/ Модель

Характеристики

Контекст
8 192 токена
Параметры
305 млн
Архитектура
new · dense
Базовая модель
gte-multilingual-base
Библиотека
sentence-transformers
Опубликована
15 янв 2025

TurkEmbed4STS

ЭмбеддингиТекст → embedding9 профессий

Модель строит векторные представления турецких предложений для оценки смыслового сходства, семантического поиска и кластеризации.

276скачиваний за 30 дней2лайкавеса обновлены15 янв 2025

Бенчмарки

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

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

newmindai/TurkEmbed4STS — модель Sentence Transformers, разработанная newmindai путём дообучения Alibaba-NLP/gte-multilingual-base на турецком наборе all-nli-tr. Она кодирует предложения и абзацы в плотные векторы размерностью 768 для сравнения смысловой близости по косинусному сходству; также подходит для семантического поиска, поиска перефразировок, кластеризации и классификации текста. В README указана максимальная длина последовательности 512 токенов, а метаданные каталога сообщают о контексте базовой архитектуры до 8192 токенов.

Модель ориентирована на турецкий язык. Для обучения использованы функции потерь MatryoshkaLoss, MultipleNegativesRankingLoss и CoSENTLoss; приведены результаты оценивания на наборах для сходства предложений и триплетах. Веса опубликованы в формате safetensors и используются библиотекой sentence-transformers. Лицензия в предоставленных данных не указана.

Сценарии применения

  • оценка смысловой близости двух турецких предложений
  • семантический поиск по турецким документам
  • поиск перефразировок на турецком языке
  • кластеризация турецких текстов по смыслу
  • классификация турецких текстов на основе эмбеддингов

Ограничения

Модель предназначена прежде всего для турецкого языка, поэтому качество для других языков не подтверждено приведёнными данными. README указывает максимальную длину последовательности 512 токенов; лицензия в предоставленных материалах не приведена.

Для каких профессий подходит9

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 Alibaba-NLP/gte-multilingual-base

This is a sentence-transformers model finetuned from Alibaba-NLP/gte-multilingual-base on the all-nli-tr dataset. 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: Alibaba-NLP/gte-multilingual-base
  • Maximum Sequence Length: 512 tokens
  • Output Dimensionality: 768 dimensions
  • Similarity Function: Cosine Similarity
  • Training Dataset:
  • Language: tr

Model Sources

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: NewModel 
  (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("sentence_transformers_model_id")
# Run inference
sentences = [
    'Ve gerçekten, baba haklıydı, oğlu zaten her şeyi tecrübe etmişti, her şeyi denedi ve daha az ilgileniyordu.',
    'Oğlu her şeye olan ilgisini kaybediyordu.',
    'Baba oğlunun tecrübe için hala çok şey olduğunu biliyordu.',
]
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_accuracy0.8966

Semantic Similarity

  • Datasets: sts-test, sts22-test, sts-dev-gte-multilingual-base, sts-test-gte-multilingual-base, sts-test, sts22-test, stsb-dev-768, stsb-dev-512, stsb-dev-256, stsb-dev-128, stsb-dev-64, stsb-test-768, stsb-test-512, stsb-test-256, stsb-test-128 and stsb-test-64
  • Evaluated with EmbeddingSimilarityEvaluator
Metricsts-teststs22-teststs-dev-gte-multilingual-basests-test-gte-multilingual-basestsb-dev-768stsb-dev-512stsb-dev-256stsb-dev-128stsb-dev-64stsb-test-768stsb-test-512stsb-test-256stsb-test-128stsb-test-64
pearson_cosine0.81340.65140.83870.81340.87030.86970.86450.85910.84790.84550.84650.84430.83640.8235
spearman_cosine0.820.68270.84280.820.87480.87530.87350.870.86560.85350.85540.8550.85110.8461

Triplet

MetricValue
cosine_accuracy0.9352

Training Details

Training Dataset

all-nli-tr

  • Dataset: all-nli-tr at daeabfb
  • Size: 482,091 training samples
  • Columns: sentence1, sentence2, and score
  • Approximate statistics based on the first 1000 samples:
    sentence1sentence2score
    typestringstringfloat
    detailsmin: 6 tokensmean: 10.51 tokensmax: 27 tokensmin: 6 tokensmean: 10.47 tokensmax: 27 tokensmin: 0.0mean: 2.23max: 5.0
  • Samples:
    sentence1sentence2score
    Bir uçak kalkıyor.Bir hava uçağı kalkıyor.5.0
    Bir adam büyük bir flüt çalıyor.Bir adam flüt çalıyor.3.8
    Bir adam pizzaya rendelenmiş peynir yayıyor.Bir adam pişmemiş pizzaya rendelenmiş peynir yayıyor.3.8
  • Loss: MatryoshkaLoss with these parameters:
    {
        "loss": "CoSENTLoss",
        "matryoshka_dims": [
            768,
            512,
            256,
            128,
            64
        ],
        "matryoshka_weights": [
            1,
            1,
            1,
            1,
            1
        ],
        "n_dims_per_step": -1
    }
    

