SentenceTransformer based on sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2
This is a sentence-transformers model finetuned from sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. 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
- Base model: sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2
- 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}) with Transformer model: 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("gmunkhtur/finetuned_paraphrase-multilingual")
# Run inference
sentences = [
'Энэ нийтлэлээс та юу ойлгож авсан бэ?',
'news: Нобелийн уран зохиолын шагналтан Элис Мунро "Чи чинь ингэхэд хэн сэн билээ?" Уран зохиолын Нобелийн шагнал ухаарал төрүүлсэн, энгийн, уянгын\xa0 өгүүллэгүүдэд очлоо. Тэр нь өдөөн хатгалт уу эсвэл хүний ердийн амьдралыг сануулсан хэрэг үү? хэмээн РИА Новости агентлагийн улс төрийн тоймч Дмитрий Косырев бичжээ. Фото: AFP 2013/ Peter Muhly РИА Новости агентлагийн улс төрийн тоймч Дмитрий Косырев Нобелийн уран зохиолын шагналтан болон шагналын хорооны талаар бичжээ. "Чи чинь ингэхэд хэн сэн билээ?"\xa0 Дөнгөж сая 2013 оны уран зохиолын Нобелийн шагналын эзэн болсон Канадын зохиолч эмэгтэй Элис Мунрогийн өгүүллэгийн нэр юм л даа. Зураглалаа номын дэлгүүрээс үргэлжлүүлье. Уран зохиолд хамаатай Нобелийн хорооны мэдээг тэндээс өөр хаанаас авах билээ? Мэдээж, номын дэлгүүрт. Энэ бол дэлхийн аваргын ямар нэгэн тэмцээний шигшээг спорт-бааранд үзэхтэй адил зүйл билээ. Хөөрөл, хүлээлт, ялагчийг зарласны дараах агшин... Тийм зохиолч гэж байхгүй Ингээд, Москвагийн шилдэг хоёр номын дэлгүүрийн нэгээр',
'өнгийн пүүзтэй ямарч өнгийн оймс зохицоно. Пиджакан хослолын доор цагаан өнгийн пүүз өмсөхдөө саарал, хар өнгийн болон саармаг өнгийн оймс өмсвөл илүү зохимжтой. Тод өнгийн өмдөн доор цагаан өнгийн пүүз өмсөхдөө өмднөөсөө илүү тод өнгийн оймсыг өмсөөрэй. Өнгөлөг өнгийн пүүзэнд адилхан өнгийн оймс эсвэл өмсөж буй өмднийхөө өнгөтэй оймс илүү зохино. Ингэхдээ өмднийхөө түрүүг тойгныхоо яс хүртэл нугалж өмсөөрэй. Бүх гутлын оймстой өмсдөг биш бөгөөд зарим нэг гутал оймсгүй өмсвөл илүү гоё харагддаг. \xa0 Slip On Үдээс болон товч байхгүй Slip On гутлыг оймсгүй өмсөхгүйгээр хөлнийхөө ясыг хагадуулж өмсвөл илүү өндөр, зохимжтой харагдуулна. \xa0 Boat Shoes Boat Shoes ч бас оймс өмсөхгүй өмсөөрэй. Дээрээ баантаглаж үдсэн арьсаар хийсэн энэхүү гуталны загвар өөрөө өвөрмөц тул заавал оймс өмсөх шаардлагагүй. Б.СОНИНБИЛЭГ',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 384]
# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]
Evaluation
Metrics
Information Retrieval
- Evaluated with
InformationRetrievalEvaluator
Metric | Value |
---|---|
cosine_accuracy@1 | 0.3078 |
cosine_accuracy@3 | 0.5128 |
cosine_accuracy@5 | 0.6032 |
cosine_accuracy@10 | 0.7329 |
cosine_precision@1 | 0.3078 |
cosine_precision@3 | 0.1709 |
cosine_precision@5 | 0.1206 |
cosine_precision@10 | 0.0733 |
cosine_recall@1 | 0.3078 |
cosine_recall@3 | 0.5128 |
cosine_recall@5 | 0.6032 |
cosine_recall@10 | 0.7329 |
cosine_ndcg@10 | 0.5058 |
cosine_mrr@10 | 0.4349 |
cosine_map@100 | 0.4462 |
Training Details
Training Dataset
Unnamed Dataset
- Size: 19,689 training samples
- Columns:
sentence_0
andsentence_1
- Approximate statistics based on the first 1000 samples:
sentence_0 sentence_1 type string string details - min: 8 tokens
- mean: 17.93 tokens
- max: 43 tokens
- min: 41 tokens
- mean: 124.86 tokens
- max: 128 tokens
- Samples:
sentence_0 sentence_1 "Юрийн галавын үе" киноны амжилтыг юугаар тайлбарлах вэ?
