File size: 27,647 Bytes
9a98583 28167b5 9a98583 28167b5 9a98583 28167b5 9a98583 28167b5 9a98583 28167b5 9a98583 28167b5 9a98583 28167b5 9a98583 28167b5 9a98583 28167b5 9a98583 28167b5 9a98583 28167b5 9a98583 28167b5 9a98583 28167b5 9a98583 28167b5 9a98583 28167b5 9a98583 28167b5 9a98583 28167b5 9a98583 28167b5 9a98583 |
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 |
---
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:10044
- loss:MultipleNegativesRankingLoss
base_model: sentence-transformers/LaBSE
widget:
- source_sentence: Бу улахан уол туох идэлээх буолуом этэ дии саныыгын? — диир.
sentences:
- 'Тут проходит поперек свежая тропинка: авось кто-нибудь найдет его, если боги
Тангха Джылга. предопределили ему жизнь!»'
- Вот ты, старший сын, как думаешь, в чем твое призвание? — спрашивает.
- 'Опять удача улыбается им: добывают лису, волка, лося.'
- source_sentence: Тыл эппэккэ эрэ ыллахха, сэттээх буолар дииллэр.
sentences:
- Если заберешь, не сказав речь, то тебя ждет возмездие, говорят.
- Тогда Кута Бёгё, зажмурив глаза и отведя наверх его локти, еле-как увернулся и
освободил свою голову.
- Говорят, что старик Мэхээлэ брал с собой Багдана в качестве работника в Верхневилюйск.
- source_sentence: 'Ол кэннэ биирдэ эмиэ ойохторо кэпсэтэллэрин истэр: "Киһи бөҕө
мустан, киһи атаҕа тэпсэн биһиги аастыбыт, туордубут", — дэһэллэр эбит.'
sentences:
- 'Потом снова слушает разговор жен: «Много людей собралось, всё скушали, все растоптали,
а мы изголодались, похудели».'
- 'Как только старик вышел из дома, прибыл человек на белоснежной лошади, ведущий
за собой на поводу черного коня. Он привязал коня на коновязи, взял с собой переметную
суму с пёстрым узором, зашел в дом и спросил: «Ты ли ребенок с молящимися родителями?»,
тогда мальчишка сказал: «Да».'
- Его голос постепенно уменьшался и затем стал совсем не слышимым.
- source_sentence: Онуоха Дьырыбына Дьырылыатта — Бу өлөөрү өһөгөйдөөбүт Өлүү күтүр
өстөөх Хайдах быһыылаах, Ханнык бадахтаах, Дьүһүн баран үскэллээх Дьиҥ-хаан сэбэрэлээх
Илэччи эбитий, — диэн Уллуҥаҕын тиҥилэҕиттэн Төбөтүн оройугар дылы, Өрү-һары өрө
көрөн таһаарбыта - Түбэспэтэх дьүһүннээх, Табыллыбатах дьаһахтаах Аат-дьабын адьырҕата
эбит.
sentences:
- Я считаю, что название озера Далыр возникло именно от этого слова, обозначающего
плотину.
- Досыта-доотвала наевшись, Проход звенящий прорубив, Дорогу счастливую открыв,
Меня благословите-проводите, Умоляю! — сказала.
- Джырыбына Джырылыатта - — Какой он из себя, Обличье какое имеет Этот смерти жаждущий
Злодей страшный, Наружности какой, Вида какого Это чудовище, — думая, С ног до
головы Взглядом прознительным Вверх-вниз разглядывала - Вида неземного, Удела
незавидного, Мира нижнего хищник, оказывается.
- source_sentence: Ол Чайда диэн киһи Өлөөҥҥө эргинэр эбит.
sentences:
- Этот Чайда занимался торговлей в Оленьке.
- Камлание получается по-настоящему страстным, ужасающим.
- Потому их и называют в наших краях людьми с предназначенным видом занятия.
