/ Модель

Характеристики

Контекст
512 токенов
Параметры
137 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Базовая модель
snowflake-arctic-embed-m
Библиотека
sentence-transformers
Опубликована
19 июн 2024

snowflake-arctic-embed-m-klej-dyk-v0.1

ЭмбеддингиТекст → embedding11 профессий

Англоязычная BERT-модель эмбеддингов для семантического поиска и сравнения предложений и абзацев.

114скачиваний за 30 дней0лайковвеса обновлены19 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

Snowflake Arctic Embed M Klej Dyk v0.1 — англоязычная модель Sentence Transformer, дообученная ve88ifz2 на базе Snowflake/snowflake-arctic-embed-m. Она преобразует предложения и абзацы в плотные эмбеддинги размерностью 768 для семантического поиска, оценки сходства текстов, поиска перефразирований, кластеризации и классификации. Архитектура основана на BERT с объединением представлений CLS-токена и нормализацией векторов; для сопоставления используется косинусное сходство. Максимальная длина входа — 512 токенов, модель поддерживает сокращение размерности эмбеддинга до 64, 128, 256 или 512.

Модель подходит для поиска релевантных документов по запросу, дедупликации похожих текстов и построения семантических групп. В README приведены результаты оценки поиска на датасетах dim_768, dim_512, dim_256, dim_128 и dim_64. Модель принимает текст и выдаёт векторы признаков для последующего поиска или анализа; она не предназначена для генерации текста. Распространяется по лицензии Apache-2.0.

Сценарии применения

  • семантический поиск документов по текстовому запросу
  • поиск похожих предложений и абзацев
  • поиск перефразирований
  • кластеризация текстов по смыслу
  • классификация текстов на основе эмбеддингов

Ограничения

Принимает последовательности длиной до 512 токенов. Англоязычная модель; оценки из карточки относятся к указанным наборам для информационного поиска и не гарантируют качество на других данных.

Для каких профессий подходит11

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

snowflake-arctic-embed-m-klej-dyk

This is a sentence-transformers model finetuned from Snowflake/snowflake-arctic-embed-m. 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: Snowflake/snowflake-arctic-embed-m
  • 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': False}) 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("sentence_transformers_model_id")
# Run inference
sentences = [
    'Chłopiec z Nariokotome',
    'ile wynosiła objętość mózgu chłopca z Nariokotome?',
    'gdzie znajduje się czwarty polski cmentarz katyński?',
]
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@10.1851
cosine_accuracy@30.4808
cosine_accuracy@50.625
cosine_accuracy@100.726
cosine_precision@10.1851
cosine_precision@30.1603
cosine_precision@50.125
cosine_precision@100.0726
cosine_recall@10.1851
cosine_recall@30.4808
cosine_recall@50.625
cosine_recall@100.726
cosine_ndcg@100.4479
cosine_mrr@100.359
cosine_map@1000.3672

Information Retrieval

MetricValue
cosine_accuracy@10.1755
cosine_accuracy@30.4712
cosine_accuracy@50.613
cosine_accuracy@100.7019
cosine_precision@10.1755
cosine_precision@30.1571
cosine_precision@50.1226
cosine_precision@100.0702
cosine_recall@10.1755
cosine_recall@30.4712
cosine_recall@50.613
cosine_recall@100.7019
cosine_ndcg@100.4334
cosine_mrr@100.3474
cosine_map@1000.3564

Information Retrieval

MetricValue
cosine_accuracy@10.1562
cosine_accuracy@30.4543
cosine_accuracy@50.5649
cosine_accuracy@100.6731
cosine_precision@10.1562
cosine_precision@30.1514
cosine_precision@50.113
cosine_precision@100.0673
cosine_recall@10.1562
cosine_recall@30.4543
cosine_recall@50.5649
cosine_recall@100.6731
cosine_ndcg@100.4103
cosine_mrr@100.3261
cosine_map@1000.3351

Information Retrieval

MetricValue
cosine_accuracy@10.1635
cosine_accuracy@30.3918
cosine_accuracy@50.5072
cosine_accuracy@100.6058
cosine_precision@10.1635
cosine_precision@30.1306
cosine_precision@50.1014
cosine_precision@100.0606
cosine_recall@10.1635
cosine_recall@30.3918
cosine_recall@50.5072
cosine_recall@100.6058
cosine_ndcg@100.3758
cosine_mrr@100.3027
cosine_map@1000.3117

Information Retrieval

MetricValue
cosine_accuracy@10.149
cosine_accuracy@30.3389
cosine_accuracy@50.4183
cosine_accuracy@100.4928
cosine_precision@10.149
cosine_precision@30.113
cosine_precision@50.0837
cosine_precision@100.0493
cosine_recall@10.149
cosine_recall@30.3389
cosine_recall@50.4183
cosine_recall@100.4928
cosine_ndcg@100.3178
cosine_mrr@100.2621
cosine_map@1000.2704

