/ Модель

Характеристики

Контекст
514 токенов
Параметры
305 млн
Архитектура
xlm-roberta · dense
Базовая модель
paraphrase-multilingual-mpnet-base-v2
Библиотека
sentence-transformers
Опубликована
13 янв 2025

allstats-semantic-mpnet-v1

ЭмбеддингиТекст → embedding

Многоязычная модель эмбеддингов для семантического поиска и сравнения текстов, дообученная на парах запросов и документов.

104скачиваний за 30 дней0лайковвеса обновлены13 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

yahyaabd/allstats-semantic-mpnet-v1 — модель Sentence Transformers, разработанная на основе sentence-transformers/paraphrase-multilingual-mpnet-base-v2 и дообученная на синтетическом наборе пар запросов и документов bps-semantic-pairs-synthetic-dataset-v1. Она преобразует предложения и абзацы в плотные векторы размерности 768 и использует косинусное сходство для сопоставления текстов. Архитектура включает XLM-RoBERTa с усреднением токенных представлений; метаданные указывают 305,2 млн параметров и контекст до 514 токенов, тогда как карточка задаёт максимальную длину последовательности 128 токенов.

Модель предназначена для семантического поиска, сравнения сходства предложений, поиска перефразировок, кластеризации и классификации текста. В README приведены результаты оценки сходства на двух наборах: Spearman по косинусному сходству — 0,877 и 0,8697. Примеры обучающих данных относятся к запросам и документам по статистике Индонезии; это указывает на настройку под такой тип семантического сопоставления, хотя карточка также описывает более общие сценарии. Основа многоязычная, однако точный перечень поддерживаемых языков не приведён. Лицензия в предоставленных данных не указана.

Сценарии применения

  • поиск документов по смыслу запроса
  • сравнение семантического сходства двух предложений
  • поиск перефразировок и похожих формулировок
  • кластеризация текстов по смыслу
  • классификация текстов на основе эмбеддингов

Ограничения

Карточка задаёт максимальную длину последовательности 128 токенов, хотя метаданные указывают контекст 514 токенов; для обработки длинных текстов это следует учитывать. Обучающие примеры сосредоточены на запросах и документах по статистике Индонезии, поэтому качество на иных тематиках может отличаться.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

SentenceTransformer based on sentence-transformers/paraphrase-multilingual-mpnet-base-v2

This is a sentence-transformers model finetuned from sentence-transformers/paraphrase-multilingual-mpnet-base-v2 on the bps-semantic-pairs-synthetic-dataset-v1 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 Sources

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 128, 'do_lower_case': False}) with Transformer model: XLMRobertaModel 
  (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("yahyaabd/allstats-semantic-mpnet-v1")
# Run inference
sentences = [
    'Direktori perusahaan pengelola hutan 2015',
    'Direktori Perusahaan Kehutanan 2015',
    'Indeks Pembangunan Manusia (IPM) Indonesia tahun 2024 mencapai 75,02, meningkat 0,63 poin atau 0,85 persen dibandingkan tahun sebelumnya yang sebesar 74,39.',
]
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

Metricallstats-semantic-mpnet-v1-evalallstat-semantic-mpnet-v1-test
pearson_cosine0.97220.9715
spearman_cosine0.8770.8697

