/ Модель

Характеристики

Контекст
512 токенов
Параметры
89,5 млн
Архитектура
bert · dense
Базовая модель
LaBSE-en-ru
Библиотека
sentence-transformers
Опубликована
19 авг 2024

LaBSE-en-ru-distilled-each-third-layer

ЭмбеддингиТекст → embedding10 профессий

Компактная дообученная модель LaBSE кодирует русские и английские предложения в эмбеддинги для поиска и сравнения их смысла.

102скачиваний за 30 дней1лайквеса обновлены7 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 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

Это дообученная модель Sentence Transformers на базе cointegrated/LaBSE-en-ru, разработанная автором репозитория whitemouse84. Она кодирует предложения и абзацы на русском и английском языках в плотные векторы размерностью 768 для сравнения семантического сходства по косинусной близости. Модель подходит для семантического поиска, поиска перефразировок, кластеризации и классификации текста по эмбеддингам.

Модель основана на архитектуре BERT, содержит 89,5 млн параметров и принимает последовательности длиной до 512 токенов. В README приведены оценки на наборах STS и оценка дистилляции; они дают ориентир для проверки сходства, но не гарантируют качество для конкретного корпуса. Для работы с эмбеддингами требуется совместимый механизм сравнения или поиска.

Сценарии применения

  • семантический поиск по коллекции документов
  • поиск похожих предложений и перефразировок
  • сопоставление вопросов с релевантными текстами
  • кластеризация русских и английских текстов по смыслу
  • классификация текстов по эмбеддингам

Ограничения

Контекст ограничен 512 токенами, а качество зависит от домена и корпуса; результаты в README приведены для конкретных наборов STS и не гарантируют качество на других данных.

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 cointegrated/LaBSE-en-ru

This is a sentence-transformers model finetuned from cointegrated/LaBSE-en-ru. 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: cointegrated/LaBSE-en-ru
  • 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': 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): Dense({'in_features': 768, 'out_features': 768, 'bias': True, 'activation_function': 'torch.nn.modules.activation.Tanh'})
  (3): 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("whitemouse84/LaBSE-en-ru-distilled-each-third-layer")
# Run inference
sentences = [
    'See Name section.',
    'Ms. Packard is the voice of the female blood elf in the video game World of Warcraft.',
    'Yeah, people who might not be hungry.',
]
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_cosine0.5305
spearman_cosine0.6347
pearson_manhattan0.5553
spearman_manhattan0.6389
pearson_euclidean0.55
spearman_euclidean0.6347
pearson_dot0.5305
spearman_dot0.6347
pearson_max0.5553
spearman_max0.6389

Knowledge Distillation

MetricValue
negative_mse-0.0063

Semantic Similarity

MetricValue
pearson_cosine0.5043
spearman_cosine0.5986
pearson_manhattan0.5227
spearman_manhattan0.5984
pearson_euclidean0.5227
spearman_euclidean0.5986
pearson_dot0.5043
spearman_dot0.5986
pearson_max0.5227
spearman_max0.5986

Training Details

Training Dataset

Unnamed Dataset

  • Size: 10,975,066 training samples
  • Columns: sentence and label
  • Approximate statistics based on the first 1000 samples:
    sentencelabel
    typestringlist
    detailsmin: 6 tokensmean: 26.93 tokensmax: 139 tokenssize: 768 elements
  • Samples:
    sentencelabel
    It is based on the Java Persistence API (JPA), but it does not strictly follow the JSR 338 Specification, as it implements different design patterns and technologies.[-0.012331949546933174, -0.04570527374744415, -0.024963658303022385, -0.03620213270187378, 0.022556383162736893, ...]
    Покупаем вторичное сырье в Каунасе (Переработка вторичного сырья) - Алфенас АНД КО, ЗАО на Bizorg.[-0.07498518377542496, -0.01913534104824066, -0.01797042042016983, 0.048263177275657654, -0.00016611881437711418, ...]
    At the Equal Justice Conference ( EJC ) held in March 2001 in San Diego , LSC and the Project for the Future of Equal Justice held the second Case Management Software pre-conference .[0.03870972990989685, -0.0638347640633583, -0.01696585863828659, -0.043612319976091385, -0.048241738229990005, ...]
  • Loss: MSELoss

