| ---
|
| tags:
|
| - sentence-transformers
|
| - sentence-similarity
|
| - feature-extraction
|
| - generated_from_trainer
|
| - dataset_size:20000
|
| - loss:TripletLoss
|
| base_model: sentence-transformers/all-MiniLM-L6-v2
|
| widget:
|
| - source_sentence: Ната́лья Миха́йловна Семени́хина (16 февраля 1970, Харьков) — российская
|
| журналистка и телеведущая.
|
| sentences:
|
| - В первую очередь нарратор (рассказчик) является обладателем информации о концовке,
|
| и именно благодаря этой способности он существенно отличается от другого участника
|
| рассказа - его 'героя', который, находясь в центре событий, не осведомлен об этом.
|
| - Российская журналистка и телеведущая Ната́лья Миха́йловна Семени́хина родилась
|
| 16 февраля 1970 года в Харькове.
|
| - Ната́лья Миха́йловна Семени́хина не является журналисткой и телеведущей, она из
|
| другой профессии.
|
| - source_sentence: Наиболее известный продукт Zello — одноимённая интернет-рация (программа),
|
| которая разработана Алексеем Гавриловым, ныне техническим директором Zello.
|
| sentences:
|
| - Тина Канделаки и Василий Бровко были генеральными продюсерами, им же принадлежала
|
| уникальная концепция.
|
| - Малоизвестный продукт Zello — непопулярная интернет-рация, которая не вызвала
|
| интерес у пользователей.
|
| - Одноименная интернет-рация Zello, разработанная Алексеем Гавриловым, ныне техническим
|
| директором компании.
|
| - source_sentence: Дэмиен занял 4 место в индивидуальном соревновании среди участников
|
| со всего мира.
|
| sentences:
|
| - 15 февраля 2018 года, в связи с политическим кризисом в стране, Хайлемариам Десалень
|
| заявил в своем телевизионном обращении о своей отставке с поста премьер-министра
|
| и председателя правящей коалиции в Эфиопии.
|
| - Дэмиен не смог попасть в топ-3 в индивидуальном соревновании.
|
| - 4 место в индивидуальном соревновании среди участников со всего мира занял Дэмиен.
|
| - source_sentence: Эта башня, которая обошлась $150 млн, была построена в 2006 году
|
| и вмещает около 2800 сотрудников, в ней 23 этажа и 12 парковочных уровней.
|
| sentences:
|
| - Проработанный мир был похвален обозревателями, особенно устройство Ада было хорошо
|
| продумано.
|
| - Эта башня, построенная в 2006 году за $150 млн, предназначена для проживания около
|
| 2800 сотрудников, в ней 23 этажа и 12 уровней для парковки.
|
| - Эта башня была построена бесплатно в 1990 году и пустует, ни одного сотрудника,
|
| ни одного этажа и ни одного парковочного уровня в ней нет.
|
| - source_sentence: В это время ядро из русского ретраншемента разбило носилки Карла
|
| XII, но сам король не пострадал.
|
| sentences:
|
| - В составе Подпорожского района с 1954 года.
|
| - В это время носилки Карла XII не подверглись никаким повреждениям, хотя ядро из
|
| русского ретраншемента было близко.
|
| - В это время носилки Карла XII были разбиты ядром из русского ретраншемента, но
|
| сам король остался цел.
|
| pipeline_tag: sentence-similarity
|
| library_name: sentence-transformers
|
| ---
|
|
|
| # SentenceTransformer based on sentence-transformers/all-MiniLM-L6-v2
|
|
|
| This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [sentence-transformers/all-MiniLM-L6-v2](https://huggingface.co/sentence-transformers/all-MiniLM-L6-v2). It maps sentences & paragraphs to a 384-dimensional dense vector space and can be used for retrieval.
