/ Модель

Характеристики

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

multilingual-e5-large-ft-sts-spanish-matryoshka-768-16-5e

ЭмбеддингиТекст → embedding12 профессий

Многоязычная модель эмбеддингов для сравнения предложений, семантического поиска, кластеризации и других задач сопоставления текста по смыслу.

400скачиваний за 30 дней6лайковвеса обновлены30 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

Это многоязычная модель Sentence Transformer от mrm8488, дообученная на базе intfloat/multilingual-e5-large на расширенном испаноязычном наборе stsb_multi_es_aug. Модель на архитектуре XLM-RoBERTa преобразует предложения и абзацы в плотные текстовые эмбеддинги; описание указывает размерность 1024, усреднение токенов с последующей нормализацией и сравнение по косинусному сходству. Максимальная длина последовательности составляет 512 токенов по README; метаданные каталога указывают нативный контекст 514 токенов.

Модель предназначена для оценки семантического сходства, семантического поиска, поиска перефразирований, кластеризации и классификации текста на основе эмбеддингов. В README приведены результаты оценки сходства на STS для нескольких размерностей в диапазоне 16–768. Модель содержит 658,7 млн параметров и распространяется в формате safetensors. Лицензия в предоставленных данных не указана.

Сценарии применения

  • поиск семантически близких документов
  • оценка сходства двух предложений
  • поиск перефразирований
  • кластеризация текстов по смыслу
  • классификация текста на основе эмбеддингов

Ограничения

Представленные оценки относятся к задачам семантического сходства на STS и не гарантируют качество для других языков и прикладных задач. Последовательности ограничены 512 токенами по README; сведения о лицензии в предоставленных данных отсутствуют.

Для каких профессий подходит12

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 an augmented version of stsb_multi_es 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:
    • stsb_multi_es_aug

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("mrm8488/multilingual-e5-large-ft-sts-spanish-matryoshka-768-16-5e")
# Run inference
sentences = [
    'El avión está tocando tierra.',
    'El avión animado se encuentra en proceso de aterrizaje.',
    'Un pequeño niño montado en un columpio en el parque.',
]
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

Semantic Similarity

MetricValue
pearson_cosine0.8382
spearman_cosine0.843
pearson_manhattan0.8337
spearman_manhattan0.8449
pearson_euclidean0.8329
spearman_euclidean0.8442
pearson_dot0.8287
spearman_dot0.8323
pearson_max0.8382
spearman_max0.8449

Semantic Similarity

MetricValue
pearson_cosine0.8335
spearman_cosine0.8406
pearson_manhattan0.8317
spearman_manhattan0.8426
pearson_euclidean0.8306
spearman_euclidean0.8415
pearson_dot0.8173
spearman_dot0.823
pearson_max0.8335
spearman_max0.8426

Semantic Similarity

MetricValue
pearson_cosine0.824
spearman_cosine0.8356
pearson_manhattan0.8261
spearman_manhattan0.8355
pearson_euclidean0.8256
spearman_euclidean0.8362
pearson_dot0.7925
spearman_dot0.7993
pearson_max0.8261
spearman_max0.8362

Semantic Similarity

MetricValue
pearson_cosine0.8099
spearman_cosine0.8305
pearson_manhattan0.8209
spearman_manhattan0.8308
pearson_euclidean0.8195
spearman_euclidean0.8302
pearson_dot0.7413
spearman_dot0.749
pearson_max0.8209
spearman_max0.8308

Semantic Similarity

MetricValue
pearson_cosine0.7778
spearman_cosine0.8152
pearson_manhattan0.8007
spearman_manhattan0.8116
pearson_euclidean0.8001
spearman_euclidean0.8111
pearson_dot0.6541
spearman_dot0.659
pearson_max0.8007
spearman_max0.8152

Semantic Similarity

MetricValue
pearson_cosine0.7277
spearman_cosine0.7806
pearson_manhattan0.766
spearman_manhattan0.7752
pearson_euclidean0.7674
spearman_euclidean0.7773
pearson_dot0.5395
spearman_dot0.5342
pearson_max0.7674
spearman_max0.7806