news: Киноны кадраас «Юрийн галавын үе» кино прокатад тавигдсныхаа дараах эхний амралтын өдрөөр хамгийн их орлого оллоо гэж Business Insider хэвлэл мэдээлэв. Хойд Америкт л гэхэд эхний амралтын өдрүүдэд 204,6 сая доллар цуглуулж чадлаа. Гадаад орнуудын үзүүлэлт нь 307,2 сая ам.доллар байв. Нийт кассын орлого 511,8 сая ам.доллар болжээ. Энэхүү үзүүлэлт нь Universal кино компанийн дээд амжилт төдийгүй дэлхийн кино аж үйлдвэрийн томоохон үсрэлт боллоо. Үүнээс өмнө амралтын эхний өдрүүдэд 500 сая долларын босго давсан их мөнгө цуглуулж байсан түүх байхгүй. «Гарри Поттер ба үхлийн тахил: II хэсэг» 483 сая долларын орлого олсноороо хоёрдугаарт явж байна. Universal компанийн дөрөвдүгээр сард гаргасан «Галзуу хурд 7» кино харин эхний амралтын өдрүүдэд 147 сая доллар цуглуулсан юм. Эхний амралтын өдрүүдийн орлого нь кино бизнесийн чухал үзүүлэлт бөгөөд тэр үзүүлэлтээр киноны прокатын хувь заяа шалтгаалдаг. Бэлтгэсэн Ш.МЯГМАР
Энэ киноны амжилт дэлхийн кино үйлдвэрт ямар нөлөө үзүүлэх вэ?
news: Киноны кадраас «Юрийн галавын үе» кино прокатад тавигдсныхаа дараах эхний амралтын өдрөөр хамгийн их орлого оллоо гэж Business Insider хэвлэл мэдээлэв. Хойд Америкт л гэхэд эхний амралтын өдрүүдэд 204,6 сая доллар цуглуулж чадлаа. Гадаад орнуудын үзүүлэлт нь 307,2 сая ам.доллар байв. Нийт кассын орлого 511,8 сая ам.доллар болжээ. Энэхүү үзүүлэлт нь Universal кино компанийн дээд амжилт төдийгүй дэлхийн кино аж үйлдвэрийн томоохон үсрэлт боллоо. Үүнээс өмнө амралтын эхний өдрүүдэд 500 сая долларын босго давсан их мөнгө цуглуулж байсан түүх байхгүй. «Гарри Поттер ба үхлийн тахил: II хэсэг» 483 сая долларын орлого олсноороо хоёрдугаарт явж байна. Universal компанийн дөрөвдүгээр сард гаргасан «Галзуу хурд 7» кино харин эхний амралтын өдрүүдэд 147 сая доллар цуглуулсан юм. Эхний амралтын өдрүүдийн орлого нь кино бизнесийн чухал үзүүлэлт бөгөөд тэр үзүүлэлтээр киноны прокатын хувь заяа шалтгаалдаг. Бэлтгэсэн Ш.МЯГМАР
Киноны эхний амралтын өдрүүдийн орлого яагаад ийм чухал вэ?
news: Киноны кадраас «Юрийн галавын үе» кино прокатад тавигдсныхаа дараах эхний амралтын өдрөөр хамгийн их орлого оллоо гэж Business Insider хэвлэл мэдээлэв. Хойд Америкт л гэхэд эхний амралтын өдрүүдэд 204,6 сая доллар цуглуулж чадлаа. Гадаад орнуудын үзүүлэлт нь 307,2 сая ам.доллар байв. Нийт кассын орлого 511,8 сая ам.доллар болжээ. Энэхүү үзүүлэлт нь Universal кино компанийн дээд амжилт төдийгүй дэлхийн кино аж үйлдвэрийн томоохон үсрэлт боллоо. Үүнээс өмнө амралтын эхний өдрүүдэд 500 сая долларын босго давсан их мөнгө цуглуулж байсан түүх байхгүй. «Гарри Поттер ба үхлийн тахил: II хэсэг» 483 сая долларын орлого олсноороо хоёрдугаарт явж байна. Universal компанийн дөрөвдүгээр сард гаргасан «Галзуу хурд 7» кино харин эхний амралтын өдрүүдэд 147 сая доллар цуглуулсан юм. Эхний амралтын өдрүүдийн орлого нь кино бизнесийн чухал үзүүлэлт бөгөөд тэр үзүүлэлтээр киноны прокатын хувь заяа шалтгаалдаг. Бэлтгэсэн Ш.МЯГМАР
- Loss:
MatryoshkaLoss
with these parameters:{ "loss": "MultipleNegativesRankingLoss", "matryoshka_dims": [ 384, 256, 128, 64, 32 ], "matryoshka_weights": [ 1, 1, 1, 1, 1 ], "n_dims_per_step": -1 }
Training Hyperparameters
Non-Default Hyperparameters
