/ Модель

Характеристики

Контекст
512 токенов
Параметры
137 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Базовая модель
bge-base-en-v1.5
Библиотека
sentence-transformers
Опубликована
16 июн 2024

bge-base-swahili-matryoshka

ЭмбеддингиТекст → embedding

Дообученная BERT-модель Sentence Transformers создаёт матрёшечные текстовые эмбеддинги для семантического поиска и сравнения предложений.

113скачиваний за 30 дней0лайковвеса обновлены16 июн 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

Sartify LLC представила BGE base Swahili Matryoshka — дообученную на парах предложений модель Sentence Transformers на базе BAAI/bge-base-en-v1.5. Она использует архитектуру BERT и преобразует предложения и абзацы в нормализованные плотные векторы размерностью до 768 для сравнения по косинусному сходству. Обучение с MatryoshkaLoss позволяет использовать укороченные представления размерностью 512, 256, 128 или 64.

Модель предназначена для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текста. В примерах обучающих данных представлены предложения на суахили, хотя README и языковой тег указывают английский; поэтому степень поддержки суахили отдельно не подтверждена. Максимальная длина последовательности — 512 токенов. Лицензия Apache-2.0.

Сценарии применения

  • семантический поиск по коллекции текстов
  • поиск похожих предложений
  • поиск перефразировок
  • кластеризация предложений и абзацев
  • классификация текста по эмбеддингам

Ограничения

Максимальная длина последовательности составляет 512 токенов; показатели поиска в README зависят от размерности эмбеддинга. Языковые метаданные указывают английский, поэтому качество на суахили не следует считать подтверждённым одними лишь примерами обучающих данных.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

BGE base Swahili Matryoshka

This is a sentence-transformers model finetuned from BAAI/bge-base-en-v1.5. 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: BAAI/bge-base-en-v1.5
  • Maximum Sequence Length: 512 tokens
  • Output Dimensionality: 768 tokens
  • Similarity Function: Cosine Similarity
  • Language: en
  • License: apache-2.0

Model Sources

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': True}) with Transformer model: BertModel 
  (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("sartifyllc/bge-base-swahili-matryoshka")
# Run inference
sentences = [
    'Kuna masuala ya sera.',
    'Masuala ya sera ya mbinu nyingi na maombi.',
    'Mwanamke mwenye makunyanzi sana akishikilia miwani yake na kutembea kwenye barabara ya jiji.',
]
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

Information Retrieval

MetricValue
cosine_accuracy@10.268
cosine_accuracy@30.35
cosine_accuracy@50.3859
cosine_accuracy@100.4332
cosine_precision@10.268
cosine_precision@30.1167
cosine_precision@50.0772
cosine_precision@100.0433
cosine_recall@10.268
cosine_recall@30.35
cosine_recall@50.3859
cosine_recall@100.4332
cosine_ndcg@100.3461
cosine_mrr@100.3188
cosine_map@1000.3252

Information Retrieval

MetricValue
cosine_accuracy@10.2655
cosine_accuracy@30.346
cosine_accuracy@50.3811
cosine_accuracy@100.4291
cosine_precision@10.2655
cosine_precision@30.1153
cosine_precision@50.0762
cosine_precision@100.0429
cosine_recall@10.2655
cosine_recall@30.346
cosine_recall@50.3811
cosine_recall@100.4291
cosine_ndcg@100.3425
cosine_mrr@100.3154
cosine_map@1000.3217

Information Retrieval

MetricValue
cosine_accuracy@10.2576
cosine_accuracy@30.3379
cosine_accuracy@50.3717
cosine_accuracy@100.4195
cosine_precision@10.2576
cosine_precision@30.1126
cosine_precision@50.0743
cosine_precision@100.042
cosine_recall@10.2576
cosine_recall@30.3379
cosine_recall@50.3717
cosine_recall@100.4195
cosine_ndcg@100.3339
cosine_mrr@100.3071
cosine_map@1000.3134

Information Retrieval

MetricValue
cosine_accuracy@10.2449
cosine_accuracy@30.3219
cosine_accuracy@50.3557
cosine_accuracy@100.4029
cosine_precision@10.2449
cosine_precision@30.1073
cosine_precision@50.0711
cosine_precision@100.0403
cosine_recall@10.2449
cosine_recall@30.3219
cosine_recall@50.3557
cosine_recall@100.4029
cosine_ndcg@100.3191
cosine_mrr@100.2929
cosine_map@1000.2992

Information Retrieval

MetricValue
cosine_accuracy@10.2194
cosine_accuracy@30.2918
cosine_accuracy@50.3235
cosine_accuracy@100.3699
cosine_precision@10.2194
cosine_precision@30.0973
cosine_precision@50.0647
cosine_precision@100.037
cosine_recall@10.2194
cosine_recall@30.2918
cosine_recall@50.3235
cosine_recall@100.3699
cosine_ndcg@100.2897
cosine_mrr@100.2647
cosine_map@1000.271