Training Details

Training Dataset

bps-semantic-pairs-synthetic-dataset-v1

  • Dataset: bps-semantic-pairs-synthetic-dataset-v1 at 6656af9
  • Size: 73,392 training samples
  • Columns: query, doc, and label
  • Approximate statistics based on the first 1000 samples:
    querydoclabel
    typestringstringfloat
    detailsmin: 5 tokensmean: 11.28 tokensmax: 34 tokensmin: 5 tokensmean: 14.71 tokensmax: 58 tokensmin: 0.0mean: 0.48max: 1.0
  • Samples:
    querydoclabel
    Data bisnis Kalbar sensus 2016Indikator Ekonomi Oktober 20120.1
    Informasi tentang pola pengeluaran masyarakat Bengkulu berdasarkan kelompok pendapatan?Rata-rata Konsumsi dan Pengeluaran Perkapita Seminggu Menurut Komoditi Makanan dan Golongan Pengeluaran per Kapita Seminggu di Provinsi Bengkulu, 2018-20230.88
    Laopran keuagnan lmebaga non proft 20112-013Neraca Lembaga Non Profit yang Melayani Rumah Tangga 2011-20130.93
  • Loss: CosineSimilarityLoss with these parameters:
    {
        "loss_fct": "torch.nn.modules.loss.MSELoss"
    }
    

Evaluation Dataset

bps-semantic-pairs-synthetic-dataset-v1

  • Dataset: bps-semantic-pairs-synthetic-dataset-v1 at 6656af9
  • Size: 15,726 evaluation samples
  • Columns: query, doc, and label
  • Approximate statistics based on the first 1000 samples:
    querydoclabel
    typestringstringfloat
    detailsmin: 4 tokensmean: 11.52 tokensmax: 37 tokensmin: 5 tokensmean: 14.38 tokensmax: 61 tokensmin: 0.0mean: 0.49max: 1.0
  • Samples:
    querydoclabel
    Data transportasi bulan Februari 2021Tenaga Kerja Februari 20230.08
    Sebear berspa prrsen eknaikan Inseks Hraga Predagangan eBsar (IHB) Umym Nasiona di aMret 202?Maret 2020, Indeks Harga Perdagangan Besar (IHPB) Umum Nasional naik 0,10 persen1.0
    Data ekspor dan moda transportasi tahun 2018-2019Indikator Pasar Tenaga Kerja Indonesia Agustus 20120.08
  • Loss: CosineSimilarityLoss with these parameters:
    {
        "loss_fct": "torch.nn.modules.loss.MSELoss"
    }
    

Training Hyperparameters

Non-Default Hyperparameters

  • eval_strategy: steps
  • per_device_train_batch_size: 64
  • per_device_eval_batch_size: 64
  • num_train_epochs: 24
  • warmup_ratio: 0.1
  • fp16: True
  • dataloader_num_workers: 4
  • load_best_model_at_end: True
  • label_smoothing_factor: 0.01
  • eval_on_start: 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: 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: 24
  • 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: 4
  • 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: 0.01
  • 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: True
  • use_liger_kernel: False
  • eval_use_gather_object: False
  • average_tokens_across_devices: False
  • prompts: None
  • batch_sampler: batch_sampler
  • multi_dataset_batch_sampler: proportional

