/ Модель

Характеристики

Контекст
512 токенов
Лицензия
Apache 2.0
Архитектура
distilbert · dense
Библиотека
sentence-transformers
Опубликована
10 янв 2024

multi-sentence-BERTino

ЭмбеддингиТекст → embedding9 профессий

Италоязычная модель DistilBERT создаёт компактные эмбеддинги предложений и абзацев для семантического поиска, retrieval и оценки сходства.

1 287скачиваний за 30 дней8лайковвеса обновлены3 апр 2026

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

multi-sentence-BERTino V5 — италоязычная модель Sentence Transformers на архитектуре DistilBERT, разработанная автором репозитория nickprock и дообученная для поиска и сравнения предложений. Она преобразует предложения и абзацы в плотные векторы размерностью до 768 и предназначена для семантического поиска, информационного поиска, подбора контекста для RAG и оценки семантического сходства.

Обучение использует Matryoshka Representation Learning: векторы можно усекать до 512, 256 или 128 измерений, сохраняя полезность для поиска; README приводит результаты на итальянских наборах для retrieval и STS. Для retrieval применялись синтетические запросы к абзацам итальянской Википедии с трудными отрицательными примерами, а для сходства — итальянская часть STS-B. Максимальная длина контекста — 512 токенов. Репозиторий содержит форматы ONNX и safetensors и распространяется по лицензии Apache-2.0.

Модель рассчитана на итальянский язык и возвращает эмбеддинги, а не готовые текстовые ответы. Метрики приведены для hold-out оценки автора; качество на других доменах и типах данных может отличаться.

Сценарии применения

  • семантический поиск по итальянским документам
  • поиск релевантных отрывков для RAG на итальянском языке
  • ранжирование итальянских документов по смыслу запроса
  • сравнение семантического сходства итальянских предложений
  • сжатие поисковых эмбеддингов до 128 измерений

Ограничения

Модель ориентирована на итальянский язык; её результаты на других языках и вне указанных retrieval и STS наборов не охарактеризованы. Она выдаёт эмбеддинги, поэтому для генерации ответов требуется отдельная модель.

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

multi-sentence-BERTino (V5 - Matryoshka Enhanced)

This is a state-of-the-art sentence-transformers model for the Italian language. It maps sentences and paragraphs to a flexible dense vector space (up to 768 dimensions) and is highly optimized for semantic search, retrieval-augmented generation (RAG), and semantic textual similarity.

What's New in V5

V5 improves upon V4 with a focus on better embedding compression: the 128-dimension truncated vectors are significantly stronger, making this version more practical for production deployments with storage or latency constraints.

Key changes from V4:

  • CoSENTLoss replaces CosineSimilarityLoss for the STS task, yielding better ranking-aware similarity training.
  • Asymmetric Matryoshka weights revised from [1.0, 0.3, 0.15, 0.1] to [1.0, 0.4, 0.2, 0.2], placing more training pressure on the 128d subspace.
  • Cosine LR scheduler with weight_decay=0.01 for more stable optimization.
  • STS dataset balanced to match retrieval dataset size, preventing disproportionate STS gradient updates.

Model Highlights: Matryoshka Representation Learning

This model was fine-tuned using Matryoshka Representation Learning (MRL). The model has learned to hierarchically compress its semantic knowledge into the earliest dimensions of the vector. You can safely truncate the output embeddings to 512, 256, or 128 dimensions with minimal degradation in retrieval metrics.

Truncating to 128 dimensions allows you to save up to 83% of storage costs in vector databases (like Pinecone, Qdrant, or Milvus) and drastically speed up similarity searches, while still outperforming standard 128d baselines.

The model was trained exclusively on Semantic Hard Negatives (mined via dense bi-encoder self-retrieval) to prevent the "false-negative" traps commonly caused by traditional BM25 lexical mining.

Usage

Direct Usage (Sentence Transformers)

First, install the Sentence Transformers library:

pip install -U sentence-transformers

Standard Usage (Full 768 Dimensions):

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("nickprock/multi-sentence-BERTino")

sentences = [
    'Chi ha dipinto la Gioconda?',
    'Leonardo da Vinci è l\'autore della Gioconda, opera conservata al Louvre.',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# Output: (2, 768)

Optimized Usage (Truncated to 128 Dimensions):

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("nickprock/multi-sentence-BERTino", truncate_dim=128)

embeddings = model.encode(sentences)
print(embeddings.shape)
# Output: (2, 128) -> 83% less memory!

Evaluation Metrics

Evaluated on a 5% hold-out split of the Italian retrieval dataset (with semantic hard negatives) and the Italian STS-B dev set, using a standalone evaluation after training.

Information Retrieval

Metric768d (Full)128d (Truncated)
MAP@1000.83980.8065
NDCG@100.86800.8372
Accuracy@10.76170.7233
Accuracy@100.95840.9384

Comparison with V4

MetricV4 (768d)V5 (768d)V4 (128d)V5 (128d)
MAP@1000.83970.83980.80020.8065 (+0.63%)
NDCG@100.86880.86800.83320.8372 (+0.48%)
Accuracy@10.75930.76170.71450.7233 (+1.23%)

V5 trades a negligible variation at 768d for a substantial improvement at 128d, making compressed embeddings considerably more reliable.

Semantic Textual Similarity (STS-B Italian Dev)

MetricV4V5
Spearman Cosine0.85400.8549
Pearson Cosine0.85740.8574

Training Details

Loss Functions

The model was trained in a multi-task setup utilizing Gradient Caching for massive logical batch sizes, wrapped inside a Matryoshka Loss:

  1. Information Retrieval Task: CachedMultipleNegativesRankingLoss with mini_batch_size=16 and a logical batch_size=128.
  2. Semantic Similarity Task: CoSENTLoss (upgraded from CosineSimilarityLoss in V4).

Both base losses were wrapped in MatryoshkaLoss targeting dimensions [768, 512, 256, 128] with weights [1.0, 0.4, 0.2, 0.2].

Training Datasets

  • task_retrieval: ~45,000 synthetic Italian search queries generated via LLM (Qwen-2.5-7B) from Italian Wikipedia paragraphs. Each query is paired with 1 positive document and 2 Dense Hard Negatives.
  • task_sts: The Italian split of stsb_multi_mt, balanced to match the retrieval dataset size.

Hyperparameters

ParameterValue
per_device_train_batch_size128
num_train_epochs4
learning_rate1e-05
lr_scheduler_typecosine
warmup_steps10%
weight_decay0.01
fp16True
batch_samplerno_duplicates
best_checkpointstep 1250 (epoch ~1.76)

Citation

BibTeX

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}
}

CachedMultipleNegativesRankingLoss

@misc{gao2021scaling,
    title={Scaling Deep Contrastive Learning Batch Size under Memory Limited Setup},
    author={Luyu Gao and Yunyi Zhang and Jiawei Han and Jamie Callan},
    year={2021},
    eprint={2101.06983},
    archivePrefix={arXiv},
    primaryClass={cs.LG}
}

CoSENTLoss

@misc{su2022cosent,
    title={CoSENT: A More Efficient Sentence Vector Training Method Than Sentence-BERT},
    author={Jianlin Su},
    year={2022},
    howpublished={\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
DistilBertModel
Ревизия весов
f3a0601

0 моделей