/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
303 млн
Архитектура
gemma3_text · dense
Базовая модель
embeddinggemma-300m
Библиотека
sentence-transformers
Опубликована
15 сен 2025

emirati-arabic-gemma-300m-emb

ЭмбеддингиТекст → embedding7 профессий

Эмбеддинг-модель для семантического поиска и сравнения разговорных текстов на эмиратском арабском.

111скачиваний за 30 дней0лайковвеса обновлены15 сен 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

Эмбеддинг-модель на базе Sentence Transformers, дообученная автором yasserrmd на google/embeddinggemma-300m для работы с разговорным эмиратским арабским. Она преобразует предложения и абзацы в плотные векторы размерности 768; сходство между текстами оценивается косинусной мерой. Модель рассчитана на последовательности до 2048 токенов и обучалась на 12 324 парах предложений с функцией потерь MultipleNegativesRankingLoss.

Модель подходит для семантического поиска и сравнения фраз, поиска перефразирований, кластеризации и классификации текстов на эмиратском арабском. Автор описывает оценку на разговорных примерах из повседневных и культурных тем, включая приветствия, семью и еду. По README, модель может переоценивать сходство фраз с противоположным смыслом и менее надёжна на отрицаниях, абстрактных выражениях и тонких эмоциональных различиях. Лицензия в предоставленных данных не указана.

Сценарии применения

  • семантический поиск по арабским диалогам
  • поиск перефразирований в эмиратском диалекте
  • сравнение сходства арабских предложений
  • кластеризация разговорных фраз
  • классификация текстов по эмбеддингам

Ограничения

Модель может ошибочно считать похожими фразы с противоположным смыслом и хуже справляться с отрицаниями, абстрактными выражениями и тонкими эмоциональными различиями. Заявленные оценки в README описаны на более чем 200 парах, но подробные результаты независимого бенчмарка не приведены.

Для каких профессий подходит7

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 google/embeddinggemma-300m

This is a sentence-transformers model finetuned from google/embeddinggemma-300m. 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 Type: Sentence Transformer
  • Base model: google/embeddinggemma-300m
  • Maximum Sequence Length: 2048 tokens
  • Output Dimensionality: 768 dimensions
  • Similarity Function: Cosine Similarity

Model Sources

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 2048, 'do_lower_case': False, 'architecture': 'Gemma3TextModel'})
  (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})
  (2): Dense({'in_features': 768, 'out_features': 3072, 'bias': False, 'activation_function': 'torch.nn.modules.linear.Identity'})
  (3): Dense({'in_features': 3072, 'out_features': 768, 'bias': False, 'activation_function': 'torch.nn.modules.linear.Identity'})
  (4): 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("yasserrmd/emirati-arabic-gemma-300m-emb")
# Run inference
queries = [
    "\u0628\u0643\u0645 \u062a\u0646\u0638\u064a\u0641 \u0627\u0644\u0623\u0630\u0646\u061f",
]
documents = [
    '٥٠ درهم.',
    'نزلته أمس بالليل.',
    'الحمدلله كلهم زينين، يسلمون عليك.',
]
query_embeddings = model.encode_query(queries)
document_embeddings = model.encode_document(documents)
print(query_embeddings.shape, document_embeddings.shape)
# [1, 768] [3, 768]

# Get the similarity scores for the embeddings
similarities = model.similarity(query_embeddings, document_embeddings)
print(similarities)
# tensor([[0.1448, 0.2254, 0.3522]])

Training Details

Training Dataset

Unnamed Dataset

  • Size: 12,324 training samples
  • Columns: sentence_0 and sentence_1
  • Approximate statistics based on the first 1000 samples:
    sentence_0sentence_1
    typestringstring
    detailsmin: 4 tokensmean: 11.73 tokensmax: 64 tokensmin: 4 tokensmean: 14.47 tokensmax: 68 tokens
  • Samples:
    sentence_0sentence_1
    كم عمرك؟٢٧ سنة.
    ما تقدر تنزل أكثر؟لا والله، ما بقى ربح.
    الجولة البحرية فيها وجبة؟نعم، عشاء مفتوح.
  • Loss: MultipleNegativesRankingLoss with these parameters:
    {
        "scale": 20.0,
        "similarity_fct": "cos_sim",
        "gather_across_devices": false
    }
    

