File size: 19,804 Bytes
8ce15e1 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 |
---
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:1455347
- loss:MultipleNegativesRankingLoss
base_model: sentence-transformers/LaBSE
widget:
- source_sentence: Ҫак йӗри-тавра хупӑрланӑ хура пӗлӗтлӗ юр капламӗсен хыҫӗнче ҫуртсем
пуррине ӑспа ҫеҫ тавҫӑрса илме пулать, вӗсенчен пӗринче, пиллӗкмӗш урамра, ҫиччӗмӗш
ҫуртра, манӑн Катя тимӗр сухарисене (доктор галечӗсене) эпӗ каланӑ пек камин ҫине
ӑшӑтма хурать.
sentences:
- Лишь фантастическое воображение могло представить, что где-то за этими чёрными
тучами сталкивающегося снега стоят дома и в одном из них, на Пятой линии, семь,
Катя кладёт твёрдые, как железо, галеты на камин, чтобы отогреть их, по моему
совету.
- «Кроткие наследуют землю и насладятся обилием мира», — говорится в Библии.
- '9. Скажи: так говорит Господь Бог: будет ли ей успех?'
- source_sentence: 'Авӑн ҫапнӑ ҫӗрте ӗҫлекен Дуняшка ача-пӑча ҫи-пуҫӗпе аппаланма
пултарайманнине пӗлнӗ май, Ильинична ӳпкевлӗн ыйтрӗ:'
sentences:
- — Да без малого куль пелый.
- 'Зная, что занятая на молотьбе Дуняшка не могла возиться днем с починкой детской
одежды, Ильинична с укором спросила:'
- Сестра обещала попробовать.
- source_sentence: 'Эсамбаев сцена ҫинче тĕрлĕ халӑх ташшисене кӑтартнӑ: «Чабан» (чечен-ингуш,
узбек), «Вӑрҫӑ ҫынĕ» (пушкӑрт), «Ылтӑн турӑ» (ĕнчĕ), ҫаплах де Фальи мусӑкĕпе
ритуал «Ҫулӑм ташшине», «Ла-коррида» (испан), «Урасен ташши» (таджик) тата ур.'
sentences:
- Глубокая тишина, царившая в этом зелёном храме, нарушалась только скрипом колёс
фургона, стуком лошадиных копыт, редкими словами, которыми перебрасывались путешественники,
да криком Айртона, подгонявшего свою ленивую упряжку.
- От неожиданности Васька даже присел.
- 'Исполнил огромное количество самых разнообразных танцев: «Чабан» (чечено-ингушский,
узбекский), «Воин» (башкирский), «Золотой бог» (индийский-бхаратнатьям), «Танец
огня» на музыку М. де Фальи, «Ла-коррида» (испанский), «Танец с ножами» (таджикский),
«Воинственный» (таджикский), «Охотник и орёл» (монгольский), «Павлин» (перуанский),
«Свободу Африке» (африканский), «Бамбука» (колумбийский), «Негритянский танец»,
танцевальные сценки: «Еврейский портняжка», «Автомат», танцевальная новелла «Аве
Мария» на музыку Ф. Шуберта и др.'
- source_sentence: Тепӗр минутранах вӑл бомбӑсем ӳксе мӗн чухлӗ сиен туни ҫинчен телефонпа
штаба пӗлтернӗ те ишӗлсе аннӑ япаласем айӗнче ахлатса, йынӑшса выртакансене хӑтарма
тытӑннӑ.
sentences:
- Через минуту она уже звонила из соседнего дома о размерах бедствия, и сейчас же
бросилась в тьму развалин, откуда слышались крики, стоны, вопли.
- 'Настройка:'
- Этхем велел старшему сыну запрячь лошадь.
