/ Модель

Характеристики

Контекст
512 токенов
Параметры
125 млн
Архитектура
bert · dense
Библиотека
sentence-transformers
Опубликована
1 мая 2025

bps-custom-tokenizer-paraphrase-multilingual-MiniLM-L12-v2-mnrl-2

ЭмбеддингиТекст → embedding10 профессий

Дообученная мультиязычная Sentence Transformer кодирует тексты в векторы для семантического поиска и оценки сходства.

127скачиваний за 30 дней0лайковвеса обновлены1 мая 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

Это модель Sentence Transformers на базе yahyaabd/bps-custom-tokenizer-paraphrase-multilingual-MiniLM-L12-v2, дообученная разработчиком yahyaabd на наборе statictable-triplets-all. Архитектура основана на BERT и содержит около 124,8 млн параметров. Модель кодирует предложения и абзацы в плотные векторы размерностью 384; максимальная длина входа — 512 токенов. Для сравнения векторов предусмотрена косинусная близость.

Модель предназначена для семантического поиска и сопоставления текстов: поиска похожих фрагментов, подбора перефразировок, кластеризации и использования в качестве признаков для классификации текста. Обучающие примеры — запросы и связанные с ними положительные и отрицательные тексты; в README приведены примеры на индонезийском языке. Доступна в формате safetensors, библиотека — sentence-transformers. Условия лицензии в предоставленных данных не указаны.

Сценарии применения

  • поиск релевантных таблиц и текстовых фрагментов по запросу
  • сравнение семантического сходства предложений
  • поиск перефразировок и похожих формулировок
  • кластеризация текстов по смыслу
  • получение векторных признаков для классификации текстов

Ограничения

Максимальная длина входа составляет 512 токенов. В предоставленных материалах не указаны лицензия и конкретный перечень поддерживаемых языков.

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 yahyaabd/bps-custom-tokenizer-paraphrase-multilingual-MiniLM-L12-v2

This is a sentence-transformers model finetuned from yahyaabd/bps-custom-tokenizer-paraphrase-multilingual-MiniLM-L12-v2 on the statictable-triplets-all dataset. It maps sentences & paragraphs to a 384-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': 512, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 384, '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/bps-custom-tokenizer-paraphrase-multilingual-MiniLM-L12-v2-mnrl-2")
# Run inference
sentences = [
    'Informasi lengkap dan terbaru mengenai statistik edukasi',
    'Statistik Pendidikan Tahunan',
    'Struktur Ongkos Riil Usaha Ternak dan Unggas di Rumah Tangga dengan Pola Pemeliharaan Dikandangkan, 2017',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 384]

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

Evaluation

Metrics

Information Retrieval

MetricValue
cosine_accuracy@10.8599
cosine_accuracy@50.9805
cosine_accuracy@100.987
cosine_precision@10.8599
cosine_precision@50.2326
cosine_precision@100.1391
cosine_recall@10.6663
cosine_recall@50.7919
cosine_recall@100.8157
cosine_ndcg@10.8599
cosine_ndcg@50.8115
cosine_ndcg@100.8116
cosine_mrr@10.8599
cosine_mrr@50.9119
cosine_mrr@100.9128
cosine_map@10.8599
cosine_map@50.7617
cosine_map@100.7558

Training Details

Training Dataset

statictable-triplets-all

  • Dataset: statictable-triplets-all at 0ef226c
  • Size: 10,998 training samples
  • Columns: query, positive, and negative
  • Approximate statistics based on the first 1000 samples:
    querypositivenegative
    typestringstringstring
    detailsmin: 6 tokensmean: 17.25 tokensmax: 33 tokensmin: 5 tokensmean: 25.66 tokensmax: 58 tokensmin: 4 tokensmean: 25.64 tokensmax: 58 tokens
  • Samples:
    querypositivenegative
    Neraca arus kas triwulan II 2005 (ringkasan, )Ringkasan Neraca Arus Dana, Triwulan Kedua, 2005, (Miliar Rupiah)Rata-rata Upah/Gaji Bersih Sebulan Buruh/Karyawan/Pegawai Menurut Provinsi dan Jenis Pekerjaan Utama (Rupiah), 2017
    Hasil tangkapan ikan per provinsi, bedakan jenis penangkapan, 2013Produksi Perikanan Tangkap Menurut Provinsi dan Jenis Penangkapan, 2000-2020Ringkasan Neraca Arus Dana, Triwulan II, 2006, (Miliar Rupiah)
    Bagaimana perubahan distribusi pengeluaran?Persentase Perkembangan Distribusi PengeluaranAngka Kematian Bayi/AKB (Infant Mortality Rate/IMR) Menurut Provinsi, 1971-2020
  • Loss: MultipleNegativesRankingLoss with these parameters:
    {
        "scale": 20.0,
        "similarity_fct": "cos_sim"
    }
    

