/ Модель

Характеристики

Контекст
514 токенов
Параметры
659 млн
Архитектура
xlm-roberta · dense
Базовая модель
multilingual-e5-large
Библиотека
sentence-transformers
Опубликована
12 сен 2024

proba

ЭмбеддингиТекст → embedding11 профессий

Дообученная многоязычная модель Sentence Transformers для преобразования текстов в эмбеддинги и семантического поиска.

98скачиваний за 30 дней0лайковвеса обновлены12 сен 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

luka023/proba — модель Sentence Transformers, дообученная автором на базе intfloat/multilingual-e5-large. Она преобразует предложения и абзацы в плотные нормализованные векторы размерностью 1024 для семантического поиска, сравнения текстов, поиска перефразировок, кластеризации и классификации. Векторное представление строится на XLM-RoBERTa с усреднением токенов и нормализацией; для сравнения используется косинусное сходство.

Обучение проводилось на 198 парах текстов, связанных отношением «запрос — подходящий фрагмент». Модель поддерживает многоязычные тексты; примеры обучающих данных приведены на сербском. Максимальная длина входа — 512 токенов по README и 514 токенов по метаданным. Лицензия в предоставленных данных не указана.

Сценарии применения

  • семантический поиск по документам
  • поиск подходящих фрагментов по запросу
  • сравнение смысловой близости предложений
  • поиск перефразировок
  • кластеризация текстов
  • классификация текстов по эмбеддингам

Ограничения

Модель обучена на небольшом наборе из 198 примеров, относящихся к ставкам на спорт, поэтому её качество за пределами этой тематики не подтверждено. Максимальная длина входа ограничена примерно 512 токенами.

Для каких профессий подходит11

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 intfloat/multilingual-e5-large

This is a sentence-transformers model finetuned from intfloat/multilingual-e5-large on the json dataset. It maps sentences & paragraphs to a 1024-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: intfloat/multilingual-e5-large
  • Maximum Sequence Length: 512 tokens
  • Output Dimensionality: 1024 tokens
  • Similarity Function: Cosine Similarity
  • Training Dataset:
    • json

Model Sources

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: XLMRobertaModel 
  (1): Pooling({'word_embedding_dimension': 1024, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, '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("luka023/proba")
# Run inference
sentences = [
    "'Super Jenki' sistem uključuje pet događaja i 26 pojedinačnih opklada, takođe poznat kao kanadski sistem.",
    "Šta je 'Super Jenki' sistem klađenja?",
    'Kako klađenje uživo funkcioniše u tenisu?',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 1024]

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

Evaluation

Metrics

Information Retrieval

MetricValue
cosine_accuracy@10.8261
cosine_accuracy@30.9565
cosine_accuracy@51.0
cosine_accuracy@101.0
cosine_precision@10.8261
cosine_precision@30.3188
cosine_precision@50.2
cosine_precision@100.1
cosine_recall@10.8261
cosine_recall@30.9565
cosine_recall@51.0
cosine_recall@101.0
cosine_ndcg@100.9271
cosine_mrr@100.9022
cosine_map@1000.9022

Information Retrieval

MetricValue
cosine_accuracy@10.8696
cosine_accuracy@31.0
cosine_accuracy@51.0
cosine_accuracy@101.0
cosine_precision@10.8696
cosine_precision@30.3333
cosine_precision@50.2
cosine_precision@100.1
cosine_recall@10.8696
cosine_recall@31.0
cosine_recall@51.0
cosine_recall@101.0
cosine_ndcg@100.9462
cosine_mrr@100.9275
cosine_map@1000.9275

Information Retrieval

MetricValue
cosine_accuracy@10.8261
cosine_accuracy@31.0
cosine_accuracy@51.0
cosine_accuracy@101.0
cosine_precision@10.8261
cosine_precision@30.3333
cosine_precision@50.2
cosine_precision@100.1
cosine_recall@10.8261
cosine_recall@31.0
cosine_recall@51.0
cosine_recall@101.0
cosine_ndcg@100.9301
cosine_mrr@100.9058
cosine_map@1000.9058

