AlexanderAA/wh_sentence_model_ft

SentenceTransformer

This is a sentence-transformers model trained. 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 Type: Sentence Transformer
• Maximum Sequence Length: 128 tokens
• Output Dimensionality: 384 dimensions
• Similarity Function: Cosine Similarity

Model Sources

• Documentation: Sentence Transformers Documentation
• Repository: Sentence Transformers on GitHub
• Hugging Face: Sentence Transformers on Hugging Face

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 128, 'do_lower_case': False, 'architecture': '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("AlexanderAA/wh_sentence_model_ft")
# Run inference
sentences = [
    'какие именно ордена космодесанта были созданы после Ереси Хоруса?',
    'Астартес Презес — ордены космодесанта , которым поручено охранять области Империума вокруг Ока Ужаса .\nДревний фолиант, известный как « Мифос Ангелика Мортис », упоминает о двадцати орденах космодесанта, созданных после Ереси Хоруса из геносемени примархов , не обратившихся к Хаосу . Первоочередной задачей вновь созданных орденов была определена защита имперских секторов вокруг Ока Ужаса и поддержка в случае необходимости СПО Кадии и сил Инквизиции . Изначально эта группа состояла из 20 орденов; позже один из этих орденов был признан уничтоженным, а ещё два объявлены Экскоммуникат Трайторис .\n\nИЗВЕСТНЫЕ ОРДЕНА [ ]',
    'Ваул был богом-кузнецом, который существовал в пантеоне эльдар , брат Короля-Феникса Азуриана .\n\nИСТОРИЯ [ ]',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 384]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities)
# tensor([[1.0000, 0.6150, 0.0683],
#         [0.6150, 1.0000, 0.2699],
#         [0.0683, 0.2699, 1.0000]])

Evaluation

Metrics

Semantic Similarity

• Dataset: warhammer-test
• Evaluated with EmbeddingSimilarityEvaluator

Metric	Value
pearson_cosine	0.6253
spearman_cosine	0.5966

Training Details

Training Dataset

Unnamed Dataset

• Size: 361,260 training samples
• Columns: sentence_0, sentence_1, and label
• Approximate statistics based on the first 1000 samples:

  	sentence_0	sentence_1	label
  type	string	string	float
  details	min: 8 tokens mean: 18.64 tokens max: 41 tokens	min: 36 tokens mean: 123.93 tokens max: 128 tokens	min: 0.0 mean: 0.33 max: 1.0

• Samples:

  sentence_0	sentence_1	label
  почему большое количество быстро движущихся транспортов сложно остановить перед боем?	Однако уже давно ни одному племени не удаётся стать главным: климат и география мира делают почти невозможной защиту больше одного поселения. Терзающие поверхность песчаные бури могут длиться неделями и способны уничтожить целые крепости, разорвав стены и за мгновения ободрав до костей даже орков. Особенно разрушительны три бесконечных бури, известных оркам как Улг, Бур и Ззук. Эти многокилометровой ширины бури мчатся по поверхности Берина, часто сталкиваются и разрушают всё на своём пути. Орочьи псайкеры, известные как чудилы, испытывают странный интерес к штормам и верят, что в их сердцах крадутся демоны, которые разрывают орков и оставляют странного вида послания.	0.0
  что значит 'смертный приговор, смягчённый до тех пор, пока они были полезны'?	В штрафные легионы попадают гвардейцы, чья высшая мера наказания за преступления была заменена пожизненной службой. Это дикие банды отчаянных головорезов, одна часть которых сошла с ума от ярости, а другая — от раскаяния. Выпущенные из камер смертников из-за своих способностей или животного инстинкта, эти подонки составляют самую несдержанную, яростную и взрывную армию во всей Имперской Гвардии.	0.0
  что символизирует внешний вид врат вечности и какая сила охраняет проход после них?	Врата Вечности — последние ворота в символическое сердце Царства Человечества — Санктум Империалис, самое священное место для людей во всей Галактике. К самим дверям ведёт двухкилометровая широкая дорога, на которой рядами выставлены тысячи развёрнутых знамён самых разных форм и расцветок. Эти древние и потрепанные флаги когда-то принадлежали самым великим и доблестным армиям и героям, которые когда-либо сражались за Человечество — Дорн Непоколебимый, Малкадор Герой , Солар Махарий , и тысячи других флагов полков Имперской Гвардии , орденов Адептус Астартес и линейных флотов . Подобно тому, как верные слуги чтили Императора доблестью и самопожертвованием, так и Он воздаёт им хвалу. В конце этой дороги славы находятся сами Врата — две огромные двери из прочного адамантия и керамита . Внешняя поверхность дверей покрыта сверкающим золотом, на котором вырезано изображение Императора на пике своей славы — с мечом и щитом Он повергает змееподобную тварь, воплощение зла и раздора. Два титана ...	1.0

• 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: 32
• per_device_eval_batch_size: 32
• num_train_epochs: 6
• multi_dataset_batch_sampler: round_robin