eval_strategy
: stepsper_device_train_batch_size
: 20per_device_eval_batch_size
: 20num_train_epochs
: 5multi_dataset_batch_sampler
: round_robin
All Hyperparameters
Click to expand
overwrite_output_dir
: Falsedo_predict
: Falseeval_strategy
: stepsprediction_loss_only
: Trueper_device_train_batch_size
: 20per_device_eval_batch_size
: 20per_gpu_train_batch_size
: Noneper_gpu_eval_batch_size
: Nonegradient_accumulation_steps
: 1eval_accumulation_steps
: Nonetorch_empty_cache_steps
: Nonelearning_rate
: 5e-05weight_decay
: 0.0adam_beta1
: 0.9adam_beta2
: 0.999adam_epsilon
: 1e-08max_grad_norm
: 1num_train_epochs
: 5max_steps
: -1lr_scheduler_type
: linearlr_scheduler_kwargs
: {}warmup_ratio
: 0.0warmup_steps
: 0log_level
: passivelog_level_replica
: warninglog_on_each_node
: Truelogging_nan_inf_filter
: Truesave_safetensors
: Truesave_on_each_node
: Falsesave_only_model
: Falserestore_callback_states_from_checkpoint
: Falseno_cuda
: Falseuse_cpu
: Falseuse_mps_device
: Falseseed
: 42data_seed
: Nonejit_mode_eval
: Falseuse_ipex
: Falsebf16
: Falsefp16
: Falsefp16_opt_level
: O1half_precision_backend
: autobf16_full_eval
: Falsefp16_full_eval
: Falsetf32
: Nonelocal_rank
: 0ddp_backend
: Nonetpu_num_cores
: Nonetpu_metrics_debug
: Falsedebug
: []dataloader_drop_last
: Falsedataloader_num_workers
: 0dataloader_prefetch_factor
: Nonepast_index
: -1disable_tqdm
: Falseremove_unused_columns
: Truelabel_names
: Noneload_best_model_at_end
: Falseignore_data_skip
: Falsefsdp
: []fsdp_min_num_params
: 0fsdp_config
: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}fsdp_transformer_layer_cls_to_wrap
: Noneaccelerator_config
: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}deepspeed
: Nonelabel_smoothing_factor
: 0.0optim
: adamw_torchoptim_args
: Noneadafactor
: Falsegroup_by_length
: Falselength_column_name
: lengthddp_find_unused_parameters
: Noneddp_bucket_cap_mb
: Noneddp_broadcast_buffers
: Falsedataloader_pin_memory
: Truedataloader_persistent_workers
: Falseskip_memory_metrics
: Trueuse_legacy_prediction_loop
: Falsepush_to_hub
: Falseresume_from_checkpoint
: Nonehub_model_id
: Nonehub_strategy
: every_savehub_private_repo
: Nonehub_always_push
: Falsegradient_checkpointing
: Falsegradient_checkpointing_kwargs
: Noneinclude_inputs_for_metrics
: Falseinclude_for_metrics
: []eval_do_concat_batches
: Truefp16_backend
: autopush_to_hub_model_id
: Nonepush_to_hub_organization
: Nonemp_parameters
:auto_find_batch_size
: Falsefull_determinism
: Falsetorchdynamo
: Noneray_scope
: lastddp_timeout
: 1800torch_compile
: Falsetorch_compile_backend
: Nonetorch_compile_mode
: Nonedispatch_batches
: Nonesplit_batches
: Noneinclude_tokens_per_second
: Falseinclude_num_input_tokens_seen
: Falseneftune_noise_alpha
: Noneoptim_target_modules
: Nonebatch_eval_metrics
: Falseeval_on_start
: Falseuse_liger_kernel
: Falseeval_use_gather_object
: Falseaverage_tokens_across_devices
: Falseprompts
: Nonebatch_sampler
: batch_samplermulti_dataset_batch_sampler
: round_robin
Training Logs
Epoch | Step | Training Loss | cosine_ndcg@10 |
---|---|---|---|
0.0508 | 50 | - | 0.4036 |
0.1015 | 100 | - | 0.4184 |