- source_sentence: 'Вӑл пӗлет: ҫак карапӑн командирӗ ҫамрӑк моряк, ӗлӗк артековец
пулнӑскер, хӑйне вӗрентсе ӳстернӗ лагере асра тытса халӗ те тав туса саламлать.'
sentences:
- Он уже знал, что кораблем этим командует молодой моряк-командир, сам когда-то
бывший артековец и поныне хранящий благодарную память о лагере.
- И разведчики это поняли.
- До середины недели придется отдавать долги, погружаться в проблемы друзей и близких.
pipeline_tag: sentence-similarity
library_name: sentence-transformers
---
# SentenceTransformer based on sentence-transformers/LaBSE
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [sentence-transformers/LaBSE](https://huggingface.co/sentence-transformers/LaBSE). 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:** [sentence-transformers/LaBSE](https://huggingface.co/sentence-transformers/LaBSE) <!-- at revision 836121a0533e5664b21c7aacc5d22951f2b8b25b -->
- **Maximum Sequence Length:** 256 tokens
- **Output Dimensionality:** 768 dimensions
- **Similarity Function:** Cosine Similarity
<!-- - **Training Dataset:** Unknown -->
<!-- - **Language:** Unknown -->
<!-- - **License:** Unknown -->
### Model Sources
- **Documentation:** [Sentence Transformers Documentation](https://sbert.net)
- **Repository:** [Sentence Transformers on GitHub](https://github.com/UKPLab/sentence-transformers)
- **Hugging Face:** [Sentence Transformers on Hugging Face](https://huggingface.co/models?library=sentence-transformers)
### Full Model Architecture
```
SentenceTransformer(
(0): Transformer({'max_seq_length': 256, 'do_lower_case': False}) with Transformer model: BertModel
(1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, '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': 768, 'bias': True, 'activation_function': 'torch.nn.modules.activation.Tanh'})
(3): 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("sentence_transformers_model_id")
# Run inference
sentences = [
'Вӑл пӗлет: ҫак карапӑн командирӗ ҫамрӑк моряк, ӗлӗк артековец пулнӑскер, хӑйне вӗрентсе ӳстернӗ лагере асра тытса халӗ те тав туса саламлать.',
'Он уже знал, что кораблем этим командует молодой моряк-командир, сам когда-то бывший артековец и поныне хранящий благодарную память о лагере.',
'И разведчики это поняли.',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 768]
# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]
```
<!--
### 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: 1,455,347 training samples
* Columns: <code>sentence_0</code>, <code>sentence_1</code>, and <code>label</code>
* Approximate statistics based on the first 1000 samples:
| | sentence_0 | sentence_1 | label |
|:--------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:--------------------------------------------------------------|
| type | string | string | float |
| details | <ul><li>min: 3 tokens</li><li>mean: 22.57 tokens</li><li>max: 190 tokens</li></ul> | <ul><li>min: 3 tokens</li><li>mean: 22.28 tokens</li><li>max: 207 tokens</li></ul> | <ul><li>min: 1.0</li><li>mean: 1.0</li><li>max: 1.0</li></ul> |
* Samples:
| sentence_0 | sentence_1 | label |
|:----------------------------------------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-----------------|
