/ Модель

Характеристики

Контекст
8 194 токена
Параметры
659 млн
Архитектура
xlm-roberta · dense
Базовая модель
snowflake-arctic-embed-l-v2.0
Библиотека
sentence-transformers
Опубликована
9 янв 2025

arctic-pubmed-v0.1

ЭмбеддингиТекст → embedding

Дообученная на текстах PubMed модель создаёт эмбеддинги для семантического поиска и сопоставления биомедицинских текстов.

118скачиваний за 30 дней0лайковвеса обновлены9 янв 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

WWYDmanski/arctic-pubmed-v0.1 — модель Sentence Transformers, дообученная автором на наборе из 10 053 пар и троек текстов PubMed поверх Snowflake/snowflake-arctic-embed-l-v2.0. Она преобразует предложения и абзацы в плотные эмбеддинги размерностью 1024 для семантического сопоставления текстов. Архитектура включает XLM-RoBERTa, pooling по CLS-токену и нормализацию; близость векторов оценивается косинусным сходством. Максимальная длина последовательности — 8192 токена.

Модель подходит для семантического поиска по научным публикациям и сопоставления медицинских и биомедицинских формулировок, а также для кластеризации и классификации текстов. В README приведена точность cosine_accuracy 0,802 на triplet-dev, однако подробности протокола оценки ограничены. В метаданных указана лицензия не была указана. Языки в карточке явно не перечислены; базовая модель мультиязычная, но конкретная языковая применимость этого дообучения не описана.

Сценарии применения

  • семантический поиск по аннотациям научных медицинских статей
  • поиск публикаций по перефразированному запросу
  • ранжирование похожих биомедицинских предложений
  • кластеризация аннотаций PubMed по смыслу
  • классификация биомедицинских текстов на основе эмбеддингов

Ограничения

Языки и лицензия этой версии в предоставленных данных не указаны; хотя базовая модель мультиязычная, языковое покрытие дообученной версии не описано. Оценка cosine_accuracy приведена без достаточного описания методики и не гарантирует качество на других наборах данных.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

SentenceTransformer based on Snowflake/snowflake-arctic-embed-l-v2.0

This is a sentence-transformers model finetuned from Snowflake/snowflake-arctic-embed-l-v2.0 on the json dataset. It maps sentences & paragraphs to a 1024-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-l-v2.0
  • Maximum Sequence Length: 8192 tokens
  • Output Dimensionality: 1024 dimensions
  • Similarity Function: Cosine Similarity
  • Training Dataset:
    • json

Model Sources

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 8192, 'do_lower_case': False}) with Transformer model: PeftModelForFeatureExtraction 
  (1): Pooling({'word_embedding_dimension': 1024, '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 = [
    'Risk-based water quality monitoring framework',
    'Development of a new risk-based framework to guide investment in water quality monitoring. ',
    'Water quality monitoring strategies - A review and future perspectives. ',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 1024]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]

Evaluation

Metrics

Triplet

MetricValue
cosine_accuracy0.802

Training Details

Training Dataset

json

  • Dataset: json
  • Size: 10,053 training samples
  • Columns: anchor, positive, and negative
  • Approximate statistics based on the first 1000 samples:
    anchorpositivenegative
    typestringstringstring
    detailsmin: 4 tokensmean: 10.58 tokensmax: 33 tokensmin: 5 tokensmean: 26.91 tokensmax: 79 tokensmin: 4 tokensmean: 15.99 tokensmax: 61 tokens
  • Samples:
    anchorpositivenegative
    Pediatric Infectious Disease Control[Urgent tasks in scientific studies concerning the control of infectious diseases in children]. Pediatric workforce: a look at pediatric infectious diseases data from the American Board of Pediatrics.
    Thermal coefficient of phase shiftThermal characteristics of phase shift in jacketed optical fibers. Thermal effects.
    Renal biomarkers in heart failureCurrent and novel renal biomarkers in heart failure. Cardiac biomarkers of heart failure in chronic kidney disease.
  • Loss: MultipleNegativesRankingLoss with these parameters:
    {
        "scale": 20.0,
        "similarity_fct": "cos_sim"
    }
    

Training Hyperparameters

Non-Default Hyperparameters

  • eval_strategy: steps
  • per_device_train_batch_size: 128
  • per_device_eval_batch_size: 128
  • num_train_epochs: 1
  • lr_scheduler_type: cosine_with_restarts
  • warmup_ratio: 0.1
  • bf16: True
  • batch_sampler: no_duplicates

All Hyperparameters

  • overwrite_output_dir: False
  • do_predict: False
  • eval_strategy: steps
  • prediction_loss_only: True
  • per_device_train_batch_size: 128
  • per_device_eval_batch_size: 128
  • 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: 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: 1
  • max_steps: -1
  • lr_scheduler_type: cosine_with_restarts
  • 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: 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: None
  • hub_always_push: False
  • gradient_checkpointing: False
  • gradient_checkpointing_kwargs: None
  • include_inputs_for_metrics: False
  • include_for_metrics: []
  • 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
  • use_liger_kernel: False
  • eval_use_gather_object: False
  • average_tokens_across_devices: False
  • prompts: None
  • batch_sampler: no_duplicates
  • multi_dataset_batch_sampler: proportional

Training Logs

EpochStepTraining Losstriplet-dev_cosine_accuracy
00-0.58
0.012711.677-
0.025321.7295-
0.038031.6713-
0.050641.4761-
0.063351.3731-
0.075961.8333-
0.088671.3218-
0.101381.1539-
0.113991.4003-
0.1266101.4514-
0.1392111.0803-
0.1519121.183-
0.1646130.9984-
0.1772141.2043-
0.1899151.1367-
0.2025161.1863-
0.2152171.0185-
0.2278180.9038-
0.2405190.8942-
0.2532201.0396-
0.2658211.1067-
0.2785221.0281-
0.2911231.1479-
0.3038241.2893-
0.3165251.0388-
0.3291261.1925-
0.3418270.9564-
0.3544280.8533-
0.3671290.9999-
0.3797301.126-
0.3924310.9898-
0.4051320.8786-
0.4177330.9878-
0.4304341.0988-
0.4430350.9721-
0.4557360.838-
0.4684370.9935-
0.4810381.1439-
0.4937390.7076-
0.5063401.0033-
0.5190411.0411-
0.5316420.8646-
0.5443430.8991-
0.5570440.6337-
0.5696451.0695-
0.5823460.9144-
0.5949470.9248-
0.6076480.7711-
0.6203491.0001-
0.6329501.0151-
0.6456511.06-
0.6582520.8105-
0.6709530.6892-
0.6835541.1341-
0.6962550.9726-
0.7089560.8783-
0.7215570.8084-
0.7342581.089-
0.7468590.8486-
0.7595600.8507-
0.7722610.9502-
0.7848620.8178-
0.7975631.0142-
0.8101640.9516-
0.8228650.9399-
0.8354660.7602-
0.8481670.8389-
0.8608680.9234-
0.8734690.9747-
0.8861701.1591-
0.8987711.0074-
0.9114720.8169-
0.9241730.9561-
0.9367740.9406-
0.9494750.9603-
0.9620760.8758-
0.9747770.8546-
0.9873780.7313-
1.0790.65680.802

Framework Versions

  • Python: 3.12.3
  • Sentence Transformers: 3.3.1
  • Transformers: 4.48.0.dev0
  • PyTorch: 2.5.1
  • Accelerate: 1.2.1
  • Datasets: 2.19.0
  • Tokenizers: 0.21.0

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",
}

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
XLMRobertaModel
Ревизия весов
75be210

0 моделей