Training Details

Training Dataset

Unnamed Dataset

  • Size: 3,738 training samples
  • Columns: positive and anchor
  • Approximate statistics based on the first 1000 samples:
    positiveanchor
    typestringstring
    detailsmin: 6 tokensmean: 94.61 tokensmax: 512 tokensmin: 10 tokensmean: 30.71 tokensmax: 76 tokens
  • Samples:
    positiveanchor
    Marsz Ochotników (chin.kto jest kompozytorem chińskiego hymnu narodowego Marsz Ochotników?
    Wybrane przykłady: Święta Rodzina – Maryja z Dzieciątkiem na ręku, niekiedy obok niej stoi św. Józef Rodzina Marii – przedstawienie w którym pojawia się Święta Rodzina oraz postaci spokrewnione z Marią. Maria w połogu (Maria in puerperio) – leżąca na łożu Maria opiekuje się Dzieciątkiem Maria karmiąca (Maria lactans) – Maria karmiąca swą piersią Dzieciątko Orantka – kobieta modląca się z podniesionymi rękami (częsty motyw ikon wschodnich); Sacra Conversazione – Matka Boska tronująca z Dzieciątkiem, otoczona stojącymi postaciami świętych Pietà – opłakująca Jezusa, trzymając na kolanach jego ciało po śmierci na krzyżu; Hodegetria – ujęcie popiersia Maryi, trzymającej na rękach małego Jezusa, częsty motyw w ikonach Eleusa – formalnie podobne do przedstawienia Hodegetrii lecz Maryja policzkiem przytula się do policzka Jezusa Immaculata – Niepokalane Poczęcie Najświętszej Maryi Panny.kto zamiast Maryi trzyma nowonarodzonego Jezusa w scenie Bożego Narodzenia przedstawionej na poliptyku z Marią i Dzieciątkiem Jezus?
    Pomnik Josepha von Eichendorffa w Brzeziu Pomnik Josepha von Eichendorffa – odtworzony w 2006 roku pomnik znanego niemieckiego poety epoki romantyzmu związanego z ziemią raciborską, Josepha von Eichendorffa.po ilu latach odtworzono wysadzony w 1945 roku pomnik Josepha von Eichendorffa w Raciborzu-Brzeziu?
  • 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: 16
  • per_device_eval_batch_size: 16
  • gradient_accumulation_steps: 16
  • learning_rate: 2e-05
  • num_train_epochs: 5
  • 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: 16
  • 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: 5
  • 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
0.068419.3155-----
0.136829.1788-----
0.205138.8387-----
0.273548.2961-----
0.341958.0242-----
0.410367.2329-----
0.478675.4386-----
0.547086.1186-----
0.615494.9714-----
0.6838105.1958-----
0.7521115.1135-----
0.8205124.6971-----
0.8889134.5559-----
0.9573143.93570.28420.30980.31910.22380.3209
1.0256153.7916-----
1.0940163.6393-----
1.1624173.7733-----
1.2308183.6974-----
1.2991193.5964-----
1.3675203.4118-----
1.4359213.2022-----
1.5043222.8133-----
1.5726233.0871-----
1.6410242.9559-----
1.7094252.8192-----
1.7778263.462-----
1.8462273.1435-----
1.9145282.8001-----
1.9829292.56430.31340.33590.35630.25880.3671
2.0513302.4295-----
2.1197312.3892-----
2.1880322.5228-----
2.2564332.4906-----
2.3248342.5358-----
2.3932352.2806-----
2.4615362.0083-----
2.5299372.5088-----
2.5983382.0628-----
2.6667392.193-----
2.7350402.4783-----
2.8034412.382-----
2.8718422.2017-----
2.9402431.97390.31110.33920.35720.26570.3659
3.0085442.0332-----
3.0769451.9983-----
3.1453461.8612-----
3.2137471.9897-----
3.2821482.2514-----
3.3504492.0092-----
3.4188501.7399-----
3.4872511.5825-----
3.5556522.1501-----
3.6239531.4505-----
3.6923541.8575-----
3.7607552.3882-----
3.8291562.1119-----
3.8974571.8992-----
3.9658581.83230.31170.33650.35580.26830.3670
4.0342591.5938-----
4.1026601.552-----
4.1709611.907-----
4.2393621.8304-----
4.3077631.8775-----
4.3761641.8654-----
4.4444651.7944-----
4.5128661.8335-----
4.5812671.8823-----
4.6496681.6479-----
4.7179691.5771-----
4.7863702.19110.31170.33510.35640.27040.3672
  • The bold row denotes the saved checkpoint.

Framework Versions

  • Python: 3.12.2
  • Sentence Transformers: 3.0.0
  • Transformers: 4.41.2
  • PyTorch: 2.3.1
  • Accelerate: 0.27.2
  • 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
d5a352c

0 моделей