/ Модель

Характеристики

Контекст
512 токенов
Параметры
124 млн
Архитектура
bert · dense
Базовая модель
paraphrase-multilingual-MiniLM-L12-v2
Библиотека
sentence-transformers
Опубликована
18 мар 2025

paraphrase-multilingual-miniLM-L12-V2-ocl

ЭмбеддингиТекст → embedding5 профессий

Многоязычная модель эмбеддингов для семантического сопоставления запросов и документов, дообученная для поиска по статистическим таблицам.

122скачиваний за 30 дней0лайковвеса обновлены18 мар 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 SentenceTransformer на архитектуре BERT, дообученная Yahya Abd на наборе statictable-pair-class от sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Она преобразует предложения и абзацы в плотные векторы размерности 384 и предназначена для сравнения семантического сходства, семантического поиска, поиска перефразирований, кластеризации и классификации текста. Особенно подходит для сопоставления запросов с названиями и описаниями статистических таблиц; в README приведены примеры на индонезийском языке и метрики поиска на наборе bps-statictable-ir.

Модель принимает текст и возвращает эмбеддинги; для сравнения в README указана косинусная близость. Базовая модель поддерживает множество языков, а модель имеет ограничение контекста 512 токенов по метаданным; README указывает максимальную длину последовательности 128 токенов. Размер — 124,3 млн параметров. Распространяется в формате safetensors; сведения о лицензии в доступных данных отсутствуют.

Сценарии применения

  • поиск статистических таблиц по запросу на естественном языке
  • ранжирование документов по семантическому сходству с запросом
  • поиск перефразирований и похожих предложений
  • кластеризация текстов по смыслу
  • извлечение эмбеддингов предложений для классификации

Ограничения

Контекст ограничен 512 токенами по метаданным; README задаёт максимальную длину последовательности 128 токенов. Данные не содержат сведений о лицензии.

Для каких профессий подходит5

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 sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2

This is a sentence-transformers model finetuned from sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 on the statictable-pair-class 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': 128, '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/paraphrase-multilingual-miniLM-L12-V2-ocl")
# Run inference
sentences = [
    'DATA HARIAN DEBIT, KETINGGIAN, DAN VOLUME AIR SUNGAI DENGAN DAERAH ALIRAN SUNGAI DI ATAS 100 KM2, TAHUN 2015',
    'Ringkasan Neraca Arus Dana, Triwulan IV, 2009, (Miliar Rupiah)',
    'Ringkasan Neraca Arus Dana, Triwulan III, 2014**), (Miliar Rupiah)',
]
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@10.7948
cosine_accuracy@30.9381
cosine_accuracy@50.9739
cosine_accuracy@100.9935
cosine_precision@10.7948
cosine_precision@30.3518
cosine_precision@50.2404
cosine_precision@100.1485
cosine_recall@10.6249
cosine_recall@30.7494
cosine_recall@50.7882
cosine_recall@100.8352
cosine_ndcg@10.7948
cosine_ndcg@30.7878
cosine_ndcg@50.7923
cosine_ndcg@100.7999
cosine_mrr@10.7948
cosine_mrr@30.861
cosine_mrr@50.8692
cosine_mrr@100.8716
cosine_map@10.7948
cosine_map@30.7436
cosine_map@50.7386
cosine_map@100.7372

Training Details

Training Dataset

statictable-pair-class

  • Dataset: statictable-pair-class at 62bf40d
  • Size: 37,302 training samples
  • Columns: query, doc, and label
  • Approximate statistics based on the first 1000 samples:
    querydoclabel
    typestringstringint
    detailsmin: 5 tokensmean: 20.23 tokensmax: 50 tokensmin: 5 tokensmean: 25.61 tokensmax: 50 tokens0: ~78.10%1: ~21.90%
  • Samples:
    querydoclabel
    BERAPA JUMLAH PENDUDUK 15 TAHUN KE ATAS YANG BEKERJA DI TIAP PROVINSI, MENURUT STATUS PEKERJAAN (2022)?Penduduk Berumur 15 Tahun Ke Atas yang Bekerja Menurut Provinsi dan Status Pekerjaan Utama, 20221
    Budget kesehatan Kemenkeu Ditjen AnggaranPersentase Rumah Tangga yang Menempati Rumah dengan Dinding Terluas Bukan Bambu/lainnya, 1993-20210
    Cek pengeluaran makanan mingguan rata-rata warga Kalsel (2000-2021), bedakan per kelompok pengeluaranPersentase Rumah Tangga Menurut Provinsi dan Fasilitas Tempat Buang Air Besar, 2000-20210
  • Loss: OnlineContrastiveLoss

Evaluation Dataset

statictable-pair-class

  • Dataset: statictable-pair-class at 62bf40d
  • Size: 37,302 evaluation samples
  • Columns: query, doc, and label
  • Approximate statistics based on the first 1000 samples:
    querydoclabel
    typestringstringint
    detailsmin: 8 tokensmean: 20.43 tokensmax: 48 tokensmin: 5 tokensmean: 25.59 tokensmax: 58 tokens0: ~75.40%1: ~24.60%
  • Samples:
    querydoclabel
    Negara tujuan ekspor jewelry 2012-2023Ekspor Barang Perhiasan dan Barang Berharga Menurut Negara Tujuan Utama, 2012-20231
    Jumlah Pns Indonesia Per Masa Kerja Dan Gender 2005Jumlah Pegawai Negeri Sipil Menurut Masa Kerja dan Jenis Kelamin, 2004 - 20231
    Berapa rata-rata pendapatan per orang (setelah pajak) menurut golongan rumah tangga pada tahun 2000?Angka Kematian Bayi/AKB (Infant Mortality Rate/IMR) Hasil Long Form SP2020 Menurut Provinsi/Kabupaten/Kota, 20200
  • Loss: OnlineContrastiveLoss

Training Hyperparameters

Non-Default Hyperparameters

  • eval_strategy: steps
  • per_device_train_batch_size: 64
  • per_device_eval_batch_size: 64
  • 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: 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: 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}
  • 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: 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
00-1.51010.4643
0.19051000.76740.22810.7461
0.38102000.22240.16180.7612
0.57143000.13410.06480.7620
0.76194000.08650.05330.7732
0.95245000.08040.03030.7596
1.14106000.03980.01150.7931
1.33147000.01730.01630.7919
1.52198000.02040.03760.7876
1.71249000.02310.01110.7887
1.902910000.00550.00850.7841
2.091411000.01360.01150.7931
2.281912000.00910.00410.7923
2.472413000.00860.00450.7977
2.662914000.00.00450.7980
2.853315000.00740.00510.7999
  • The bold row denotes the saved checkpoint.

Framework Versions

  • Python: 3.11.11
  • Sentence Transformers: 3.4.1
  • Transformers: 4.48.3
  • PyTorch: 2.6.0+cu124
  • Accelerate: 1.3.0
  • Datasets: 3.4.1
  • 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",
}

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
2d1aacd

0 моделей