Evaluation Dataset

all-nli-tr

  • Dataset: all-nli-tr at daeabfb
  • Size: 6,567 evaluation samples
  • Columns: sentence1, sentence2, and score
  • Approximate statistics based on the first 1000 samples:
    sentence1sentence2score
    typestringstringfloat
    detailsmin: 6 tokensmean: 15.89 tokensmax: 39 tokensmin: 6 tokensmean: 16.02 tokensmax: 49 tokensmin: 0.0mean: 2.1max: 5.0
  • Samples:
    sentence1sentence2score
    Şapkalı bir adam dans ediyor.Sert şapka takan bir adam dans ediyor.5.0
    Küçük bir çocuk ata biniyor.Bir çocuk ata biniyor.4.75
    Bir adam yılana fare yediriyor.Adam yılana fare yediriyor.5.0
  • Loss: MatryoshkaLoss with these parameters:
    {
        "loss": "CoSENTLoss",
        "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: steps
  • per_device_train_batch_size: 32
  • per_device_eval_batch_size: 32
  • learning_rate: 1e-05
  • weight_decay: 0.01
  • num_train_epochs: 10
  • warmup_ratio: 0.1
  • warmup_steps: 144
  • bf16: True

All Hyperparameters

  • overwrite_output_dir: False
  • do_predict: False
  • eval_strategy: steps
  • prediction_loss_only: True
  • per_device_train_batch_size: 32
  • per_device_eval_batch_size: 32
  • 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: 1e-05
  • weight_decay: 0.01
  • adam_beta1: 0.9
  • adam_beta2: 0.999
  • adam_epsilon: 1e-08
  • max_grad_norm: 1.0
  • num_train_epochs: 10
  • max_steps: -1
  • lr_scheduler_type: linear
  • lr_scheduler_kwargs: {}
  • warmup_ratio: 0.1
  • warmup_steps: 144
  • 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: 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: None
  • hub_always_push: False
  • gradient_checkpointing: False
  • gradient_checkpointing_kwargs: None
  • include_inputs_for_metrics: False
  • include_for_metrics: []
  • 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
  • average_tokens_across_devices: False
  • prompts: None
  • batch_sampler: batch_sampler
  • multi_dataset_batch_sampler: proportional

Training Logs

EpochStepTraining LossValidation Lossall-nli-tr-test_cosine_accuracysts-test_spearman_cosinests22-test_spearman_cosinests-dev-gte-multilingual-base_spearman_cosinests-test-gte-multilingual-base_spearman_cosinestsb-dev-768_spearman_cosinestsb-dev-512_spearman_cosinestsb-dev-256_spearman_cosinestsb-dev-128_spearman_cosinestsb-dev-64_spearman_cosinestsb-test-768_spearman_cosinestsb-test-512_spearman_cosinestsb-test-256_spearman_cosinestsb-test-128_spearman_cosinestsb-test-64_spearman_cosine
00--0.89660.80410.6694------------
0.132710002.52993.3893---0.8318-----------
0.265520002.11323.3050---0.8345-----------
0.398230005.14882.7752---0.8481-----------
0.531040005.41032.7242---0.8445-----------
0.663750005.18962.6701---0.8451-----------
0.796560005.01052.6489---0.8431-----------
0.929270005.10592.6114---0.8428-----------
1.07533--0.93520.82000.6827-0.8200----------
1.111120034.282829.8737-----0.86710.86710.86390.86060.8546-----
2.222240028.03828.8915-----0.87400.87420.87200.86910.8648-----
3.333360027.382929.3391-----0.87470.87510.87280.86990.8653-----
4.444480026.80730.0090-----0.87560.87610.87410.87100.8665-----
5.5556100026.454330.5886-----0.87530.87570.87390.87050.8662-----
6.6667120026.041331.3750-----0.87440.87510.87300.86980.8655-----
7.7778140025.822131.6515-----0.87520.87580.87390.87060.8661-----
8.8889160025.665631.9805-----0.87460.87520.87330.87000.8655-----
10.0180025.535532.0454-----0.87480.87530.87350.87000.86560.85350.85540.85500.85110.8461

Framework Versions

  • Python: 3.11.11
  • Sentence Transformers: 3.3.1
  • Transformers: 4.49.0.dev0
  • PyTorch: 2.5.1+cu121
  • Accelerate: 1.2.1
  • Datasets: 3.2.0
  • Tokenizers: 0.21.0

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

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
NewModel
Ревизия весов
813afca

0 моделей