|
|
|
| ## Model Details
|
|
|
| ### Model Description
|
| - **Model Type:** Sentence Transformer
|
| - **Base model:** [sentence-transformers/all-MiniLM-L6-v2](https://huggingface.co/sentence-transformers/all-MiniLM-L6-v2) <!-- at revision 1110a243fdf4706b3f48f1d95db1a4f5529b4d41 -->
|
| - **Maximum Sequence Length:** 256 tokens
|
| - **Output Dimensionality:** 384 dimensions
|
| - **Similarity Function:** Cosine Similarity
|
| - **Supported Modality:** Text
|
| <!-- - **Training Dataset:** Unknown -->
|
| <!-- - **Language:** Unknown -->
|
| <!-- - **License:** Unknown -->
|
|
|
| ### Model Sources
|
|
|
| - **Documentation:** [Sentence Transformers Documentation](https://sbert.net)
|
| - **Repository:** [Sentence Transformers on GitHub](https://github.com/huggingface/sentence-transformers)
|
| - **Hugging Face:** [Sentence Transformers on Hugging Face](https://huggingface.co/models?library=sentence-transformers)
|
|
|
| ### Full Model Architecture
|
|
|
| ```
|
| SentenceTransformer(
|
| (0): Transformer({'transformer_task': 'feature-extraction', 'modality_config': {'text': {'method': 'forward', 'method_output_name': 'last_hidden_state'}}, 'module_output_name': 'token_embeddings', 'architecture': 'BertModel'})
|
| (1): Pooling({'embedding_dimension': 384, 'pooling_mode': 'mean', 'include_prompt': True})
|
| (2): Normalize({})
|
| )
|
| ```
|
|
|
| ## Usage
|
|
|
| ### Direct Usage (Sentence Transformers)
|
|
|
| First install the Sentence Transformers library:
|
|
|
| ```bash
|
| pip install -U sentence-transformers
|
| ```
|
| Then you can load this model and run inference.
|
| ```python
|
| from sentence_transformers import SentenceTransformer
|
|
|
| # Download from the 🤗 Hub
|
| model = SentenceTransformer("AlucardV/finetuned_model_ver2")
|
| # Run inference
|
| sentences = [
|
| 'В это время ядро из русского ретраншемента разбило носилки Карла XII, но сам король не пострадал.',
|
| 'В это время носилки Карла XII были разбиты ядром из русского ретраншемента, но сам король остался цел.',
|
| 'В это время носилки Карла XII не подверглись никаким повреждениям, хотя ядро из русского ретраншемента было близко.',
|
| ]
|
| 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, -0.9995, 0.9999],
|
| # [-0.9995, 1.0000, -0.9995],
|
| # [ 0.9999, -0.9995, 1.0000]])
|
| ```
|
| <!--
|
| ### Direct Usage (Transformers)
|
|
|
| <details><summary>Click to see the direct usage in Transformers</summary>
|
|
|
| </details>
|
| -->
|
|
|
| <!--
|
| ### Downstream Usage (Sentence Transformers)
|
|
|
| You can finetune this model on your own dataset.
|
|
|
| <details><summary>Click to expand</summary>
|
|
|
| </details>
|
| -->
|
|
|
| <!--
|
| ### Out-of-Scope Use
|
|
|
| *List how the model may foreseeably be misused and address what users ought not to do with the model.*
|
| -->
|
|
|
| <!--
|
| ## Bias, Risks and Limitations
|
|
|
| *What are the known or foreseeable issues stemming from this model? You could also flag here known failure cases or weaknesses of the model.*
|
| -->
|
|
|
| <!--
|
| ### Recommendations
|
|
|
| *What are recommendations with respect to the foreseeable issues? For example, filtering explicit content.*
|
| -->
|
|
|
| ## Training Details
|
|
|
| ### Training Dataset
|
|
|
| #### Unnamed Dataset
|
|
|
| * Size: 20,000 training samples
|
| * Columns: <code>sentence_0</code>, <code>sentence_1</code>, and <code>sentence_2</code>
|
| * Approximate statistics based on the first 100 samples:
|
| | | sentence_0 | sentence_1 | sentence_2 |
|
| |:---------|:-------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|
|
| | type | string | string | string |
|
| | modality | text | text | text |
|