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 = [
'Ол Чайда диэн киһи Өлөөҥҥө эргинэр эбит.',
'Этот Чайда занимался торговлей в Оленьке.',
'Камлание получается по-настоящему страстным, ужасающим.',
]
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: 10,044 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: 6 tokens</li><li>mean: 48.81 tokens</li><li>max: 256 tokens</li></ul> | <ul><li>min: 5 tokens</li><li>mean: 34.94 tokens</li><li>max: 256 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>Кинилэр үс уоллаахтар: Күдэҥ Атах, Бахсыгыр Баатыр, Мадьыҥы Төрөнөй.</code> | <code>У них было трое сыновей: Кюдэнг Атах, Бахсыгыр Баатыр, Маджынгы Тёрёнёй.</code> | <code>1.0</code> |
| <code>Туох да биллибэтэҕэр тоһуурдарын ылан, хоту баран билиҥҥи Далыр нэһилиэгин миэстэтигэр олохсуйан I Үөдүгэйдэри төрүттээбиттэр.</code> | <code>Убедившись, что нет опасности, выходят из засады и направляются на север, обосновываются там на месте нынешнего наслега Далыр и становятся предками I юёдюгяйцев.</code> | <code>1.0</code> |
| <code>Репертуара: «Үскэль Тойон, Үскэль Хатын оҕонньордоох эмээхсин», «Унньукаан оҕонньор, Унньукаан эмээхинэ» (1 үйэлээх), «Иһит үрдүн иһэ төрөөбүт Эбир эмээхин, айах үрдүн аһыы төрүөбүт Эбириэн оҕонньор», «Буор буойунайа, сир сиилинэйэ, кыргыска миинэр кыһыл буулуур аттаах Айыы Субулла буҕатыыр», «Чой муос саалаах, үүдэһиннээх муос котокоон быһыйалаах Оҕо Тоттокоон буҕатыыр» (1 үйэлээх), «Эскэль тый саҕа эбир күөт ыт эньньэлээх Эрэйдээх-буруйдаах Эр Соҕотох», «Күнтэн-ыйтан тутулуктаах, күөкэри дьаҕыл аттаах Күн Эрили баатыр» (2 үйэлээх), «Олоҥхо төрдө Олоҥхолоон Бөҕө», «Хаптаҕайдыыр түөһүгэр хаардаах бугул саҕа хара көмүс чыыннаах-хааннаах Хара Хаан Тойон оҕоньньор», «Икки дьэргэлгэн күлүк аттаах Элэс Баатыр», «Бэс хара тыаны үрдүнэн мэҥкэйэн көстөр бэки сиэр аттаах Бэриэт Бэргэн, хахдаҥ хара тыаны үрдүнэн халыйан көстөр хаарымтах хара аттаах Халбайа Бөҕө, суонда тураҕас аттаах Суотуйалаан Бөҕө», «Хара көмүс мөһүүрэ дайдылаах Үкэрдээн оҕонньор», «Күөнэ көҕөччөр аттаах Нарын Ньургустай диэн...</code> | <code>Репертуар: «Старик со старухой Юскэль Тойон-Господин и Юскэль Хатын-Госпожа», «Старик Уннюкан и старуха Уннюкан» (1 үйэлээх), «Рябая старуха, рожденная пить только верх напитка, и Пестрый старик, рожденный есть только лучшее из еды», «Могучий всей Земли, сильнейший Света Айыы Субулла богатырь на красно-чалом боевом коне», «С костяным луком, с костяным ножиком богатырь Малец Тоттокон» (1-поколенное), «Имеющий с крупного двухгодовалого жеребенка рябого пса приданым Многострадальный Эр Соготох», «С солнцем и луной связанный Кюн Эрили Батыр на коне с темными пятнами на лопатках» (2-поколенное), «Ставший истоком олонхо Олонгхолон Сильный», «На плоской груди с копну сена со снегом высокий чин имеющий старик Хара Хан Тойон-Господин», «Имеющий двух маревоподобных коней Элэс Баатыр», «Выше черного соснового бора Бэриэт Меткий на кауром коне, Видный выше буро-черного леса Халбайа Сильный на черном коне, Суотуйалан Сильный на гнедом коне», «Юкэрдэн Старик со страной, блистающей словно чернёное се...</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`: 12
- `per_device_eval_batch_size`: 12
- `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`: 12
- `per_device_eval_batch_size`: 12
- `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 |
|:------:|:----:|:-------------:|
| 0.0597 | 50 | - |
| 0.1195 | 100 | - |
| 0.1792 | 150 | - |
| 0.2389 | 200 | - |
| 0.2987 | 250 | - |
| 0.3584 | 300 | - |
| 0.4182 | 350 | - |
| 0.4779 | 400 | - |
| 0.5376 | 450 | - |
| 0.5974 | 500 | 0.2378 |
| 0.6571 | 550 | - |
### 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.*
--> |