/ Модель

Характеристики

Контекст
514 токенов
Параметры
659 млн
Лицензия
Apache 2.0
Архитектура
xlm-roberta · dense
Базовая модель
xlm-roberta-large
Библиотека
sentence-transformers
Опубликована
13 окт 2024

arabic-english-sts-matryoshka

ЭмбеддингиТекст → embedding10 профессий

Двуязычная модель эмбеддингов арабского и английского текста для семантического поиска, сравнения и кластеризации с настраиваемой размерностью векторов.

147скачиваний за 30 дней0лайковвеса обновлены14 окт 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 оценки31

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • SIB200ClusteringS2S

    main_score

    Результат

    0,116

    Общий результат 0,3938Общий результат 0,3897Общий результат 0,3865
    MTEB

    Публичная таблицаревизия совпадает

  • XNLI

    main_score

    Результат

    0,9087

    Общий результат 0,8829
    MTEB

    Публичная таблицаревизия совпадает

  • MLSUMClusteringP2P

    main_score

    Результат

    0,4183

    MTEB

    Публичная таблицаревизия совпадает

  • STS22

    main_score

    Результат

    0,607

    Общий результат 0,8452Общий результат 0,6628
    MTEB

    Публичная таблицаревизия совпадает

  • WikipediaRerankingMultilingual

    main_score

    Результат

    0,7976

    MTEB

    Публичная таблицаревизия совпадает

  • MasakhaNEWSClusteringS2S

    main_score

    Результат

    0,3185

    MTEB

    Публичная таблицаревизия совпадает

  • Tatoeba

    main_score

    Результат

    0,925

    Общий результат 0,5699
    MTEB

    Публичная таблицаревизия совпадает

  • FiQA2018

    main_score

    Результат

    0,0807

    MTEB

    Публичная таблицаревизия совпадает

  • AmazonReviewsClassification

    main_score

    Результат

    0,3853

    MTEB

    Публичная таблицаревизия совпадает

  • GerDaLIR

    main_score

    Результат

    0,039

    MTEB

    Публичная таблицаревизия совпадает

  • MasakhaNEWSClassification

    main_score

    Результат

    0,6926

    MTEB

    Публичная таблицаревизия совпадает

  • MTOPDomainClassification

    main_score

    Результат

    0,8148

    Общий результат 0,8047
    MTEB

    Публичная таблицаревизия совпадает

  • MassiveScenarioClassification

    main_score

    Результат

    0,6252

    Общий результат 0,6556Общий результат 0,6553Общий результат 0,5963
    MTEB

    Публичная таблицаревизия совпадает

  • MLQARetrieval

    main_score

    Результат

    0,448

    Общий результат 0,3792Общий результат 0,3713
    MTEB

    Публичная таблицаревизия совпадает

  • MasakhaNEWSClusteringP2P

    main_score

    Результат

    0,2414

    MTEB

    Публичная таблицаревизия совпадает

  • BUCC.v2

    main_score

    Результат

    0,9598

    MTEB

    Публичная таблицаревизия совпадает

  • IndonesianIdClickbaitClassification

    main_score

    Результат

    0,5513

    MTEB

    Публичная таблицаревизия совпадает

  • MassiveIntentClassification

    main_score

    Результат

    0,6377

    MTEB

    Публичная таблицаревизия совпадает

  • IndicGenBenchFloresBitextMining

    main_score

    Результат

    0,931

    Общий результат 0,9843Общий результат 0,9
    MTEB

    Публичная таблицаревизия совпадает

  • WikipediaRetrievalMultilingual

    main_score

    Результат

    0,6464

    MTEB

    Публичная таблицаревизия совпадает

  • QuoraRetrieval

    main_score

    Результат

    0,7766

    MTEB

    Публичная таблицаревизия совпадает

  • WikiClusteringP2P.v2

    main_score

    Результат

    0,2754

    MTEB

    Публичная таблицаревизия совпадает

  • PoemSentimentClassification

    main_score

    Результат

    0,4829

    MTEB

    Публичная таблицаревизия совпадает

  • PawsXPairClassification

    main_score

    Результат

    0,6865

    MTEB

    Публичная таблицаревизия совпадает

  • StackOverflowDupQuestions

    main_score

    Результат

    0,3583

    MTEB

    Публичная таблицаревизия совпадает

  • BiorxivClusteringP2P

    main_score

    Результат

