--- tags: - sentence-transformers - sentence-similarity - feature-extraction - generated_from_trainer - dataset_size:100000 - loss:MultipleNegativesRankingLoss base_model: Alibaba-NLP/gte-multilingual-base widget: - source_sentence: (ساندورو) وقف. sentences: - ما الذي يمكن أن يكون رد فعل ذكي وفعال على هجوم أوري الإرهابي؟ - جون) تقدم) - (ساندورو روز) - source_sentence: كيف أصبح مواطناً كندياً؟ sentences: - >- كيف يمكنني أن أصبح مواطناً كندياً؟ هل صحيح أن الإقامة الدائمة تستغرق وقتاً طويلاً جداً؟ - ما هي أفضل أساليب الدراسة للامتحانات والصفوف المتقدمة؟ - ما هو تأثير رئاسة ترامب على كندا؟ - source_sentence: رجلين في ألمانيا يقفزان فوق السكك الحديدية في نفس الوقت بدون قمصان sentences: - إمرأتان تسلقان السور في إيطاليا - هناك رجلين يرتديان ملابس جزئية - هل ستكون رئاسة ترامب جيدة للهند؟ - source_sentence: ما هي الآثار الجانبية طويلة المدى للقهوة؟ sentences: - ما هي بعض الآثار الايجابية والسلبية على المدى الطويل من شرب القهوة؟ - إذا كان الفضاء الخارجي هو فراغ كيف يقيسون درجة الحرارة؟ - كم مرة تشرب القهوة؟ - source_sentence: ما هي قصتك الملهمة التي غيرت حياتك؟ sentences: - ما هي قصصك الفاشلة؟ - ما هي بعض القصص الأكثر إلهاما التي غيرت حياتك؟ - كيف يمكنني كسب 1000 دولار كدخل إضافي في الشهر بالإضافة إلى وظيفتي العادية؟ datasets: - silma-ai/silma-arabic-triplets-dataset-v1.0 pipeline_tag: sentence-similarity library_name: sentence-transformers metrics: - cosine_accuracy model-index: - name: SentenceTransformer based on Alibaba-NLP/gte-multilingual-base results: - task: type: triplet name: Triplet dataset: name: triplet eval type: triplet-eval metrics: - type: cosine_accuracy value: 0.9679625630378723 name: Cosine Accuracy license: apache-2.0 language: - ar --- # SentenceTransformer based on Alibaba-NLP/gte-multilingual-base This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [Alibaba-NLP/gte-multilingual-base](https://huggingface.co/Alibaba-NLP/gte-multilingual-base) on the [silma-arabic-triplets-dataset-v1.0](https://huggingface.co/datasets/silma-ai/silma-arabic-triplets-dataset-v1.0) dataset. 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:** [Alibaba-NLP/gte-multilingual-base](https://huggingface.co/Alibaba-NLP/gte-multilingual-base) - **Maximum Sequence Length:** 8192 tokens - **Output Dimensionality:** 768 dimensions - **Similarity Function:** Cosine Similarity - **Training Dataset:** - [silma-arabic-triplets-dataset-v1.0](https://huggingface.co/datasets/silma-ai/silma-arabic-triplets-dataset-v1.0) ### 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': 8192, 'do_lower_case': False}) with Transformer model: NewModel (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): 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("RamzyBakir/arabic-gte-multilingual-base-100k", trust_remote_code=True) # Run inference sentences = [ 'ما هي قصتك الملهمة التي غيرت حياتك؟', 'ما هي بعض القصص الأكثر إلهاما التي غيرت حياتك؟', 'ما هي قصصك الفاشلة؟', ] 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] ``` ## Evaluation ### Metrics #### Triplet * Dataset: `triplet-eval` * Evaluated with [TripletEvaluator](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.TripletEvaluator) | Metric | Value | |:--------------------|:----------| | **cosine_accuracy** | **0.968** | ## Training Details ### Training Dataset #### silma-arabic-triplets-dataset-v1.0 * Dataset: [silma-arabic-triplets-dataset-v1.0](https://huggingface.co/datasets/silma-ai/silma-arabic-triplets-dataset-v1.0) at [77f8f6b](https://huggingface.co/datasets/silma-ai/silma-arabic-triplets-dataset-v1.0/tree/77f8f6b223049e7e5968929f5d6cdd2320d1a6dc) * Size: 100,000 training samples * Columns: anchor, positive, and negative * Approximate statistics based on the first 1000 samples: | | anchor | positive | negative | |:--------|:---------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------| | type | string | string | string | | details | | | | * Samples: | anchor | positive | negative | |:--------------------------------------------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------| | امرأة شابة ذات شعر أشقر، ترتدي فستاناً رمادياً، وقمصان حمراء، تستمع إلى الموسيقى وهي تسير سريعاً إلى وجهتها. | امرأة شابة تستمع إلى الموسيقى وتمر بسرعة | الرجل يأخذ قيلولة | | لماذا لا تعطي جوجل أي ردود فعل؟ | لماذا لا تشارك جوجل ردود الفعل من المقابلة مع المرشح؟ | ما هي أفضل الأماكن للزيارة في جوا في رحلة لمدة يومين ونصف؟ | | كيف بالضبط سيؤدي إلغاء عملة 500/1000 روبية إلى كبح الأموال السوداء إلى أي مدى؟ | هل سيساعد إلغاء عملة الـ 500 و 1000 روبية في الهند في كبح النقود السوداء؟ أم أن الأغنياء يخزنون أموالهم غير الخاضعة للضريبة؟ | هل ستأتي عملة الـ2000 روبية حقاً بشريحة تحديد المواقع، أم أنها مجرد إشاعة؟ | * Loss: [MultipleNegativesRankingLoss](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters: ```json { "scale": 20.0, "similarity_fct": "cos_sim" } ``` ### Evaluation Dataset #### silma-arabic-triplets-dataset-v1.0 * Dataset: [silma-arabic-triplets-dataset-v1.0](https://huggingface.co/datasets/silma-ai/silma-arabic-triplets-dataset-v1.0) at [77f8f6b](https://huggingface.co/datasets/silma-ai/silma-arabic-triplets-dataset-v1.0/tree/77f8f6b223049e7e5968929f5d6cdd2320d1a6dc) * Size: 11,112 evaluation samples * Columns: anchor, positive, and negative * Approximate statistics based on the first 1000 samples: | | anchor | positive | negative | |:--------|:----------------------------------------------------------------------------------|:---------------------------------------------------------------------------------|:----------------------------------------------------------------------------------| | type | string | string | string | | details | | | | * Samples: | anchor | positive | negative | |:----------------------------------------------------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------|:---------------------------------------------------------------| | نعم لقد كان فقط كما تعلمون لقد كان انها لحظة مناسبة جدا لهم لمحاولة كما تعلمون | يبدو وكأنه وقت مناسب جدا بالنسبة لهم لمحاولة. | أعتقد أنه وقت سيء جداً للمحاولة، ألا تعتقدين ذلك؟ | | هل يمكنك أن توصي بفيلم رعب جيد؟ | هل يمكنك أن توصي ببعض أفلام الرعب الجيدة؟ | ما هو أسلوب فيلم البؤساء؟ | | ما هي التغييرات الحقيقية التي شعرتم بها في حياتكم (ليس من خلال التقارير الإعلامية) ، منذ وصول حكومة مودي إلى السلطة؟ | ما هو التغيير السلبي الذي شعرتم به في حياتكم منذ وصول حكومة مودي إلى السلطة؟ | ما الذي يمكن أن يغير حياتك؟ | * Loss: [MultipleNegativesRankingLoss](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`: 16 - `per_device_eval_batch_size`: 16 - `num_train_epochs`: 1 - `warmup_ratio`: 0.1 - `fp16`: True - `load_best_model_at_end`: True #### All Hyperparameters
Click to expand - `overwrite_output_dir`: False - `do_predict`: False - `eval_strategy`: steps - `prediction_loss_only`: True - `per_device_train_batch_size`: 16 - `per_device_eval_batch_size`: 16 - `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`: 1.0 - `num_train_epochs`: 1 - `max_steps`: -1 - `lr_scheduler_type`: linear - `lr_scheduler_kwargs`: {} - `warmup_ratio`: 0.1 - `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`: True - `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 - `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`: proportional
### Training Logs | Epoch | Step | Training Loss | Validation Loss | triplet-eval_cosine_accuracy | |:--------:|:--------:|:-------------:|:---------------:|:----------------------------:| | 0.16 | 500 | 0.2784 | 0.2127 | 0.9552 | | 0.32 | 1000 | 0.2282 | 0.1903 | 0.9628 | | 0.48 | 1500 | 0.2125 | 0.1787 | 0.9640 | | 0.64 | 2000 | 0.1887 | 0.1678 | 0.9662 | | 0.8 | 2500 | 0.1845 | 0.1616 | 0.9663 | | **0.96** | **3000** | **0.1785** | **0.1582** | **0.968** | * The bold row denotes the saved checkpoint. ### Framework Versions - Python: 3.11.13 - Sentence Transformers: 4.1.0 - Transformers: 4.52.4 - PyTorch: 2.6.0+cu124 - Accelerate: 1.8.1 - Datasets: 3.6.0 - Tokenizers: 0.21.2 ## 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", } ``` #### 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} } ```