Semantic Similarity

MetricValue
pearson_cosine0.6737
spearman_cosine0.7425
pearson_manhattan0.7187
spearman_manhattan0.728
pearson_euclidean0.7235
spearman_euclidean0.7374
pearson_dot0.447
spearman_dot0.4424
pearson_max0.7235
spearman_max0.7425

Semantic Similarity

MetricValue
pearson_cosine0.8637
spearman_cosine0.8775
pearson_manhattan0.8739
spearman_manhattan0.8771
pearson_euclidean0.8743
spearman_euclidean0.8774
pearson_dot0.8587
spearman_dot0.8693
pearson_max0.8743
spearman_max0.8775

Semantic Similarity

MetricValue
pearson_cosine0.8609
spearman_cosine0.8761
pearson_manhattan0.8723
spearman_manhattan0.8755
pearson_euclidean0.8727
spearman_euclidean0.8759
pearson_dot0.8498
spearman_dot0.8568
pearson_max0.8727
spearman_max0.8761

Semantic Similarity

MetricValue
pearson_cosine0.8546
spearman_cosine0.8715
pearson_manhattan0.8698
spearman_manhattan0.8737
pearson_euclidean0.8699
spearman_euclidean0.8737
pearson_dot0.8131
spearman_dot0.8076
pearson_max0.8699
spearman_max0.8737

Semantic Similarity

MetricValue
pearson_cosine0.8388
spearman_cosine0.8645
pearson_manhattan0.8611
spearman_manhattan0.8667
pearson_euclidean0.8622
spearman_euclidean0.868
pearson_dot0.7492
spearman_dot0.7364
pearson_max0.8622
spearman_max0.868

Semantic Similarity

MetricValue
pearson_cosine0.8168
spearman_cosine0.8585
pearson_manhattan0.8518
spearman_manhattan0.8607
pearson_euclidean0.8534
spearman_euclidean0.8624
pearson_dot0.6646
spearman_dot0.6473
pearson_max0.8534
spearman_max0.8624

Semantic Similarity

MetricValue
pearson_cosine0.7814
spearman_cosine0.8425
pearson_manhattan0.8315
spearman_manhattan0.8432
pearson_euclidean0.8345
spearman_euclidean0.8466
pearson_dot0.5521
spearman_dot0.5319
pearson_max0.8345
spearman_max0.8466

Semantic Similarity

MetricValue
pearson_cosine0.7198
spearman_cosine0.8072
pearson_manhattan0.7806
spearman_manhattan0.7998
pearson_euclidean0.7879
spearman_euclidean0.809
pearson_dot0.4496
spearman_dot0.4412
pearson_max0.7879
spearman_max0.809

Training Details

Training Dataset

stsb_multi_es_aug

  • Dataset: stsb_multi_es_aug
  • Size: 2,697 training samples
  • Columns: sentence1, sentence2, and score
  • Approximate statistics based on the first 1000 samples:
    sentence1sentence2score
    typestringstringfloat
    detailsmin: 8 tokensmean: 22.25 tokensmax: 68 tokensmin: 8 tokensmean: 22.01 tokensmax: 79 tokensmin: 0.0mean: 2.67max: 5.0
  • Samples:
    sentence1sentence2score
    El pájaro de tamaño reducido se posó con delicadeza en una rama cubierta de escarcha.Un ave de color amarillo descansaba tranquilamente en una rama.3.200000047683716
    Una chica está tocando la flauta en un parque.Un grupo de músicos está tocando en un escenario al aire libre.1.286
    La aclamada escritora británica, Doris Lessing, galardonada con el premio Nobel, falleceLa destacada autora británica, Doris Lessing, reconocida con el prestigioso Premio Nobel, muere4.199999809265137
  • Loss: MatryoshkaLoss with these parameters:
    {
        "loss": "CoSENTLoss",
        "matryoshka_dims": [
            768,
            512,
            256,
            128,
            64,
            32,
            16
        ],
        "matryoshka_weights": [
            1,
            1,
            1,
            1,
            1,
            1,
            1
        ],
        "n_dims_per_step": -1
    }
    