Training Details

Training Dataset

Unnamed Dataset

  • Size: 282,883 training samples
  • Columns: positive and anchor
  • Approximate statistics based on the first 1000 samples:
    positiveanchor
    typestringstring
    detailsmin: 5 tokensmean: 20.1 tokensmax: 78 tokensmin: 6 tokensmean: 38.64 tokensmax: 184 tokens
  • Samples:
    positiveanchor
    Alingoja mtu huyo mwingine arudi.Ca'daan alingoja hadi alasiri yote mtu huyo atoke tena.
    Sheria hiyo huanzisha mfululizo wa ukaguzi wa majaribio.Sheria hiyo pia inatoa sheria ya kudhibiti kwa ajili ya mashirika fulani ambayo yanahitaji kuandaa taarifa za kifedha za mashirika yote na kuzisimamisha kwa wakaguzi wa jumla.
    Mbwa anakimbia na kuruka nje.Mbwa mwenye rangi ya kahawia anaruka na kukimbia shambani.
  • Loss: MatryoshkaLoss with these parameters:
    {
        "loss": "MultipleNegativesRankingLoss",
        "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: epoch
  • per_device_train_batch_size: 32
  • per_device_eval_batch_size: 16
  • gradient_accumulation_steps: 16
  • learning_rate: 2e-05
  • num_train_epochs: 4
  • lr_scheduler_type: cosine
  • warmup_ratio: 0.1
  • bf16: True
  • tf32: True
  • load_best_model_at_end: True
  • optim: adamw_torch_fused
  • batch_sampler: no_duplicates

All Hyperparameters

  • overwrite_output_dir: False
  • do_predict: False
  • eval_strategy: epoch
  • prediction_loss_only: True
  • per_device_train_batch_size: 32
  • per_device_eval_batch_size: 16
  • per_gpu_train_batch_size: None
  • per_gpu_eval_batch_size: None
  • gradient_accumulation_steps: 16
  • eval_accumulation_steps: None
  • learning_rate: 2e-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: 4
  • max_steps: -1
  • lr_scheduler_type: cosine
  • 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: True
  • fp16: False
  • fp16_opt_level: O1
  • half_precision_backend: auto
  • bf16_full_eval: False
  • fp16_full_eval: False
  • tf32: True
  • 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: True
  • 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_fused
  • 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: no_duplicates
  • multi_dataset_batch_sampler: proportional

