/ Модель

Характеристики

Контекст
514 токенов
Параметры
137 млн
Лицензия
Apache 2.0
Архитектура
mpnet · dense
Базовая модель
mpnet-base
Библиотека
sentence-transformers
Опубликована
9 апр 2025

MPNET-fine-tuned-political-clustering

ЭмбеддингиТекст → embedding9 профессий

Дообученная на семантическом сходстве модель MPNet создаёт векторы предложений для поиска, сравнения и кластеризации английских и каталонских текстов.

122скачиваний за 30 дней0лайковвеса обновлены9 апр 2025

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

ritulk/MPNET-fine-tuned-political-clustering — текстовая Sentence Transformer модель на архитектуре MPNet, дообученная на базе microsoft/mpnet-base на датасете projecte-aina/sts-ca. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения семантической близости, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Модель использует усреднение токенных представлений и косинусное сходство; её контекст составляет до 512 токенов по карточке модели и 514 токенов по метаданным.

Обучение на каталонском датасете семантического сходства и указанные языки en и ca делают её подходящей прежде всего для английского и каталонского текста. Лицензия Apache-2.0. Показатели оценки в README различаются между наборами данных; результаты могут зависеть от языка и предметной области, поэтому качество для русского и политической тематики не подтверждено приведёнными данными.

Сценарии применения

  • семантический поиск по английским документам
  • поиск похожих предложений на каталонском языке
  • кластеризация текстов по смыслу
  • поиск перефразировок
  • ранжирование пар предложений по семантическому сходству
  • получение векторных представлений текста для классификации

Ограничения

В карточке приведены метрики на нескольких наборах оценки, но они заметно различаются; качество для русского языка и политической тематики не подтверждено. Максимальная длина входной последовательности — около 512 токенов.

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

MPNet base trained on semantic text similarity

This is a sentence-transformers model finetuned from microsoft/mpnet-base on the projecte-aina/sts-ca 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: microsoft/mpnet-base
  • Maximum Sequence Length: 512 tokens
  • Output Dimensionality: 768 tokens
  • Similarity Function: Cosine Similarity
  • Training Dataset:
  • Languages: en, ca
  • License: apache-2.0

Model Sources

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: MPNetModel 
  (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("pauhidalgoo/finetuned-sts-ca-mpnet-base")
# Run inference
sentences = [
    'Però que hi ha de cert en tot això?',
    'Però, què hi ha de veritat en tot això?',
    'Els camioners dissolen la marxa lenta a les rondes de Barcelona',
]
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_cosine0.937
spearman_cosine0.9918
pearson_manhattan0.9582
spearman_manhattan0.9876
pearson_euclidean0.9594
spearman_euclidean0.9888
pearson_dot0.9469
spearman_dot0.9834
pearson_max0.9594
spearman_max0.9918

Semantic Similarity

MetricValue
pearson_cosine0.5856
spearman_cosine0.5855
pearson_manhattan0.5881
spearman_manhattan0.5787
pearson_euclidean0.5851
spearman_euclidean0.5755
pearson_dot0.5613
spearman_dot0.5631
pearson_max0.5881
spearman_max0.5855

Semantic Similarity

MetricValue
pearson_cosine0.6501
spearman_cosine0.682
pearson_manhattan0.6518
spearman_manhattan0.6701
pearson_euclidean0.6554
spearman_euclidean0.6753
pearson_dot0.635
spearman_dot0.6458
pearson_max0.6554
spearman_max0.682

Training Details

Training Dataset

projecte-aina/sts-ca

  • Dataset: projecte-aina/sts-ca
  • Size: 2,073 training samples
  • Columns: sentence1, sentence2, and label
  • Approximate statistics based on the first 1000 samples:
    sentence1sentence2label
    typestringstringfloat
    detailsmin: 10 tokensmean: 32.36 tokensmax: 82 tokensmin: 11 tokensmean: 30.57 tokensmax: 68 tokensmin: 0.0mean: 2.56max: 5.0
  • Samples:
    sentence1sentence2label
    Atorga per primer cop les mencions Encarna Sanahuja a la inclusió de la perspectiva de gènere en docència UniversitàriaCreen la menció M. Encarna Sanahuja a la inclusió de la perspectiva de gènere en docència universitària3.5
    Finalment, afegiu-hi els bolets que haureu saltat en una paella amb oli i deixeu-ho coure tot junt durant 5 minuts.Finalment, poseu-hi les minipastanagues tallades a dauets, els pèsols, rectifiqueu-ho de sal i deixeu-ho coure tot junt durant un parell de minuts més.1.25
    El TC suspèn el pla d'acció exterior i de relacions amb la UE de la GeneralitatEl Constitucional manté la suspensió del pla estratègic d'acció exterior i relacions amb la UE3.6700000762939453
  • Loss: CoSENTLoss with these parameters:
    {
        "scale": 20.0,
        "similarity_fct": "pairwise_cos_sim"
    }
    

Evaluation Dataset

projecte-aina/sts-ca

  • Dataset: projecte-aina/sts-ca
  • Size: 500 evaluation samples
  • Columns: sentence1, sentence2, and label
  • Approximate statistics based on the first 1000 samples:
    sentence1sentence2label
    typestringstringfloat
    detailsmin: 10 tokensmean: 32.94 tokensmax: 68 tokensmin: 12 tokensmean: 31.42 tokensmax: 69 tokensmin: 0.0mean: 2.58max: 5.0
  • Samples:
    sentence1sentence2label
    L'euríbor puja una centèsima fins el -0,189% al gener després de setze mesos de caigudesLa morositat de bancs i caixes repunta moderadament fins el 9,44%, després d'onze mesos de caigudes1.6699999570846558
    Demanen 3 anys de presó a l'ex treballador d'una farmàcia de Lleida per robar més de 550 unitats de Viagra i CialisL'extreballador d'una farmàcia de Lleida accepta sis mesos de presó per robar més de 500 unitats de Viagra i Cialis2.0
    Es tracta d'un jove de 20 anys que ha estat denunciat als Mossos d'EsquadraEs tracta d'un jove de 21 anys que ha estat denunciat penalment pels Mossos3.0
  • Loss: CoSENTLoss with these parameters:
    {
        "scale": 20.0,
        "similarity_fct": "pairwise_cos_sim"
    }
    

Training Hyperparameters

Non-Default Hyperparameters

  • per_device_train_batch_size: 16
  • per_device_eval_batch_size: 16
  • num_train_epochs: 40
  • warmup_ratio: 0.1
  • fp16: True

All Hyperparameters

  • overwrite_output_dir: False
  • do_predict: False
  • eval_strategy: no
  • 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: 40
  • 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 Lossspearman_cosine
3.84625004.5209-
7.692310004.1445-
11.538515003.9291-
15.384620003.6952-
19.230825003.5393-
23.076930003.3778-
26.923135003.1712-
30.769240002.8265-
34.615445002.6265-
38.461550002.3259-
40.05200-0.6820

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: 2.19.2
  • 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",
}

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
MPNetModel
Ревизия весов
ae9c827

0 моделей