| | details | <ul><li>min: 31 tokens</li><li>mean: 112.28 tokens</li><li>max: 256 tokens</li></ul> | <ul><li>min: 31 tokens</li><li>mean: 104.71 tokens</li><li>max: 256 tokens</li></ul> | <ul><li>min: 31 tokens</li><li>mean: 97.02 tokens</li><li>max: 256 tokens</li></ul> |
|
| * Samples:
|
| | sentence_0 | sentence_1 | sentence_2 |
|
| |:-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
|
| | <code>После окончания Московского среднего технического училища (1918) работал электромехаником в Московском практическом электротехническом институте и одновременно учился там же (окончил в 1921 г. со званием инженера по электрооборудованию фабрик и заводов).</code> | <code>Работая электромехаником в Московском практическом электротехническом институте, после окончания Московского среднего технического училища (1918), он одновременно учился там же и успешно закончил в 1921 году, получив звание инженера по электрооборудованию фабрик и заводов.</code> | <code>Не окончив Московское среднее техническое училище в 1918 году, он не стал электромехаником в Московском практическом электротехническом институте и не учился там же, не закончив обучение в 1921 году со званием инженера по электрооборудованию фабрик и заводов.</code> |
|
| | <code>В течение своей жизни Шарлотта неоднократно отказывалась от замужества, иногда воспринимая брачные предложения серьёзно, иногда относясь к ним с юмором.</code> | <code>Шарлотта неоднократно отклоняла сватовство в течение своей жизни, то серьезно воспринимая брачные предложения, то с улыбкой.</code> | <code>В течение своей жизни Шарлотта всегда радовалась предложениям о замужестве, не принимая их всерьёз, чаще всего смеясь.</code> |
|
| | <code>В 1978 году окончил Уфимский государственный институт искусств (ныне — Уфимская государственная академия искусств имени Загира Исмагилова) по специальности «сольное пение», класс заслуженного деятеля искусств России и Башкортостана, профессора М. Г. Муртазиной.</code> | <code>В 1978 году закончил Уфимский государственный институт искусств (ныне — Уфимская государственная академия искусств имени Загира Исмагилова) по направлению «сольное пение», класса заслуженной артистки России и Башкортостана, профессора Е. П. Ибрагимова.</code> | <code>Не закончил обучение в Уфимском государственном институте искусств, не получив диплома по специальности «сольное пение».</code> |
|
| * Loss: [<code>TripletLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#tripletloss) with these parameters:
|
| ```json
|
| {
|
| "distance_metric": "TripletDistanceMetric.EUCLIDEAN",
|
| "triplet_margin": 5
|
| }
|
| ```
|
|
|
| ### Training Hyperparameters
|
| #### Non-Default Hyperparameters
|
|
|
| - `per_device_train_batch_size`: 32
|
| - `per_device_eval_batch_size`: 32
|
| - `multi_dataset_batch_sampler`: round_robin
|
|
|
| #### All Hyperparameters
|
| <details><summary>Click to expand</summary>
|
|
|
| - `per_device_train_batch_size`: 32
|
| - `num_train_epochs`: 3
|
| - `max_steps`: -1
|
| - `learning_rate`: 5e-05
|
| - `lr_scheduler_type`: linear
|
| - `lr_scheduler_kwargs`: None
|
| - `warmup_steps`: 0
|
| - `optim`: adamw_torch
|
| - `optim_args`: None
|
| - `weight_decay`: 0.0
|
| - `adam_beta1`: 0.9
|
| - `adam_beta2`: 0.999
|
| - `adam_epsilon`: 1e-08
|
| - `optim_target_modules`: None
|
| - `gradient_accumulation_steps`: 1
|
| - `average_tokens_across_devices`: True
|
| - `max_grad_norm`: 1
|
| - `label_smoothing_factor`: 0.0
|
| - `bf16`: False
|
| - `fp16`: False
|
| - `bf16_full_eval`: False
|
| - `fp16_full_eval`: False
|
| - `tf32`: None
|
| - `gradient_checkpointing`: False
|
| - `gradient_checkpointing_kwargs`: None
|
| - `torch_compile`: False
|
| - `torch_compile_backend`: None
|
| - `torch_compile_mode`: None
|
| - `use_liger_kernel`: False