Information Retrieval

MetricValue
cosine_accuracy@10.7826
cosine_accuracy@30.9565
cosine_accuracy@51.0
cosine_accuracy@101.0
cosine_precision@10.7826
cosine_precision@30.3188
cosine_precision@50.2
cosine_precision@100.1
cosine_recall@10.7826
cosine_recall@30.9565
cosine_recall@51.0
cosine_recall@101.0
cosine_ndcg@100.9092
cosine_mrr@100.8783
cosine_map@1000.8783

Information Retrieval

MetricValue
cosine_accuracy@10.8261
cosine_accuracy@30.9565
cosine_accuracy@50.9565
cosine_accuracy@101.0
cosine_precision@10.8261
cosine_precision@30.3188
cosine_precision@50.1913
cosine_precision@100.1
cosine_recall@10.8261
cosine_recall@30.9565
cosine_recall@50.9565
cosine_recall@101.0
cosine_ndcg@100.9164
cosine_mrr@100.8895
cosine_map@1000.8895

Training Details

Training Dataset

json

  • Dataset: json
  • Size: 198 training samples
  • Columns: positive and anchor
  • Approximate statistics based on the first 198 samples:
    positiveanchor
    typestringstring
    detailsmin: 19 tokensmean: 33.76 tokensmax: 53 tokensmin: 6 tokensmean: 12.87 tokensmax: 21 tokens
  • Samples:
    positiveanchor
    Klađenje na ukupan broj poena timova podrazumeva predviđanje da li će jedan tim postići više ili manje poena od postavljene granice, nezavisno od konačnog ishoda.Kako funkcioniše klađenje na ukupan broj poena timova?
    Konačan ishod podrazumeva klađenje na to ko će pobediti u utakmici, pri čemu postoje tri mogućnosti: pobeda domaćina, pobeda gosta ili nerešeno.Šta znači klađenje na konačan ishod?
    Patent opklada uključuje tri događaja sa ukupno sedam pojedinačnih opklada: tri singl, tri dubl i jedna trostruka opklada.Šta je patent opklada?
  • Loss: MatryoshkaLoss with these parameters:
    {
        "loss": "MultipleNegativesRankingLoss",
        "matryoshka_dims": [
            768,
            512,
            256,
            128,
            64
        ],
        "matryoshka_weights": [
            1,
            1,
            1,
            1,
            1
        ],
        "n_dims_per_step": -1
    }
    

Training Hyperparameters

Non-Default Hyperparameters

  • eval_strategy: epoch
  • per_device_train_batch_size: 32
  • per_device_eval_batch_size: 16
  • gradient_accumulation_steps: 16
  • learning_rate: 2e-05
  • num_train_epochs: 4
  • lr_scheduler_type: cosine
  • warmup_ratio: 0.1
  • bf16: True
  • tf32: False
  • load_best_model_at_end: True
  • optim: adamw_torch_fused
  • batch_sampler: no_duplicates

All Hyperparameters

  • overwrite_output_dir: False
  • do_predict: False
  • eval_strategy: epoch
  • prediction_loss_only: True
  • per_device_train_batch_size: 32
  • per_device_eval_batch_size: 16
  • per_gpu_train_batch_size: None
  • per_gpu_eval_batch_size: None
  • gradient_accumulation_steps: 16
  • 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: 4
  • 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: True
  • fp16: False
  • fp16_opt_level: O1
  • half_precision_backend: auto
  • bf16_full_eval: False
  • fp16_full_eval: False
  • tf32: False
  • 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_fused
  • 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
  • eval_use_gather_object: False
  • batch_sampler: no_duplicates
  • multi_dataset_batch_sampler: proportional

Training Logs

EpochStepdim_128_cosine_map@100dim_256_cosine_map@100dim_512_cosine_map@100dim_64_cosine_map@100dim_768_cosine_map@100
1.010.67170.76630.82290.57550.8242
2.020.77790.84570.86380.78330.8635
3.040.84100.87320.86740.81670.8659
1.010.84100.87320.86740.81670.8659
2.020.88450.87320.90220.8580.9022
3.040.87830.90580.92750.88950.9022
  • The bold row denotes the saved checkpoint.

Framework Versions

  • Python: 3.10.12
  • Sentence Transformers: 3.1.0
  • Transformers: 4.44.2
  • PyTorch: 2.4.0+cu121
  • Accelerate: 0.33.0
  • Datasets: 3.0.0
  • 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
XLMRobertaModel
Ревизия весов
ee708e2

0 моделей