0.1523 | 150 | - | 0.4351 |
0.2030 | 200 | - | 0.4522 |
0.2538 | 250 | - | 0.4655 |
0.3046 | 300 | - | 0.4765 |
0.3553 | 350 | - | 0.4813 |
0.4061 | 400 | - | 0.4846 |
0.4569 | 450 | - | 0.4891 |
0.5076 | 500 | 9.2182 | 0.4889 |
0.5584 | 550 | - | 0.4849 |
0.6091 | 600 | - | 0.4872 |
0.6599 | 650 | - | 0.4968 |
0.7107 | 700 | - | 0.4918 |
0.7614 | 750 | - | 0.4893 |
0.8122 | 800 | - | 0.4887 |
0.8629 | 850 | - | 0.4872 |
0.9137 | 900 | - | 0.4915 |
0.9645 | 950 | - | 0.4894 |
1.0 | 985 | - | 0.4954 |
1.0152 | 1000 | 5.9875 | 0.4943 |
1.0660 | 1050 | - | 0.4911 |
1.1168 | 1100 | - | 0.4919 |
1.1675 | 1150 | - | 0.4973 |
1.2183 | 1200 | - | 0.4885 |
1.2690 | 1250 | - | 0.4876 |
1.3198 | 1300 | - | 0.4865 |
1.3706 | 1350 | - | 0.4936 |
1.4213 | 1400 | - | 0.4917 |
1.4721 | 1450 | - | 0.4981 |
1.5228 | 1500 | 4.5015 | 0.5006 |
1.5736 | 1550 | - | 0.4925 |
1.6244 | 1600 | - | 0.4956 |
1.6751 | 1650 | - | 0.4944 |
1.7259 | 1700 | - | 0.4978 |
1.7766 | 1750 | - | 0.4936 |
1.8274 | 1800 | - | 0.4967 |
1.8782 | 1850 | - | 0.4946 |
1.9289 | 1900 | - | 0.4971 |
1.9797 | 1950 | - | 0.4933 |
2.0 | 1970 | - | 0.4950 |
2.0305 | 2000 | 4.1506 | 0.4998 |
2.0812 | 2050 | - | 0.4998 |
2.1320 | 2100 | - | 0.4945 |
2.1827 | 2150 | - | 0.4972 |
2.2335 | 2200 | - | 0.4964 |
2.2843 | 2250 | - | 0.4906 |
2.3350 | 2300 | - | 0.4938 |
2.3858 | 2350 | - | 0.4955 |
2.4365 | 2400 | - | 0.4940 |
2.4873 | 2450 | - | 0.4956 |
2.5381 | 2500 | 3.2896 | 0.4964 |
2.5888 | 2550 | - | 0.4965 |
2.6396 | 2600 | - | 0.5000 |
2.6904 | 2650 | - | 0.4979 |
2.7411 | 2700 | - | 0.5002 |
2.7919 | 2750 | - | 0.4992 |
2.8426 | 2800 | - | 0.5000 |
2.8934 | 2850 | - | 0.5001 |
2.9442 | 2900 | - | 0.5058 |
Framework Versions
- Python: 3.10.12
- Sentence Transformers: 3.3.1
- Transformers: 4.47.1
- PyTorch: 2.5.1+cu121
- Accelerate: 1.2.1
- Datasets: 3.2.0
- Tokenizers: 0.21.0
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",
}
MatryoshkaLoss
@misc{kusupati2024matryoshka,
title={Matryoshka Representation Learning},
author={Aditya Kusupati and Gantavya Bhatt and Aniket Rege and Matthew Wallingford and Aditya Sinha and Vivek Ramanujan and William Howard-Snyder and Kaifeng Chen and Sham Kakade and Prateek Jain and Ali Farhadi},
year={2024},
eprint={2205.13147},
archivePrefix={arXiv},
primaryClass={cs.LG}
}
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}
}
- Downloads last month
- 200
This model does not have enough activity to be deployed to Inference API (serverless) yet. Increase its social
visibility and check back later, or deploy to Inference Endpoints (dedicated)
instead.
Model tree for gmunkhtur/finetuned_paraphrase-multilingual
Evaluation results
- Cosine Accuracy@1 on Unknownself-reported0.308
- Cosine Accuracy@3 on Unknownself-reported0.513
- Cosine Accuracy@5 on Unknownself-reported0.603
- Cosine Accuracy@10 on Unknownself-reported0.733
- Cosine Precision@1 on Unknownself-reported0.308
- Cosine Precision@3 on Unknownself-reported0.171
- Cosine Precision@5 on Unknownself-reported0.121
- Cosine Precision@10 on Unknownself-reported0.073
- Cosine Recall@1 on Unknownself-reported0.308
- Cosine Recall@3 on Unknownself-reported0.513