--- tags: - sentence-transformers - sentence-similarity - feature-extraction - generated_from_trainer - dataset_size:3072899 - loss:MSELoss widget: - source_sentence: That means you can see that disc 80 feet down. sentences: - >- Он также сказал, что наводнение, идущее вниз по течению в приходе Ассеншен, является угрозой, так как эти вздувшиеся реки будут медленно стекать в озеро Морпа. «В киберфутбол играют десятки миллионов людей по всему континенту, и мы рады дать шанс участникам состязания из наших национальных ассоциаций представлять свою страну на самом высоком уровне», – заявил директор по маркетингу УЕФА Ги-Лоран Эпстейн. - >- Компания Нортэма также заменяет замки в домах и машинах на совместимые с чипом по цене в 300 фунтов за один замок. - Это значит, что диск можно увидеть на глубине 80 футов. - source_sentence: >- There, you can also take baths in wine, pearls, iodine-bromine, selenium, and sage-liquorice, depending on what the doctor prescribes for you. sentences: - >- Организация даже учредила первый и единственный заповедник летучих мышей в поместье Трив в Дамфрис-энд-Галловей, который является домом для восьми из десяти видов летучих мышей в Шотландии. - >- Вместе мы гораздо сильнее, чем по отдельности. Экспертный звуковой анализ всех записей установит частоту криков летучих мышей, а также какой вид что делает. - >- Там можно принимать также ванны винные, жемчужные, йодобромные, селеновые, шалфейно-лакричные, в зависимости от того, что вам назначит врача. - source_sentence: But on Pine Ridge, I will always be what is called "wasichu." sentences: - >- И я много думал о том, как это может быть применимо к разным уровням реальности, скажем, в плане экологии. - я всегда буду тем, кого называют ващичу, - >- Так что если мы можем сделать это, то мы можем высвободить ресурсы для закупки лекарств, которые действительно нужны для лечения СПИДа, и ВИЧ, и малярии, и для предотвращения птичьего гриппа. Спасибо. - source_sentence: And Bertie County is no exception to this. sentences: - И округ Берти - не исключение. - >- Кажется, в природе существует закон о том, что подходить слишком близко к месту, откуда ты произошел, опасно. - Они устали от договоренностей. Они устали от священных холмов. - source_sentence: Transparency is absolutely critical to this. sentences: - >- Первая: непреклонность местных лидеров к установлению чего-либо меньшего, чем их максимальные требования. - Прозрачность - абсолютно критична в этом процессе. - Мы покупаем его нашим детям. pipeline_tag: sentence-similarity library_name: sentence-transformers metrics: - negative_mse - src2trg_accuracy - trg2src_accuracy - mean_accuracy model-index: - name: SentenceTransformer results: - task: type: knowledge-distillation name: Knowledge Distillation dataset: name: small content type: small_content metrics: - type: negative_mse value: -4.356895923614502 name: Negative Mse - task: type: translation name: Translation dataset: name: small content type: small_content metrics: - type: src2trg_accuracy value: 0.7375 name: Src2Trg Accuracy - type: trg2src_accuracy value: 0.665 name: Trg2Src Accuracy - type: mean_accuracy value: 0.70125 name: Mean Accuracy - task: type: knowledge-distillation name: Knowledge Distillation dataset: name: big content type: big_content metrics: - type: negative_mse value: -3.541424036026001 name: Negative Mse - task: type: translation name: Translation dataset: name: big content type: big_content metrics: - type: src2trg_accuracy value: 0.8285 name: Src2Trg Accuracy - type: trg2src_accuracy value: 0.668 name: Trg2Src Accuracy - type: mean_accuracy value: 0.7482500000000001 name: Mean Accuracy license: apache-2.0 language: - en - ru base_model: - answerdotai/ModernBERT-base --- # SentenceTransformer This is a [sentence-transformers](https://www.SBERT.net) model trained on the corpus 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 - **Maximum Sequence Length:** 8192 tokens - **Output Dimensionality:** 768 dimensions - **Similarity Function:** Cosine Similarity - **Training Dataset:** - corpus ### 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: ModernBertModel (1): Pooling({'word_embedding_dimension': 