All Hyperparameters

Click to expand

• 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: 0.0
• adam_beta1: 0.9
• adam_beta2: 0.999
• adam_epsilon: 1e-08
• max_grad_norm: 1
• num_train_epochs: 6
• 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}
• 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
• 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

Click to expand

Epoch	Step	Training Loss	warhammer-test_spearman_cosine
0.0443	500	0.1603	-
0.0886	1000	0.1627	-
0.1329	1500	0.1596	-
0.1771	2000	0.1627	-
0.2214	2500	0.1612	0.5293
0.2657	3000	0.16	-
0.3100	3500	0.1609	-
0.3543	4000	0.158	-
0.3986	4500	0.1575	-
0.4429	5000	0.156	0.5508
0.0443	500	0.1462	-
0.0886	1000	0.148	-
0.1329	1500	0.1492	-
0.1771	2000	0.1505	-
0.2214	2500	0.1498	0.5457
0.2657	3000	0.1488	-
0.3100	3500	0.1489	-
0.3543	4000	0.1495	-
0.3986	4500	0.1454	-
0.4429	5000	0.1476	0.5637
0.4872	5500	0.147	-
0.5314	6000	0.1462	-
0.5757	6500	0.1447	-
0.6200	7000	0.1459	-
0.6643	7500	0.148	0.5674
0.7086	8000	0.1464	-
0.7529	8500	0.1457	-
0.7972	9000	0.1468	-
0.8415	9500	0.1475	-
0.8857	10000	0.1457	0.5789
0.9300	10500	0.1456	-
0.9743	11000	0.1443	-
1.0	11290	-	0.5856
1.0186	11500	0.1382	-
1.0629	12000	0.1298	-
1.1072	12500	0.1307	0.5780
1.1515	13000	0.127	-
1.1957	13500	0.1277	-
1.2400	14000	0.129	-
1.2843	14500	0.1305	-
1.3286	15000	0.1311	0.5810
1.3729	15500	0.1308	-
1.4172	16000	0.1271	-
1.4615	16500	0.1314	-
1.5058	17000	0.1312	-
1.5500	17500	0.1313	0.5880
1.5943	18000	0.1337	-
1.6386	18500	0.1308	-
1.6829	19000	0.1298	-
1.7272	19500	0.129	-
1.7715	20000	0.1299	0.5890
1.8158	20500	0.13	-
1.8601	21000	0.133	-
1.9043	21500	0.129	-
1.9486	22000	0.1323	-
1.9929	22500	0.1316	0.5925
2.0	22580	-	0.5942
2.0372	23000	0.1168	-
2.0815	23500	0.1181	-
2.1258	24000	0.1173	-
2.1701	24500	0.1173	-
2.2143	25000	0.1163	0.5852
2.2586	25500	0.1173	-
2.3029	26000	0.1186	-
2.3472	26500	0.1188	-
2.3915	27000	0.1171	-
2.4358	27500	0.1161	0.5835
2.4801	28000	0.1176	-
2.5244	28500	0.1161	-
2.5686	29000	0.1197	-
2.6129	29500	0.1185	-
2.6572	30000	0.1186	0.5904
2.7015	30500	0.1198	-
2.7458	31000	0.1189	-
2.7901	31500	0.1189	-
2.8344	32000	0.1205	-
2.8787	32500	0.1186	0.5926
2.9229	33000	0.1166	-
2.9672	33500	0.1192	-
3.0	33870	-	0.5974
3.0115	34000	0.1124	-
3.0558	34500	0.1071	-
3.1001	35000	0.1064	0.5907
3.1444	35500	0.1077	-
3.1887	36000	0.1068	-
3.2329	36500	0.1065	-
3.2772	37000	0.1092	-
3.3215	37500	0.1098	0.5880
3.3658	38000	0.1086	-
3.4101	38500	0.1086	-
3.4544	39000	0.1085	-
3.4987	39500	0.1077	-
3.5430	40000	0.1085	0.5904
3.5872	40500	0.1093	-
3.6315	41000	0.1086	-
3.6758	41500	0.1084	-
3.7201	42000	0.1083	-
3.7644	42500	0.1108	0.5904
3.8087	43000	0.1131	-
3.8530	43500	0.1112	-
3.8973	44000	0.1089	-
3.9415	44500	0.1083	-
3.9858	45000	0.1086	0.5990
4.0	45160	-	0.5993
4.0301	45500	0.1023	-
4.0744	46000	0.0996	-
4.1187	46500	0.1006	-
4.1630	47000	0.0994	-
4.2073	47500	0.0995	0.5943
4.2516	48000	0.1009	-
4.2958	48500	0.1015	-
4.3401	49000	0.1024	-
4.3844	49500	0.1004	-
4.4287	50000	0.1015	0.5929
4.4730	50500	0.1018	-
4.5173	51000	0.1028	-
4.5616	51500	0.1025	-
4.6058	52000	0.1021	-