| <code>Каяссипе каяс марри ҫинчен шухӑшланӑ ҫӗртех Петян каймалла пулнӑ, мӗншӗн тесен ачасем чылай малалла утнӑ ӗнтӗ.</code> | <code>Так что, когда в страшной борьбе с совестью победа осталась все-таки на стороне Пети, а совесть была окончательно раздавлена, оказалось, что мальчики зашли уже довольно далеко.</code> | <code>1.0</code> |
| <code>— Чавсаран? — тӗлӗнчӗ Ван-Конет.</code> | <code>— Локоть? — удивился Ван-Конет.</code> | <code>1.0</code> |
| <code>Юлашкинчен пирӗн гаубицӑсем те ӗҫе тытӑнчӗҫ.</code> | <code>Наконец открыли огонь и наши гаубицы.</code> | <code>1.0</code> |
* Loss: [<code>MultipleNegativesRankingLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters:
```json
{
"scale": 20.0,
"similarity_fct": "cos_sim"
}
```
### Training Hyperparameters
#### Non-Default Hyperparameters
- `eval_strategy`: steps
- `per_device_train_batch_size`: 20
- `per_device_eval_batch_size`: 20
- `num_train_epochs`: 1
- `fp16`: True
- `multi_dataset_batch_sampler`: round_robin
#### All Hyperparameters
<details><summary>Click to expand</summary>
- `overwrite_output_dir`: False
- `do_predict`: False
- `eval_strategy`: steps
- `prediction_loss_only`: True
- `per_device_train_batch_size`: 20
- `per_device_eval_batch_size`: 20
- `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`: 1
- `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`: 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`: 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}
- `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`: False
- `use_liger_kernel`: False
- `eval_use_gather_object`: False
- `average_tokens_across_devices`: False
- `prompts`: None
- `batch_sampler`: batch_sampler
- `multi_dataset_batch_sampler`: round_robin
</details>
### Training Logs
| Epoch | Step | Training Loss |
|:------:|:-----:|:-------------:|
| 0.0069 | 500 | 0.6741 |
| 0.0137 | 1000 | 0.4247 |
| 0.0206 | 1500 | 0.3538 |
| 0.0275 | 2000 | 0.334 |
| 0.0344 | 2500 | 0.3155 |
| 0.0412 | 3000 | 0.2833 |
| 0.0481 | 3500 | 0.2689 |
| 0.0550 | 4000 | 0.2633 |
| 0.0618 | 4500 | 0.2577 |
| 0.0687 | 5000 | 0.2642 |
| 0.0756 | 5500 | 0.2484 |
| 0.0825 | 6000 | 0.237 |
| 0.0893 | 6500 | 0.2225 |
| 0.0962 | 7000 | 0.2359 |
| 0.1031 | 7500 | 0.2266 |
| 0.1099 | 8000 | 0.2222 |
| 0.1168 | 8500 | 0.2136 |
| 0.1237 | 9000 | 0.2236 |
| 0.1306 | 9500 | 0.2149 |
| 0.1374 | 10000 | 0.2199 |
| 0.1443 | 10500 | 0.206 |
| 0.1512 | 11000 | 0.216 |
| 0.1580 | 11500 | 0.2069 |
| 0.1649 | 12000 | 0.1903 |
| 0.1718 | 12500 | 0.1958 |
| 0.1786 | 13000 | 0.2076 |
| 0.1855 | 13500 | 0.2033 |
| 0.1924 | 14000 | 0.1893 |
| 0.1993 | 14500 | 0.2024 |
| 0.2061 | 15000 | 0.1873 |
| 0.2130 | 15500 | 0.1788 |
| 0.2199 | 16000 | 0.1959 |
| 0.2267 | 16500 | 0.1996 |
| 0.2336 | 17000 | 0.183 |
| 0.2405 | 17500 | 0.185 |
| 0.2474 | 18000 | 0.1752 |
| 0.2542 | 18500 | 0.1856 |
| 0.2611 | 19000 | 0.1948 |
| 0.2680 | 19500 | 0.1826 |
| 0.2748 | 20000 | 0.1672 |
| 0.2817 | 20500 | 0.1746 |
| 0.2886 | 21000 | 0.1801 |
| 0.2955 | 21500 | 0.1847 |
| 0.3023 | 22000 | 0.1673 |
| 0.3092 | 22500 | 0.1788 |
| 0.3161 | 23000 | 0.1667 |
| 0.3229 | 23500 | 0.1746 |
### Framework Versions
- Python: 3.12.10
- Sentence Transformers: 4.1.0
- Transformers: 4.51.3
- PyTorch: 2.6.0+cu124
- Accelerate: 1.8.1
- Datasets: 3.6.0
- Tokenizers: 0.21.1
## 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",
}
```
#### MultipleNegativesRankingLoss
```bibtex
@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}
}
```
<!--
## 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.*
--> |