    0,2953

    MTEB

    Публичная таблицаревизия совпадает

  • MTOPIntentClassification

    main_score

    Результат

    0,601

    MTEB

    Публичная таблицаревизия совпадает

  • DutchNewsArticlesRetrieval

    main_score

    Результат

    0,3553

    MTEB

    Публичная таблицаревизия совпадает

  • OpusparcusPC

    main_score

    Результат

    0,9418

    MTEB

    Публичная таблицаревизия совпадает

  • MIRACLRetrievalHardNegatives

    main_score

    Результат

    0,1207

    MTEB

    Публичная таблицаревизия совпадает

  • AlloProfClusteringS2S.v2

    main_score

    Результат

    0,395

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Модель omarelshehy/arabic-english-sts-matryoshka — двуязычная Sentence Transformer, дообученная разработчиком на базе FacebookAI/xlm-roberta-large. Она преобразует предложения и абзацы на арабском и английском языках в плотные векторы размерностью 1024 для сравнения семантической близости. Векторы можно сокращать до 768, 512, 256, 128 или 64 измерений, чтобы уменьшить требования к памяти и вычислениям; для оценки сходства используется косинусная мера.

Модель предназначена для семантического поиска и сопоставления текстов, поиска перефразировок, кластеризации и классификации. Она поддерживает как сравнение текстов внутри каждого языка, так и межъязыковое сопоставление арабского и английского текстов. Архитектура основана на XLM-RoBERTa large, содержит 658,7 млн параметров, принимает текст длиной до 514 токенов и выдаёт векторы. Для использования требуется библиотека Sentence Transformers.

В README приведены обнадёживающие результаты MTEB, но разработчик рекомендует проверять качество на целевых данных. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • поиск арабских документов по английскому запросу
  • семантический поиск по арабским и английским текстам
  • сравнение смысловой близости предложений
  • поиск перефразировок на арабском и английском
  • кластеризация двуязычных текстов
  • классификация текстов на основе эмбеддингов

Ограничения

Качество на целевых данных следует проверять самостоятельно: приведённые результаты MTEB не гарантируют пригодность для конкретного сценария. Максимальная длина входа ограничена 514 токенами.

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 FacebookAI/xlm-roberta-large

This is a Bilingual (Arabic-English) sentence-transformers model finetuned from FacebookAI/xlm-roberta-large. 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.

The model handles both languages separately 🌐, but also interchangeably, which unlocks flexible applications for developers and researchers who want to further build on Arabic models! 💡

📊 Metrics from MTEB are promising, but don't just rely on them — test the model yourself and see if it fits your needs! ✅

Matryoshka Embeddings 🪆

This model supports Matryoshka embeddings, allowing you to truncate embeddings into smaller sizes to optimize performance and memory usage, based on your task requirements. Available truncation sizes include: 1024, 768, 512, 256, 128, and 64

You can select the appropriate embedding size for your use case, ensuring flexibility in resource management.

Model Details

Model Description

  • Model Type: Sentence Transformer
  • Base model: FacebookAI/xlm-roberta-large
  • Maximum Sequence Length: 512 tokens
  • Output Dimensionality: 1024 tokens
  • Similarity Function: Cosine Similarity

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
matryoshka_dim = 786
model = SentenceTransformer("omarelshehy/arabic-english-sts-matryoshka", truncate_dim=matryoshka_dim)
# Run inference
sentences = [
    "She enjoyed reading books by the window as the rain poured outside.",
    "كانت تستمتع بقراءة الكتب بجانب النافذة بينما كانت الأمطار تتساقط في الخارج.",
    "Reading by the window was her favorite thing, especially during rainy days."
]
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]

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
763d116

0 моделей