Training Logs

EpochStepTraining Lossdim_128_cosine_map@100dim_256_cosine_map@100dim_512_cosine_map@100dim_64_cosine_map@100dim_768_cosine_map@100
0.0181109.7089-----
0.0362209.2806-----
0.0543308.8905-----
0.0724407.9651-----
0.0905507.4201-----
0.1086606.8346-----
0.1267706.515-----
0.1448806.2009-----
0.1629905.8256-----
0.18101005.549-----
0.19911105.1667-----
0.21721205.2684-----
0.23531305.0678-----
0.25341404.9183-----
0.27151504.844-----
0.28961604.5427-----
0.30771704.3324-----
0.32581804.4963-----
0.34391904.1704-----
0.36202004.1285-----
0.38002104.0235-----
0.39812204.0738-----
0.41622303.9132-----
0.43432403.9682-----
0.45242503.7542-----
0.47052603.6508-----
0.48862703.7596-----
0.50672803.5596-----
0.52482903.5077-----
0.54293003.3831-----
0.56103103.4-----
0.57913203.296-----
0.59723303.3646-----
0.61533403.3533-----
0.63343503.2171-----
0.65153603.2324-----
0.66963703.1544-----
0.68773803.3393-----
0.70583903.0864-----
0.72394003.1069-----
0.74204103.0722-----
0.76014203.1446-----
0.77824303.0847-----
0.79634403.0331-----
0.81444503.0197-----
0.83254602.9667-----
0.85064702.8331-----
0.86874802.9333-----
0.88684902.8714-----
0.90495002.8578-----
0.92305102.9689-----
0.94115202.7977-----
0.95925302.9832-----
0.97735402.9761-----
0.99545502.7711-----
0.9990552-0.27720.29540.30520.24450.3080
1.01355602.7194-----
1.03165702.8489-----
1.04975802.6559-----
1.06785902.6239-----
1.08596002.7081-----
1.10396102.6581-----
1.12206202.7709-----
1.14016302.6191-----
1.15826402.6712-----
1.17636502.5445-----
1.19446602.5264-----
1.21256702.5782-----
1.23066802.5652-----
1.24876902.6229-----
1.26687002.5557-----
1.28497102.5251-----
1.30307202.4555-----
1.32117302.5335-----
1.33927402.5027-----
1.35737502.3569-----
1.37547602.4255-----
1.39357702.4626-----
1.41167802.363-----
1.42977902.4-----
1.44788002.3317-----
1.46598102.2922-----
1.48408202.4086-----
1.50218302.3166-----
1.52028402.3401-----
1.53838502.1951-----
1.55648602.214-----
1.57458702.1859-----
1.59268802.3605-----
1.61078902.2528-----
1.62889002.2759-----
1.64699102.1458-----
1.66509202.187-----
1.68319302.3406-----
1.70129402.2151-----
1.71939502.2971-----
1.73749602.2736-----
1.75559702.2329-----
1.77369802.2602-----
1.79179902.2402-----
1.809810002.1971-----
1.827810102.1642-----
1.845910202.1274-----
1.864010302.1833-----
1.882110402.156-----
1.900210502.1252-----
1.918310602.161-----
1.936410702.1267-----
1.954510802.2017-----
1.972610902.3044-----
1.990711002.161-----
1.99981105-0.29280.30850.31650.26320.3204
2.008811102.0594-----
2.026911202.2277-----
2.045011302.1591-----
2.063111402.0396-----
2.081211502.1007-----
2.099311602.0705-----
2.117411702.0894-----
2.135511802.0677-----
2.153611902.0893-----
2.171712001.984-----
2.189812101.9206-----
2.207912202.132-----
2.226012302.0457-----
2.244112402.1428-----
2.262212502.1116-----
2.280312601.993-----
2.298412702.0181-----
2.316512801.9742-----
2.334612902.081-----
2.352713001.9107-----
2.370813101.9507-----
2.388913201.9844-----
2.407013302.0035-----
2.425113401.9121-----
2.443213502.0057-----
2.461313601.9323-----
2.479413701.9216-----
2.497513801.995-----
2.515613901.9285-----
2.533714001.8886-----
2.551714101.8298-----
2.569814201.8452-----
2.587914301.9488-----
2.606014401.8928-----
2.624114502.0101-----
2.642214601.7591-----
2.660314701.9177-----
2.678414801.9329-----
2.696514901.8978-----
2.714615001.9589-----
2.732715101.9744-----
2.750815201.9272-----
2.768915301.9234-----
2.787015401.9667-----
2.805115501.853-----
2.823215601.9191-----
2.841315701.8083-----
2.859415801.8543-----
2.877515901.9091-----
2.895616001.8079-----
2.913716101.8992-----
2.931816201.8742-----
2.949916301.9313-----
2.968016401.9832-----
2.986116501.9037-----
2.99881657-0.29820.31300.32110.26970.3247
3.004216601.7924-----
3.022316701.9677-----
3.040416801.9123-----
3.058516901.7691-----
3.076617001.8822-----
3.094717101.8543-----
3.112817201.8127-----
3.130917301.8844-----
3.149017401.911-----
3.167117501.7695-----
3.185217601.8134-----
3.203317701.7794-----
3.221417801.8851-----
3.239517901.8381-----
3.257618001.9184-----
3.275618101.8074-----
3.293718201.8236-----
3.311818301.8203-----
3.329918401.8874-----
3.348018501.7457-----
3.366118601.7933-----
3.384218701.759-----
3.402318801.8514-----
3.420418901.8163-----
3.438519001.8299-----
3.456619101.8112-----
3.474719201.7446-----
3.492819301.8314-----
3.510919401.742-----
3.529019501.7519-----
3.547119601.722-----
3.565219701.7454-----
3.583319801.7875-----
3.601419901.7596-----
3.619520001.8348-----
3.637620101.6954-----
3.655720201.7334-----
3.673820301.8318-----
3.691920401.7982-----
3.710020501.7987-----
3.728120601.8402-----
3.746220701.8569-----
3.764320801.8285-----
3.782420901.8652-----
3.800521001.7731-----
3.818621101.8697-----
3.836721201.6953-----
3.854821301.7493-----
3.872921401.8031-----
3.891021501.7053-----
3.909121601.8436-----
3.927221701.7572-----
3.945321801.7797-----
3.963421901.8827-----
3.981522001.8678-----
3.99592208-0.29920.31340.32170.2710.3252
  • The bold row denotes the saved checkpoint.

Framework Versions

  • Python: 3.10.12
  • Sentence Transformers: 3.0.1
  • Transformers: 4.41.2
  • PyTorch: 2.1.2+cu121
  • Accelerate: 0.31.0
  • Datasets: 2.19.1
  • 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",
}

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
BertModel
Ревизия весов
1446a0e

0 моделей