/ Модель

Характеристики

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

allstats-semantic-search-model-v1-3

ЭмбеддингиТекст → embedding4 профессии

Многоязычная модель эмбеддингов, дообученная для семантического поиска и сопоставления запросов с документами статистической тематики.

136скачиваний за 30 дней7лайковвеса обновлены7 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-search-model-v1-3 — модель Sentence Transformers, дообученная автором yahyaabd на базе sentence-transformers/paraphrase-multilingual-mpnet-base-v2 для семантического поиска по статистическим материалам. Она преобразует предложения и абзацы в плотные векторы размерности 768; близость текстов оценивается косинусным сходством. Архитектура использует XLM-RoBERTa с усреднением токенных представлений. Метаданные указывают 305,2 млн параметров и контекст до 514 токенов, а карточка модели описывает максимальную длину последовательности 128 токенов.

Модель предназначена для сопоставления запросов с документами, поиска похожих формулировок и семантической оценки релевантности. В карточке приведены высокие результаты на собственных наборах проверки allstats-semantic-search-v1-3, однако они не гарантируют аналогичного качества на других данных. Обучение проводилось на синтетическом наборе запросов и документов о статистике, преимущественно связанных с Индонезией; качество для иных тематик и языков отдельно не подтверждено. Модель принимает текст и выдаёт векторы. Лицензия в предоставленных данных не указана.

Сценарии применения

  • поиск статистических документов по запросу на естественном языке
  • оценка семантического сходства запроса и документа
  • поиск документов с перефразированными формулировками
  • кластеризация текстов статистических материалов
  • ранжирование найденных текстов по смысловому сходству

Ограничения

Обучающая выборка синтетическая и ориентирована на статистические материалы, в том числе данные об Индонезии; качество для других тематик и языков отдельно не подтверждено. Карточка задаёт максимальную последовательность 128 токенов, тогда как метаданные указывают контекст 514 токенов.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

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 allstats-semantic-search-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-search-model-v1-3")
# Run inference
sentences = [
    'perubahan nilai tukar petani bulan mei 2017',
    'Perkembangan Nilai Tukar Petani Mei 2017',
    'Statistik Restoran/Rumah Makan Tahun 2014',
]
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-search-v1-3-devallstat-semantic-search-v1-3-test
pearson_cosine0.99590.9961
spearman_cosine0.96410.9648

Training Details

Training Dataset

allstats-semantic-search-synthetic-dataset-v1

  • Dataset: allstats-semantic-search-synthetic-dataset-v1 at b13c0a7
  • Size: 212,940 training samples
  • Columns: query, doc, and label
  • Approximate statistics based on the first 1000 samples:
    querydoclabel
    typestringstringfloat
    detailsmin: 5 tokensmean: 11.46 tokensmax: 34 tokensmin: 5 tokensmean: 14.47 tokensmax: 54 tokensmin: 0.0mean: 0.5max: 1.05
  • Samples:
    querydoclabel
    aDta industri besar dan sedang Indonesia 2008Statistik Industri Besar dan Sedang Indonesia 20080.9
    profil bisnis konstruksi individu jawa barat 2022Statistik Industri Manufaktur Indonesia 2015 - Bahan Baku0.15
    data statistik ekonomi indonesiaNilai Tukar Valuta Asing di Indonesia 20140.08
  • Loss: CosineSimilarityLoss with these parameters:
    {
        "loss_fct": "torch.nn.modules.loss.MSELoss"
    }
    

Evaluation Dataset

allstats-semantic-search-synthetic-dataset-v1

  • Dataset: allstats-semantic-search-synthetic-dataset-v1 at b13c0a7
  • Size: 26,618 evaluation samples
  • Columns: query, doc, and label
  • Approximate statistics based on the first 1000 samples:
    querydoclabel
    typestringstringfloat
    detailsmin: 5 tokensmean: 11.38 tokensmax: 34 tokensmin: 4 tokensmean: 14.63 tokensmax: 55 tokensmin: 0.0mean: 0.51max: 1.0
  • Samples:
    querydoclabel
    tahun berapa ekspor naik 2,37% dan impor naik 30,30%?Bulan November 2006 Ekspor Naik 2,37 % dan Impor Naik 30,30 %1.0
    Berapa produksi padi pada tahun 2023?Produksi padi tahun lainnya0.0
    data statistik solus per aqua 2015Statistik Solus Per Aqua (SPA) 20150.97
  • 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: 16
  • warmup_ratio: 0.1
  • fp16: 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: 16
  • 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: 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: batch_sampler
  • multi_dataset_batch_sampler: proportional