768, '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: ```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("whitemouse84/ModernBERT-base-en-ru-v1") # Run inference sentences = [ 'Transparency is absolutely critical to this.', 'Прозрачность - абсолютно критична в этом процессе.', 'Мы покупаем его нашим детям.', ] 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 #### Knowledge Distillation * Datasets: `small_content` and `big_content` * Evaluated with [MSEEvaluator](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.MSEEvaluator) | Metric | small_content | big_content | |:-----------------|:--------------|:------------| | **negative_mse** | **-4.3569** | **-3.5414** | #### Translation * Datasets: `small_content` and `big_content` * Evaluated with [TranslationEvaluator](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.TranslationEvaluator) | Metric | small_content | big_content | |:------------------|:--------------|:------------| | src2trg_accuracy | 0.7375 | 0.8285 | | trg2src_accuracy | 0.665 | 0.668 | | **mean_accuracy** | **0.7013** | **0.7483** | #### Encodechka | Model | STS | PI | NLI | SA | TI | IA | IC | ICX | |:--------------------------|:--------------|:------------|:--------------|:------------|:--------------|:------------|:--------------|:------------| | ModernBERT-base-en-ru-v1 | 0.602 | **0.521** | 0.355 | 0.722 | 0.892 | 0.704 | **0.747** | **0.591** | | ModernBERT-base | 0.498 | 0.239 | 0.358 | 0.643 | 0.786 | 0.623 | 0.593 | 0.104 | | EuroBERT-210m | **0.619** | 0.452 | **0.369** | 0.702 | 0.875 | 0.703 | 0.647 | 0.192 | | xlm-roberta-base | 0.552 | 0.439 | 0.362 | **0.752** | **0.940** | **0.768** | 0.695 | 0.520 | ## Training Details ### Training Dataset #### corpus * Dataset: corpus * Size: 2,000,000 training samples * Columns: english, non_english, and label * Approximate statistics based on the first 1000 samples: | | english | non_english | label | |:--------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-------------------------------------| | type | string | string | list | | details | | | | * Samples: | english | non_english | label | |:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------------------------------------------| | Hence it can be said that Voit is a well-satisfied customer, and completely convinced of the potential offered by Voortman machines for his firm. | В конечном итоге можно утверждать, что компания Voit довольна своим выбором, ведь она имела возможность убедиться в качественных характеристиках оборудования Voortman. | [0.1702279895544052, -0.6711388826370239, -0.5062062740325928, 0.14078450202941895, 0.15188495814800262, ...] | | We want to feel good, we want to be happy, in fact happiness is our birthright. | Мы хотим чувствовать себя хорошо, хотим быть счастливы. | [0.556108295917511, -0.42819586396217346, -0.25372204184532166, 0.099883534014225, 0.7299532294273376, ...] | | In Germany, Arcandor - a major holding company in the mail order, retail and tourism industries that reported €21 billion in 2007 sales - threatens to become the first victim of tighter credit terms. | В Германии Arcandor - ключевая холдинговая компания в сфере посылочной и розничной торговли, а также индустрии туризма, в финансовых отчетах которой за 2007 год значился торговый оборот в размере €21 миллиардов - грозит стать первой жертвой ужесточения условий кредитования. | [-0.27140647172927856, -0.5173773169517517, -0.6571329236030579, 0.21765929460525513, -0.01978394016623497, ...] | * Loss: [MSELoss](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#mseloss) ### Evaluation Datasets #### small_content * Dataset: small_content * Size: 2,000 evaluation samples * Columns: english, non_english, and label * Approximate statistics based on the first 1000 samples: | | english | non_english | label | |:--------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-------------------------------------| | type | string | string | list | | details | | | | * Samples: | english | non_english | label | |:-----------------------------------------------------------------------------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------| | Thank you so