Evaluation Dataset

stsb_multi_es_aug

  • Dataset: stsb_multi_es_aug
  • Size: 697 evaluation samples
  • Columns: sentence1, sentence2, and score
  • Approximate statistics based on the first 1000 samples:
    sentence1sentence2score
    typestringstringfloat
    detailsmin: 8 tokensmean: 22.76 tokensmax: 67 tokensmin: 7 tokensmean: 22.26 tokensmax: 63 tokensmin: 0.0mean: 2.3max: 5.0
  • Samples:
    sentence1sentence2score
    Un incendio ocurrido en un hospital psiquiátrico ruso resultó en la trágica muerte de 38 personas.Se teme que el incendio en un hospital psiquiátrico ruso cause la pérdida de la vida de 38 individuos.4.199999809265137
    "Street dijo que el otro individuo a veces se siente avergonzado de su fiesta, lo cual provoca risas en la multitud""A veces, el otro tipo se encuentra avergonzado de su fiesta y no se le puede culpar."3.5
    El veterano diplomático de Malasia tuvo un encuentro con Suu Kyi el miércoles en la casa del lago en Yangon donde permanece bajo arresto domiciliario.Razali Ismail tuvo una reunión de 90 minutos con Suu Kyi, quien ganó el Premio Nobel de la Paz en 1991, en su casa del lago donde está recluida.3.691999912261963
  • Loss: MatryoshkaLoss with these parameters:
    {
        "loss": "CoSENTLoss",
        "matryoshka_dims": [
            768,
            512,
            256,
            128,
            64,
            32,
            16
        ],
        "matryoshka_weights": [
            1,
            1,
            1,
            1,
            1,
            1,
            1
        ],
        "n_dims_per_step": -1
    }
    

Training Hyperparameters

Non-Default Hyperparameters

  • eval_strategy: steps
  • per_device_train_batch_size: 16
  • per_device_eval_batch_size: 16
  • num_train_epochs: 5
  • warmup_ratio: 0.1
  • fp16: True

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
  • learning_rate: 5e-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: True
  • 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
  • batch_sampler: batch_sampler
  • multi_dataset_batch_sampler: proportional

Training Logs

EpochStepTraining Losslosssts-dev-128_spearman_cosinests-dev-16_spearman_cosinests-dev-256_spearman_cosinests-dev-32_spearman_cosinests-dev-512_spearman_cosinests-dev-64_spearman_cosinests-dev-768_spearman_cosinests-test-128_spearman_cosinests-test-16_spearman_cosinests-test-256_spearman_cosinests-test-32_spearman_cosinests-test-512_spearman_cosinests-test-64_spearman_cosinests-test-768_spearman_cosine
0.591710030.750330.61720.81170.71100.81790.74570.82440.78840.8252-------
1.183420030.469632.64220.79520.71980.80760.74910.81250.78130.8142-------
1.775130029.923331.54690.81520.74350.82500.77370.83020.80060.8305-------
2.366940029.071631.80880.81830.74050.82480.77580.82990.80570.8324-------
2.958650028.797132.60320.81760.74300.82410.77770.82890.80250.8316-------
3.550360027.476634.79110.82410.74000.83140.77300.83690.80610.8394-------
4.142070027.063935.74180.82940.74660.83540.77840.83890.81070.8409-------
4.733780026.511936.20140.83050.74250.83560.78060.84060.81520.8430-------
5.0845---------0.86450.80720.87150.84250.87610.85850.8775

Framework Versions

  • Python: 3.10.12
  • Sentence Transformers: 3.0.0
  • Transformers: 4.41.1
  • PyTorch: 2.3.0+cu121
  • Accelerate: 0.30.1
  • Datasets: 2.19.1
  • 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}
}

CoSENTLoss

@online{kexuefm-8847,
    title={CoSENT: A more efficient sentence vector scheme than Sentence-BERT},
    author={Su Jianlin},
    year={2022},
    month={Jan},
    url={https://kexue.fm/archives/8847},
}

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
b0fcc7a

0 моделей