Training Logs

EpochStepTraining LossValidation Lossallstats-semantic-search-v1-3-dev_spearman_cosineallstat-semantic-search-v1-3-test_spearman_cosine
0.15025000.05790.03510.7132-
0.300510000.030.02250.7589-
0.450715000.02190.01850.7834-
0.601020000.01810.01630.7946-
0.751225000.01620.01470.7941-
0.901430000.0150.01470.8050-
1.051735000.0140.01310.7946-
1.201940000.01190.01260.8038-
1.352245000.01210.01280.8213-
1.502450000.01170.01160.8268-
1.652655000.01240.01170.8269-
1.802960000.01110.01090.8421-
1.953165000.01050.01080.8278-
2.103470000.00910.00930.8460-
2.253675000.00850.00910.8469-
2.403880000.00790.00830.8595-
2.554185000.00750.00850.8495-
2.704390000.00730.00820.8614-
2.854695000.00680.00770.8696-
3.0048100000.00660.00760.8669-
3.1550105000.00580.00720.8678-
3.3053110000.00560.00670.8703-
3.4555115000.00540.00670.8766-
3.6058120000.00540.00630.8678-
3.7560125000.00510.00610.8786-
3.9062130000.00520.00770.8699-
4.0565135000.0050.00550.8859-
4.2067140000.00410.00540.8900-
4.3570145000.00380.00520.8892-
4.5072150000.00390.00500.8895-
4.6575155000.0040.00520.8972-
4.8077160000.00420.00510.8927-
4.9579165000.00410.00520.8930-
5.1082170000.00340.00530.8998-
5.2584175000.0030.00470.9023-
5.4087180000.00320.00450.9039-
5.5589185000.00320.00440.8996-
5.7091190000.00320.00410.9085-
5.8594195000.00320.00470.9072-
6.0096200000.00290.00370.9104-
6.1599205000.00240.00370.9112-
6.3101210000.00260.00390.9112-
6.4603215000.00240.00370.9157-
6.6106220000.00220.00380.9122-
6.7608225000.00250.00340.9170-
6.9111230000.00230.00340.9179-
7.0613235000.0020.00310.9244-
7.2115240000.00190.00300.9250-
7.3618245000.00180.00320.9249-
7.5120250000.00220.00310.9162-
7.6623255000.00190.00300.9266-
7.8125260000.00190.00280.9297-
7.9627265000.00180.00280.9282-
8.1130270000.00150.00250.9324-
8.2632275000.00140.00270.9337-
8.4135280000.00150.00270.9327-
8.5637285000.00160.00270.9313-
8.7139290000.00160.00270.9333-
8.8642295000.00150.00250.9382-
9.0144300000.00140.00250.9375-
9.1647305000.00110.00240.9398-
9.3149310000.00120.00250.9384-
9.4651315000.00140.00250.9383-
9.6154320000.00130.00230.9410-
9.7656325000.00110.00230.9409-
9.9159330000.00120.00210.9432-
10.0661335000.00110.00210.9432-
10.2163340000.0010.00210.9442-
10.3666345000.00090.00220.9436-
10.5168350000.0010.00210.9468-
10.6671355000.0010.00200.9471-
10.8173360000.0010.00210.9467-
10.9675365000.00110.00210.9478-
11.1178370000.00080.00200.9493-
11.2680375000.00080.00190.9509-
11.4183380000.00080.00190.9504-
11.5685385000.00080.00190.9512-
11.7188390000.00080.00190.9516-
11.8690395000.00070.00190.9534-
12.0192400000.00070.00180.9539-
12.1695405000.00060.00180.9555-
12.3197410000.00060.00190.9551-
12.4700415000.00070.00190.9550-
12.6202420000.00080.00180.9552-
12.7704425000.00060.00170.9559-
12.9207430000.00060.00170.9568-
13.0709435000.00060.00170.9577-
13.2212440000.00050.00170.9581-
13.3714445000.00060.00170.9586-
13.5216450000.00050.00170.9587-
13.6719455000.00050.00170.9591-
13.8221460000.00060.00160.9600-
13.9724465000.00050.00160.9603-
14.1226470000.00050.00160.9609-
14.2728475000.00050.00160.9612-
14.4231480000.00050.00160.9611-
14.5733485000.00050.00160.9616-
14.7236490000.00040.00150.9625-
14.8738495000.00040.00160.9628-
15.0240500000.00040.00160.9631-
15.1743505000.00040.00160.9632-
15.3245510000.00040.00160.9633-
15.4748515000.00040.00160.9635-
15.625520000.00040.00150.9638-
15.7752525000.00040.00150.9640-
15.9255530000.00040.00150.9641-
16.053248---0.9648

Framework Versions

  • Python: 3.10.12
  • Sentence Transformers: 3.3.1
  • Transformers: 4.47.1
  • PyTorch: 2.2.2+cu121
  • 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
95962a3

0 моделей