Training Logs

EpochStepTraining LossValidation Lossallstats-semantic-mpnet-v1-eval_spearman_cosineallstat-semantic-mpnet-v1-test_spearman_cosine
00-0.10310.6244-
0.21802500.0640.04130.6958-
0.43595000.03810.03050.7301-
0.65397500.02840.02430.7651-
0.871810000.0250.02130.7656-
1.089812500.02070.02010.7822-
1.307815000.01880.01940.7805-
1.525717500.01820.01770.7918-
1.743720000.01770.01680.8098-
1.961622500.01730.01730.7979-
2.179625000.01510.01740.8010-
2.397627500.0140.01630.8005-
2.615530000.01420.01590.8027-
2.833532500.01370.01540.8074-
3.051435000.0130.01460.8173-
3.269437500.00990.01380.8179-
3.487440000.01050.01350.8138-
3.705342500.01090.01450.8138-
3.923345000.0110.01450.8244-
4.141247500.00860.01320.8327-
4.359250000.00770.01290.8307-
4.577252500.00810.01240.8380-
4.795155000.00870.01280.8358-
5.013157500.00760.01350.8280-
5.231060000.00610.01220.8399-
5.449062500.00620.01190.8344-
5.667065000.0070.01130.8432-
5.884967500.00690.01170.8353-
6.102970000.00560.01170.8333-
6.320872500.00470.01140.8438-
6.538875000.00590.01140.8429-
6.756877500.00540.01130.8452-
6.974780000.00590.01180.8477-
7.192782500.00450.01090.8474-
7.410685000.00420.01110.8532-
7.628687500.00450.01140.8385-
7.846690000.0050.01110.8502-
8.064592500.00450.01110.8496-
8.282595000.00350.01090.8490-
8.500497500.00380.01120.8519-
8.7184100000.00380.01120.8463-
8.9364102500.00390.01090.8556-
9.1543105000.00350.01100.8534-
9.3723107500.0030.01110.8525-
9.5902110000.00390.01080.8593-
9.8082112500.00380.01120.8537-
10.0262115000.00330.01080.8553-
10.2441117500.00230.01040.8601-
10.4621120000.00250.01040.8571-
10.6800122500.00260.01060.8594-
10.8980125000.00260.01060.8627-
11.1160127500.00240.01050.8623-
11.3339130000.0020.01040.8614-
11.5519132500.00210.01030.8622-
11.7698135000.00250.01060.8580-
11.9878137500.00230.01080.8613-
12.2058140000.00190.01060.8618-
12.4237142500.00170.01040.8641-
12.6417145000.00190.01030.8620-
12.8596147500.0020.01040.8649-
13.0776150000.0020.01020.8620-
13.2956152500.00140.01030.8631-
13.5135155000.00180.01040.8635-
13.7315157500.00180.01020.8661-
13.9494160000.00180.01040.8683-
14.1674162500.00140.01040.8691-
14.3854165000.00140.01030.8668-
14.6033167500.00150.01020.8673-
14.8213170000.00160.01020.8679-
15.0392172500.00160.01010.8688-
15.2572175000.00120.01020.8676-
15.4752177500.00120.01020.8712-
15.6931180000.00140.01020.8702-
15.9111182500.00130.01010.8718-
16.1290185000.00110.01000.8727-
16.3470187500.0010.01010.8729-
16.5650190000.00120.00990.8714-
16.7829192500.00110.01010.8723-
17.0009195000.00120.01010.8679-
17.2188197500.00090.01030.8706-
17.4368200000.00090.01010.8722-
17.6548202500.00090.01000.8710-
17.8727205000.0010.01010.8719-
18.0907207500.00090.01000.8728-
18.3086210000.00090.01000.8738-
18.5266212500.00080.01000.8720-
18.7446215000.00090.01000.8731-
18.9625217500.00090.00980.8738-
19.1805220000.00070.01000.8750-
19.3984222500.00070.00990.8730-
19.6164225000.00070.01000.8753-
19.8344227500.00070.00990.8753-
20.0523230000.00080.01000.8755-
20.2703232500.00060.01000.8747-
20.4882235000.00060.01010.8753-
20.7062237500.00070.01010.8738-
20.9241240000.00070.01010.8750-
21.1421242500.00060.01010.8760-
21.3601245000.00060.01010.8753-
21.5780247500.00060.01010.8759-
21.7960250000.00060.01000.8759-
22.0139252500.00060.01000.8762-
22.2319255000.00050.01000.8767-
22.4499257500.00050.01000.8772-
22.6678260000.00050.00990.8771-
22.8858262500.00050.01000.8769-
23.1037265000.00050.01000.8770-
23.3217267500.00050.01000.8769-
23.5397270000.00040.01000.8769-
23.7576272500.00050.01000.8769-
23.9756275000.00050.01000.8770-
24.027528---0.8697
  • The bold row denotes the saved checkpoint.

Framework Versions

  • Python: 3.10.12
  • Sentence Transformers: 3.3.1
  • Transformers: 4.47.1
  • PyTorch: 2.5.1+cu124
  • Accelerate: 1.2.1
  • Datasets: 3.2.0
  • 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",
}

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
26c4693

0 моделей