much, Chris. | Спасибо, Крис. | [1.0408389568328857, 0.3253674805164337, -0.12651680409908295, 0.45153331756591797, 0.4052223563194275, ...] | | And it's truly a great honor to have the opportunity to come to this stage twice; I'm extremely grateful. | Это огромная честь, получить возможность выйти на эту сцену дважды. Я неимоверно благодарен. | [0.6990637183189392, -0.4462655782699585, -0.5292129516601562, 0.23709823191165924, 0.32307693362236023, ...] | | I have been blown away by this conference, and I want to thank all of you for the many nice comments about what I had to say the other night. | Я в восторге от этой конференции, и я хочу поблагодарить вас всех за благожелательные отзывы о моем позавчерашнем выступлении. | [0.8470447063446045, -0.17461800575256348, -0.7178670167922974, 0.6488378047943115, 0.6101466417312622, ...] | * Loss: [MSELoss](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#mseloss) #### big_content * Dataset: big_content * Size: 2,000 evaluation samples * Columns: english, non_english, and label * Approximate statistics based on the first 1000 samples: | | english | non_english | label | |:--------|:-----------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:-------------------------------------| | type | string | string | list | | details | | | | * Samples: | english | non_english | label | |:------------------------------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------------------------------------------| | India has recorded a surge in COVID-19 cases in the past weeks, with over 45,000 new cases detected every day since July 23. | Индия зафиксировала резкий всплеск случаев заражения COVID-19 за последние недели, с 23 июля каждый день выявляется более 45 000 новых случаев. | [-0.12528948485851288, -0.49428656697273254, -0.07556094229221344, 0.8069225549697876, 0.20946118235588074, ...] | | A bloom the Red Tide extends approximately 130 miles of coastline from northern Pinellas to southern Lee counties. | Цветение Красного Прилива простирается примерно на 130 миль дволь береговой линии от Пинеллас на севере до округа Ли на юге. | [0.027262285351753235, -0.4401558041572571, -0.3353440463542938, 0.11166133731603622, -0.2294958084821701, ...] | | Among those affected by the new rules is Transport Secretary Grant Shapps, who began his holiday in Spain on Saturday. | Среди тех, кого затронули новые правила, оказался министр транспорта Грант Шэппс, у которого в субботу начался отпуск в Испании. | [0.1868007630109787, -0.18781621754169464, -0.48890581727027893, 0.328614205121994, 0.36041054129600525, ...] | * Loss: [MSELoss](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#mseloss) ### Training Hyperparameters #### Non-Default Hyperparameters - `eval_strategy`: steps - `per_device_train_batch_size`: 4 - `per_device_eval_batch_size`: 4 - `gradient_accumulation_steps`: 16 - `learning_rate`: 2e-05 - `num_train_epochs`: 1 - `warmup_ratio`: 0.1 - `bf16`: 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`: 4 - `per_device_eval_batch_size`: 4 - `per_gpu_train_batch_size`: None - `per_gpu_eval_batch_size`: None - `gradient_accumulation_steps`: 16 - `eval_accumulation_steps`: None - `torch_empty_cache_steps`: None - `learning_rate`: 2e-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`: True - `fp16`: False - `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} - `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 - `dispatch_batches`: None - `split_batches`: 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
### Framework Versions - Python: 3.13.2 - Sentence Transformers: 3.4.1 - Transformers: 4.49.0 - PyTorch: 2.6.0+cu126 - Accelerate: 1.4.0 - Datasets: 3.3.2 - Tokenizers: 0.21.0 ## 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", } ``` #### MSELoss ```bibtex @inproceedings{reimers-2020-multilingual-sentence-bert, title = "Making Monolingual Sentence Embeddings Multilingual using Knowledge Distillation", author = "Reimers, Nils and Gurevych, Iryna", booktitle = "Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing", month = "11", year = "2020", publisher = "Association for Computational Linguistics", url = "https://arxiv.org/abs/2004.09813", } ```