Evaluation Dataset

statictable-triplets-all

  • Dataset: statictable-triplets-all at 0ef226c
  • Size: 10,998 evaluation samples
  • Columns: query, positive, and negative
  • Approximate statistics based on the first 1000 samples:
    querypositivenegative
    typestringstringstring
    detailsmin: 4 tokensmean: 17.25 tokensmax: 34 tokensmin: 4 tokensmean: 25.44 tokensmax: 58 tokensmin: 5 tokensmean: 25.23 tokensmax: 58 tokens
  • Samples:
    querypositivenegative
    Data total penghasilan berbagai golongan rumah tangga setelah dipotong pajak, tahun 2000 (dalam )Jumlah Pendapatan Setelah Pajak Menurut Golongan Rumah Tangga (miliar rupiah), 2000, 2005, dan 2008Indeks Harga Konsumen per Kelompok di 82 Kota 1 (2012=100)
    Bagaimana perkembangan impor barang modal pada tahun 2020Impor Barang Modal, 1996-2023Indeks Harga yang Diterima Petani (It), Indes Harga yang Dibayar Petani (Ib), dan Nilai Tukar Petani Subsektor Hortikultura (NTPH) di Indonesia (2007=100), 2008-2016
    Konsumsi makanan per orang di Kalut: data mingguan, beda kelompok pengeluaran (2018)Rata-rata Konsumsi dan Pengeluaran Perkapita Seminggu Menurut Komoditi Makanan dan Golongan Pengeluaran per Kapita Seminggu di Provinsi Kalimantan Utara, 2018-2023Ekspor Kimia Dasar Organik yang Bersumber dari Hasil Pertanian menurut Negara Tujuan Utama, 2012-2023
  • 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: 32
  • per_device_eval_batch_size: 32
  • weight_decay: 0.01
  • warmup_ratio: 0.1
  • save_on_each_node: True
  • fp16: True
  • dataloader_num_workers: 2
  • load_best_model_at_end: True
  • eval_on_start: 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: 32
  • per_device_eval_batch_size: 32
  • 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: 0.01
  • adam_beta1: 0.9
  • adam_beta2: 0.999
  • adam_epsilon: 1e-08
  • max_grad_norm: 1.0
  • num_train_epochs: 3
  • 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: True
  • 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: 2
  • 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}
  • tp_size: 0
  • 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
  • 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: no_duplicates
  • multi_dataset_batch_sampler: proportional

Training Logs

EpochStepTraining LossValidation Lossbps-statictable-ir_cosine_ndcg@10
00-2.22080.3476
0.0645201.78390.98990.5271
0.1290400.73260.44010.7019
0.1935600.38110.26120.7584
0.2581800.20680.21110.7612
0.32261000.22060.15260.7748
0.38711200.15470.10650.7934
0.45161400.11960.08950.7880
0.51611600.11070.08210.8045
0.58061800.12530.07370.7828
0.64522000.09150.06360.8081
0.70972200.05920.05550.8140
0.77422400.0550.05350.7992
0.83872600.05310.04870.8005
0.90322800.06260.04290.8035
0.96773000.04060.04070.8033
1.03233200.0340.04300.8058
1.09683400.03270.03920.8070
1.16133600.03850.04250.8006
1.22583800.02330.03470.8053
1.29034000.0270.03390.8111
1.35484200.03230.03000.8046
1.41944400.03080.02620.8126
1.48394600.03430.02770.7961
1.54844800.01920.02320.8080
1.61295000.02480.02480.8057
1.67745200.01780.02500.8062
1.74195400.01580.02280.8096
1.80655600.01710.02330.8073
1.87105800.02040.02180.8178
1.93556000.02610.02140.8204
2.06200.01320.02150.8166
2.06456400.01740.01890.8169
2.12906600.00950.01850.8202
2.19356800.01860.01730.8173
2.25817000.02410.01680.8174
2.32267200.01520.01580.8163
2.38717400.01970.01580.8128
2.45167600.01190.01560.8122
2.51617800.01280.01510.8118
2.58068000.01620.01480.8114
2.64528200.0110.01430.8117
2.70978400.00980.01380.8128
2.77428600.00920.01350.8111
2.83878800.01020.01270.8109
2.90329000.01180.01260.8115
2.96779200.01280.01260.8116
  • The bold row denotes the saved checkpoint.

Framework Versions

  • Python: 3.11.12
  • Sentence Transformers: 3.4.0
  • Transformers: 4.51.3
  • PyTorch: 2.6.0+cu124
  • Accelerate: 1.6.0
  • Datasets: 3.2.0
  • Tokenizers: 0.21.1

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",
}

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
da52d96

0 моделей