Evaluation Dataset

Unnamed Dataset

  • Size: 10,000 evaluation samples
  • Columns: sentence and label
  • Approximate statistics based on the first 1000 samples:
    sentencelabel
    typestringlist
    detailsmin: 5 tokensmean: 24.18 tokensmax: 111 tokenssize: 768 elements
  • Samples:
    sentencelabel
    The Canadian Canoe Museum is a museum dedicated to canoes located in Peterborough, Ontario, Canada.[-0.05444105342030525, -0.03650881350040436, -0.041163671761751175, -0.010616903193295002, -0.04094529151916504, ...]
    И мне нравилось, что я одновременно зарабатываю и смотрю бои».[-0.03404555842280388, 0.028203096240758896, -0.056121889501810074, -0.0591997392475605, -0.05523117259144783, ...]
    Ну, а на следующий день, разумеется, Президент Кеннеди объявил блокаду Кубы, и наши корабли остановили у кубинских берегов направлявшийся на Кубу российский корабль, и у него на борту нашли ракеты.[-0.008193841204047203, 0.00694894278421998, -0.03027420863509178, -0.03290146216750145, 0.01425305474549532, ...]
  • Loss: MSELoss

Training Hyperparameters

Non-Default Hyperparameters

  • eval_strategy: steps
  • per_device_train_batch_size: 64
  • per_device_eval_batch_size: 64
  • learning_rate: 0.0001
  • num_train_epochs: 1
  • warmup_ratio: 0.1
  • fp16: True
  • load_best_model_at_end: True

All Hyperparameters

  • overwrite_output_dir: False
  • do_predict: False
  • eval_strategy: steps
  • prediction_loss_only: True
  • per_device_train_batch_size: 64
  • per_device_eval_batch_size: 64
  • per_gpu_train_batch_size: None
  • per_gpu_eval_batch_size: None
  • gradient_accumulation_steps: 1
  • eval_accumulation_steps: None
  • torch_empty_cache_steps: None
  • learning_rate: 0.0001
  • weight_decay: 0.0
  • adam_beta1: 0.9
  • adam_beta2: 0.999
  • adam_epsilon: 1e-08
  • max_grad_norm: 1.0
  • num_train_epochs: 1
  • 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: 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
  • 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
  • eval_use_gather_object: False
  • batch_sampler: batch_sampler
  • multi_dataset_batch_sampler: proportional

