

0 моделей