/ Модель

Характеристики

Контекст
512 токенов
Параметры
152 млн
Архитектура
bert · dense
Базовая модель
indobert-base-p2
Библиотека
sentence-transformers
Опубликована
16 июл 2024

indobert-base-stsb

ЭмбеддингиТекст → embedding9 профессий

Модель Sentence Transformers для получения индонезийских эмбеддингов предложений и оценки их семантического сходства.

170скачиваний за 30 дней0лайковвеса обновлены17 июл 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

quarkss/indobert-base-stsb — модель Sentence Transformers, дообученная автором quarkss на indobenchmark/indobert-base-p2 для оценки семантического сходства предложений на индонезийском языке. Она кодирует предложения и абзацы в плотные векторы размерности 768; сходство между ними можно оценивать по косинусной мере. Архитектура включает BERT и усредняющий пулинг токенов, максимальная длина последовательности — 512 токенов.

Модель подходит для семантического поиска, поиска перефразирований, кластеризации и классификации текстов. В README приведены результаты оценки сходства на STSB, но их переносимость на другие наборы данных и сценарии не гарантируется. Для работы с моделью используется библиотека Sentence Transformers. Веса доступны в формате safetensors; условия лицензии в предоставленных данных не описаны.

Сценарии применения

  • поиск семантически похожих индонезийских предложений
  • семантический поиск по индонезийским текстам
  • поиск перефразирований на индонезийском языке
  • кластеризация индонезийских предложений по смыслу
  • классификация индонезийских текстов на основе эмбеддингов

Ограничения

Максимальная длина последовательности составляет 512 токенов. Результаты оценки в README относятся к указанному тесту и не гарантируют аналогичное качество на других данных.

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 indobenchmark/indobert-base-p2

This is a sentence-transformers model finetuned from indobenchmark/indobert-base-p2. 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.

STSB Test

ModelSpearman Correlation
quarkss/indobert-large-stsb0.8366
quarkss/indobert-base-stsb0.8123
sentence-transformers/all-MiniLM-L6-v20.5952
indobenchmark/indobert-large-p20.5673
sentence-transformers/all-mpnet-base-v20.5531
sentence-transformers/stsb-bert-base0.5349
indobenchmark/indobert-base-p20.5309

Model Details

Model Description

  • Model Type: Sentence Transformer
  • Base model: indobenchmark/indobert-base-p2
  • Maximum Sequence Length: 512 tokens
  • Output Dimensionality: 768 tokens
  • Similarity Function: Cosine Similarity

Model Sources

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 768, '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})
)

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("quarkss/indobert-base-stsb")
# Run inference
sentences = [
    'Seorang pria sedang berjalan dengan seekor kuda.',
    'Seorang pria sedang menuntun seekor kuda dengan tali kekang.',
    'Seorang pria sedang menembakkan pistol.',
]
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

Semantic Similarity

MetricValue
pearson_cosine0.8577
spearman_cosine0.8589
pearson_manhattan0.8315
spearman_manhattan0.8355
pearson_euclidean0.8318
spearman_euclidean0.8359
pearson_dot0.7767
spearman_dot0.7836
pearson_max0.8577
spearman_max0.8589

Semantic Similarity

MetricValue
pearson_cosine0.8123
spearman_cosine0.8123
pearson_manhattan0.7988
spearman_manhattan0.7967
pearson_euclidean0.7993
spearman_euclidean0.7972
pearson_dot0.7122
spearman_dot0.7015
pearson_max0.8123
spearman_max0.8123

Training Details

Training Dataset

Unnamed Dataset

  • Size: 5,749 training samples
  • Columns: sentence1, sentence2, and score
  • Approximate statistics based on the first 1000 samples:
    sentence1sentence2score
    typestringstringfloat
    detailsmin: 6 tokensmean: 9.65 tokensmax: 25 tokensmin: 6 tokensmean: 9.59 tokensmax: 24 tokensmin: 0.0mean: 0.54max: 1.0
  • Samples:
    sentence1sentence2score
    Sebuah pesawat sedang lepas landas.Sebuah pesawat terbang sedang lepas landas.1.0
    Seorang pria sedang memainkan seruling besar.Seorang pria sedang memainkan seruling.0.76
    Seorang pria sedang mengoleskan keju parut di atas pizza.Seorang pria sedang mengoleskan keju parut di atas pizza yang belum matang.0.76
  • Loss: CosineSimilarityLoss with these parameters:
    {
        "loss_fct": "torch.nn.modules.loss.MSELoss"
    }
    

Training Hyperparameters

Non-Default Hyperparameters

  • eval_strategy: steps
  • per_device_train_batch_size: 16
  • per_device_eval_batch_size: 16
  • learning_rate: 2e-05
  • weight_decay: 0.01
  • 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: 2e-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: 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
  • eval_on_start: False
  • batch_sampler: batch_sampler
  • multi_dataset_batch_sampler: proportional

Training Logs

EpochStepTraining Lossspearman_cosinespearman_max
0.27781000.0615--
0.55562000.0336--
0.83333000.0331--
1.11114000.0235--
1.38895000.0180.8472-
1.66676000.0164--
1.94447000.0159--
2.22228000.0097--
2.59000.0085--
2.777810000.00840.8563-
3.055611000.0076--
3.333312000.0056--
3.611113000.0054--
3.888914000.0052--
4.166715000.00470.8589-
4.444416000.0045--
4.722217000.004--
5.018000.0042-0.8123

Framework Versions

  • Python: 3.10.13
  • Sentence Transformers: 3.0.1
  • Transformers: 4.42.4
  • PyTorch: 2.0.1+cu117
  • Accelerate: 0.32.1
  • Datasets: 2.17.0
  • 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",
}

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
BertModel
Ревизия весов
a493809

0 моделей