Training Hyperparameters

Non-Default Hyperparameters

  • per_device_train_batch_size: 6
  • per_device_eval_batch_size: 6
  • num_train_epochs: 4
  • multi_dataset_batch_sampler: round_robin

All Hyperparameters

  • overwrite_output_dir: False
  • do_predict: False
  • eval_strategy: no
  • prediction_loss_only: True
  • per_device_train_batch_size: 6
  • per_device_eval_batch_size: 6
  • 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
  • num_train_epochs: 4
  • max_steps: -1
  • lr_scheduler_type: linear
  • lr_scheduler_kwargs: {}
  • warmup_ratio: 0.0
  • 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: 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}
  • parallelism_config: None
  • deepspeed: None
  • label_smoothing_factor: 0.0
  • optim: adamw_torch_fused
  • 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
  • hub_revision: None
  • 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: False
  • use_liger_kernel: False
  • liger_kernel_config: None
  • eval_use_gather_object: False
  • average_tokens_across_devices: False
  • prompts: None
  • batch_sampler: batch_sampler
  • multi_dataset_batch_sampler: round_robin
  • router_mapping: {}
  • learning_rate_mapping: {}

Training Logs

EpochStepTraining Loss
0.24345001.0578
0.486910000.7525
0.730315000.5706
0.973720000.4128
0.243425000.4749
0.486930000.5956
0.730335000.5322
0.973740000.476
1.217145000.3686
1.460650000.3213
1.704055000.3192
1.947460000.2964
2.190865000.2151
2.434370000.1891
2.677775000.1668
2.921180000.1669
3.164685000.1
3.408090000.0948
3.651495000.1017
3.8948100000.076

Got it ✅ Since you tested more than 200 pairs, you can make your README section stronger by showing scale + coverage. Here’s an upgraded version you can paste directly:


Evaluation & Benchmark

The model was evaluated on 200+ Emirati Arabic conversational sentence pairs covering greetings, family, culture, food, weather, technology, education, and more.

Strengths

  • Greetings & Social Talk → High similarity (0.78–0.89) for common greetings and check-ins.
  • Family & Daily Life → Strong clustering (0.7–0.88) for expressions about relatives and routine activities.
  • Food & Culture → Accurate embeddings for traditional dishes and cultural references (0.8–0.95).
  • Weather & Environment → Excellent handling of synonyms like “الجو حار” ↔ “الطقس حر” (0.93+).
  • Sports Commentary → Captures natural paraphrases (“اللاعب سجل هدف” ↔ “اللاعب جاب جول” → 0.88).
  • Tech & Code-switching → Handles Arabic-English mix well (“Laptop ما يشتغل” ↔ “اللابتوب خربان”).

Weaknesses

  • Negation & Polarity → Sometimes overestimates similarity between opposites (“بعيد ↔ قريب”).
  • Religious / Abstract Phrases → Inconsistent for Eid, Ramadan, and Quran-related expressions.
  • Subtle Emotions → Good with strong polarity (“غضبان ↔ معصب”), weaker on softer ones (“فرحان ↔ سعيد”).
  • Health/Medical Contexts → Direct matches are fine (“عملية ↔ جراحة”), indirect links less consistent.

Takeaway

Overall, the model shows robust performance on everyday Emirati Arabic dialogue with high reliability on paraphrases and cultural expressions, while edge cases like negation, abstract phrasing, and subtle emotional tone need refinement.

Framework Versions

  • Python: 3.12.11
  • Sentence Transformers: 5.1.0
  • Transformers: 4.56.1
  • PyTorch: 2.8.0+cu128
  • Accelerate: 1.10.1
  • Datasets: 4.0.0
  • Tokenizers: 0.22.0

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
Gemma3TextModel
Ревизия весов
20470eb

0 моделей