|
| - `liger_kernel_config`: None
|
| - `use_cache`: False
|
| - `neftune_noise_alpha`: None
|
| - `torch_empty_cache_steps`: None
|
| - `auto_find_batch_size`: False
|
| - `log_on_each_node`: True
|
| - `logging_nan_inf_filter`: True
|
| - `include_num_input_tokens_seen`: no
|
| - `log_level`: passive
|
| - `log_level_replica`: warning
|
| - `disable_tqdm`: False
|
| - `project`: huggingface
|
| - `trackio_space_id`: None
|
| - `trackio_bucket_id`: None
|
| - `trackio_static_space_id`: None
|
| - `per_device_eval_batch_size`: 32
|
| - `prediction_loss_only`: True
|
| - `eval_on_start`: False
|
| - `eval_do_concat_batches`: True
|
| - `eval_use_gather_object`: False
|
| - `eval_accumulation_steps`: None
|
| - `include_for_metrics`: []
|
| - `batch_eval_metrics`: False
|
| - `save_only_model`: False
|
| - `save_on_each_node`: False
|
| - `enable_jit_checkpoint`: False
|
| - `push_to_hub`: False
|
| - `hub_private_repo`: None
|
| - `hub_model_id`: None
|
| - `hub_strategy`: every_save
|
| - `hub_always_push`: False
|
| - `hub_revision`: None
|
| - `load_best_model_at_end`: False
|
| - `ignore_data_skip`: False
|
| - `restore_callback_states_from_checkpoint`: False
|
| - `full_determinism`: False
|
| - `seed`: 42
|
| - `data_seed`: None
|
| - `use_cpu`: False
|
| - `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
|
| - `dataloader_drop_last`: False
|
| - `dataloader_num_workers`: 0
|
| - `dataloader_pin_memory`: True
|
| - `dataloader_persistent_workers`: False
|
| - `dataloader_prefetch_factor`: None
|
| - `remove_unused_columns`: True
|
| - `label_names`: None
|
| - `train_sampling_strategy`: random
|
| - `length_column_name`: length
|
| - `ddp_find_unused_parameters`: None
|
| - `ddp_bucket_cap_mb`: None
|
| - `ddp_broadcast_buffers`: False
|
| - `ddp_static_graph`: None
|
| - `ddp_backend`: None
|
| - `ddp_timeout`: 1800
|
| - `fsdp`: None
|
| - `fsdp_config`: None
|
| - `deepspeed`: None
|
| - `debug`: []
|
| - `skip_memory_metrics`: True
|
| - `do_predict`: False
|
| - `resume_from_checkpoint`: None
|
| - `warmup_ratio`: None
|
| - `local_rank`: -1
|
| - `prompts`: None
|
| - `batch_sampler`: batch_sampler
|
| - `multi_dataset_batch_sampler`: round_robin
|
| - `router_mapping`: {}
|
| - `learning_rate_mapping`: {}
|
|
|
| </details>
|
|
|
| ### Training Logs
|
| | Epoch | Step | Training Loss |
|
| |:-----:|:----:|:-------------:|
|
| | 0.8 | 500 | 4.1612 |
|
| | 1.6 | 1000 | 3.9547 |
|
| | 2.4 | 1500 | 3.9096 |
|
|
|
|
|
| ### Training Time
|
| - **Training**: 24.6 minutes
|
|
|
| ### Framework Versions
|
| - Python: 3.12.8
|
| - Sentence Transformers: 5.6.0
|
| - Transformers: 5.13.1
|
| - PyTorch: 2.6.0+cu124
|
| - Accelerate: 1.14.0
|
| - Datasets: 5.0.0
|
| - Tokenizers: 0.22.2
|
|
|
| ## Citation
|
|
|
| ### BibTeX
|
|
|
| #### Sentence Transformers
|
| ```bibtex
|
| @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",
|
| }
|
| ```
|
|
|
| #### TripletLoss
|
| ```bibtex
|
| @misc{hermans2017defense,
|
| title={In Defense of the Triplet Loss for Person Re-Identification},
|
| author={Alexander Hermans and Lucas Beyer and Bastian Leibe},
|
| year={2017},
|
| eprint={1703.07737},
|
| archivePrefix={arXiv},
|
| primaryClass={cs.CV}
|
| }
|
| ```
|
|
|
| <!--
|
| ## Glossary
|
|
|
| *Clearly define terms in order to be accessible across audiences.*
|
| -->
|
|
|
| <!--
|
| ## Model Card Authors
|
|
|
| *Lists the people who create the model card, providing recognition and accountability for the detailed work that goes into its construction.*
|
| -->
|
|
|
| <!--
|
| ## Model Card Contact
|
|
|
| *Provides a way for people who have updates to the Model Card, suggestions, or questions, to contact the Model Card authors.*
|
| --> |