Training Logs

EpochStepTraining Losslossnegative_msests-dev_spearman_cosinests-test_spearman_cosine
00---0.23810.4206-
0.005810000.0014----
0.011720000.0009----
0.017530000.0007----
0.023340000.0006----
0.029250000.00050.0004-0.03630.6393-
0.035060000.0004----
0.040870000.0004----
0.046780000.0003----
0.052590000.0003----
0.0583100000.00030.0002-0.02070.6350-
0.0641110000.0003----
0.0700120000.0003----
0.0758130000.0002----
0.0816140000.0002----
0.0875150000.00020.0002-0.01570.6328-
0.0933160000.0002----
0.0991170000.0002----
0.1050180000.0002----
0.1108190000.0002----
0.1166200000.00020.0001-0.01320.6317-
0.1225210000.0002----
0.1283220000.0002----
0.1341230000.0002----
0.1400240000.0002----
0.1458250000.00020.0001-0.01180.6251-
0.1516260000.0002----
0.1574270000.0002----
0.1633280000.0002----
0.1691290000.0002----
0.1749300000.00020.0001-0.01090.6304-
0.1808310000.0002----
0.1866320000.0002----
0.1924330000.0002----
0.1983340000.0001----
0.2041350000.00010.0001-0.01020.6280-
0.2099360000.0001----
0.2158370000.0001----
0.2216380000.0001----
0.2274390000.0001----
0.2333400000.00010.0001-0.00980.6272-
0.2391410000.0001----
0.2449420000.0001----
0.2507430000.0001----
0.2566440000.0001----
0.2624450000.00010.0001-0.00930.6378-
0.2682460000.0001----
0.2741470000.0001----
0.2799480000.0001----
0.2857490000.0001----
0.2916500000.00010.0001-0.00890.6325-
0.2974510000.0001----
0.3032520000.0001----
0.3091530000.0001----
0.3149540000.0001----
0.3207550000.00010.0001-0.00870.6328-
0.3266560000.0001----
0.3324570000.0001----
0.3382580000.0001----
0.3441590000.0001----
0.3499600000.00010.0001-0.00850.6357-
0.3557610000.0001----
0.3615620000.0001----
0.3674630000.0001----
0.3732640000.0001----
0.3790650000.00010.0001-0.00830.6366-
0.3849660000.0001----
0.3907670000.0001----
0.3965680000.0001----
0.4024690000.0001----
0.4082700000.00010.0001-0.00800.6325-
0.4140710000.0001----
0.4199720000.0001----
0.4257730000.0001----
0.4315740000.0001----
0.4374750000.00010.0001-0.00780.6351-
0.4432760000.0001----
0.4490770000.0001----
0.4548780000.0001----
0.4607790000.0001----
0.4665800000.00010.0001-0.00770.6323-
0.4723810000.0001----
0.4782820000.0001----
0.4840830000.0001----
0.4898840000.0001----
0.4957850000.00010.0001-0.00760.6316-
0.5015860000.0001----
0.5073870000.0001----
0.5132880000.0001----
0.5190890000.0001----
0.5248900000.00010.0001-0.00740.6306-
0.5307910000.0001----
0.5365920000.0001----
0.5423930000.0001----
0.5481940000.0001----
0.5540950000.00010.0001-0.00730.6305-
0.5598960000.0001----
0.5656970000.0001----
0.5715980000.0001----
0.5773990000.0001----
0.58311000000.00010.0001-0.00720.6333-
0.58901010000.0001----
0.59481020000.0001----
0.60061030000.0001----
0.60651040000.0001----
0.61231050000.00010.0001-0.00710.6351-
0.61811060000.0001----
0.62401070000.0001----
0.62981080000.0001----
0.63561090000.0001----
0.64151100000.00010.0001-0.00700.6330-
0.64731110000.0001----
0.65311120000.0001----
0.65891130000.0001----
0.66481140000.0001----
0.67061150000.00010.0001-0.00700.6336-
0.67641160000.0001----
0.68231170000.0001----
0.68811180000.0001----
0.69391190000.0001----
0.69981200000.00010.0001-0.00690.6305-
0.70561210000.0001----
0.71141220000.0001----
0.71731230000.0001----
0.72311240000.0001----
0.72891250000.00010.0001-0.00680.6362-
0.73481260000.0001----
0.74061270000.0001----
0.74641280000.0001----
0.75221290000.0001----
0.75811300000.00010.0001-0.00670.6340-
0.76391310000.0001----
0.76971320000.0001----
0.77561330000.0001----
0.78141340000.0001----
0.78721350000.00010.0001-0.00670.6365-
0.79311360000.0001----
0.79891370000.0001----
0.80471380000.0001----
0.81061390000.0001----
0.81641400000.00010.0001-0.00660.6339-
0.82221410000.0001----
0.82811420000.0001----
0.83391430000.0001----
0.83971440000.0001----
0.84561450000.00010.0001-0.00660.6352-
0.85141460000.0001----
0.85721470000.0001----
0.86301480000.0001----
0.86891490000.0001----
0.87471500000.00010.0001-0.00650.6357-
0.88051510000.0001----
0.88641520000.0001----
0.89221530000.0001----
0.89801540000.0001----
0.90391550000.00010.0001-0.00650.6336-
0.90971560000.0001----
0.91551570000.0001----
0.92141580000.0001----
0.92721590000.0001----
0.93301600000.00010.0001-0.00640.6334-
0.93891610000.0001----
0.94471620000.0001----
0.95051630000.0001----
0.95631640000.0001----
0.96221650000.00010.0001-0.00640.6337-
0.96801660000.0001----
0.97381670000.0001----
0.97971680000.0001----
0.98551690000.0001----
0.99131700000.00010.0001-0.00630.6347-
0.99721710000.0001----
1.0171486----0.5986
  • The bold row denotes the saved checkpoint.

Framework Versions

  • Python: 3.10.14
  • Sentence Transformers: 3.0.1
  • Transformers: 4.44.0
  • PyTorch: 2.4.0
  • Accelerate: 0.33.0
  • Datasets: 2.20.0
  • 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",
}

MSELoss

@inproceedings{reimers-2020-multilingual-sentence-bert,
    title = "Making Monolingual Sentence Embeddings Multilingual using Knowledge Distillation",
    author = "Reimers, Nils and Gurevych, Iryna",
    booktitle = "Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing",
    month = "11",
    year = "2020",
    publisher = "Association for Computational Linguistics",
    url = "https://arxiv.org/abs/2004.09813",
}

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
d0a690d

0 моделей