4.6501	52500	0.1014	0.5972
4.6944	53000	0.1011	-
4.7387	53500	0.1031	-
4.7830	54000	0.1019	-
4.8273	54500	0.1029	-
4.8716	55000	0.1027	0.5964
4.9159	55500	0.1015	-
4.9601	56000	0.1003	-
5.0	56450	-	0.5951
5.0044	56500	0.1017	-
5.0487	57000	0.0958	-
5.0930	57500	0.0958	0.5939
5.1373	58000	0.0941	-
5.1816	58500	0.0945	-
5.2259	59000	0.0981	-
5.2702	59500	0.095	-
5.3144	60000	0.0958	0.5939
5.3587	60500	0.0964	-
5.4030	61000	0.0955	-
5.4473	61500	0.0982	-
5.4916	62000	0.0962	-
5.5359	62500	0.0953	0.5942
5.5802	63000	0.0966	-
5.6244	63500	0.0979	-
5.6687	64000	0.0931	-
5.7130	64500	0.0966	-
5.7573	65000	0.0938	0.5948
5.8016	65500	0.0959	-
5.8459	66000	0.0948	-
5.8902	66500	0.0963	-
5.9345	67000	0.0941	-
5.9787	67500	0.0962	0.5952
6.0	67740	-	0.5952
0.0443	500	0.0975	-
0.0886	1000	0.101	-
0.1329	1500	0.1018	-
0.1771	2000	0.1028	-
0.2214	2500	0.1039	0.5804
0.2657	3000	0.1069	-
0.3100	3500	0.1053	-
0.3543	4000	0.1056	-
0.3986	4500	0.1081	-
0.4429	5000	0.1089	0.5831
0.4872	5500	0.106	-
0.5314	6000	0.1087	-
0.5757	6500	0.1083	-
0.6200	7000	0.1109	-
0.6643	7500	0.1093	0.5903
0.7086	8000	0.1091	-
0.7529	8500	0.1077	-
0.7972	9000	0.1086	-
0.8415	9500	0.1107	-
0.8857	10000	0.1115	0.5928
0.9300	10500	0.1102	-
0.9743	11000	0.1097	-
1.0	11290	-	0.5961
1.0186	11500	0.1048	-
1.0629	12000	0.0948	-
1.1072	12500	0.0954	0.5894
1.1515	13000	0.0991	-
1.1957	13500	0.0971	-
1.2400	14000	0.0998	-
1.2843	14500	0.0975	-
1.3286	15000	0.0961	0.5859
1.3729	15500	0.0998	-
1.4172	16000	0.0986	-
1.4615	16500	0.0985	-
1.5058	17000	0.098	-
1.5500	17500	0.1	0.5844
1.5943	18000	0.0992	-
1.6386	18500	0.1001	-
1.6829	19000	0.1008	-
1.7272	19500	0.0996	-
1.7715	20000	0.1012	0.5909
1.8158	20500	0.1017	-
1.8601	21000	0.1022	-
1.9043	21500	0.1008	-
1.9486	22000	0.101	-
1.9929	22500	0.1021	0.5935
2.0	22580	-	0.5960
2.0372	23000	0.0894	-
2.0815	23500	0.0881	-
2.1258	24000	0.0885	-
2.1701	24500	0.0903	-
2.2143	25000	0.0891	0.5887
2.2586	25500	0.0893	-
2.3029	26000	0.0918	-
2.3472	26500	0.089	-
2.3915	27000	0.0913	-
2.4358	27500	0.0926	0.5897
2.4801	28000	0.091	-
2.5244	28500	0.092	-
2.5686	29000	0.0923	-
2.6129	29500	0.0933	-
2.6572	30000	0.0927	0.5919
2.7015	30500	0.092	-
2.7458	31000	0.095	-
2.7901	31500	0.0914	-
2.8344	32000	0.0932	-
2.8787	32500	0.0929	0.5908
2.9229	33000	0.0922	-
2.9672	33500	0.0929	-
3.0	33870	-	0.5960
3.0115	34000	0.0883	-
3.0558	34500	0.0813	-
3.1001	35000	0.082	0.5914
3.1444	35500	0.0827	-
3.1887	36000	0.0823	-
3.2329	36500	0.0823	-
3.2772	37000	0.0831	-
3.3215	37500	0.0824	0.5873
3.3658	38000	0.084	-
3.4101	38500	0.0836	-
3.4544	39000	0.0851	-
3.4987	39500	0.0859	-
3.5430	40000	0.086	0.5899
3.5872	40500	0.0867	-
3.6315	41000	0.0833	-
3.6758	41500	0.0856	-
3.7201	42000	0.0857	-
3.7644	42500	0.086	0.5909
3.8087	43000	0.0854	-
3.8530	43500	0.0849	-
3.8973	44000	0.0849	-
3.9415	44500	0.0858	-
3.9858	45000	0.0867	0.5949
4.0	45160	-	0.5966

Framework Versions

• Python: 3.10.12
• Sentence Transformers: 5.1.0
• Transformers: 4.55.4
• PyTorch: 2.3.1+cu121
• Accelerate: 1.10.1
• Datasets: 4.0.0
• Tokenizers: 0.21.4

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",
}