Hugging Face's logo

VladimirRH
/
all-MiniLM-L6-v2-ru-mnrl

Sentence Similarity
sentence-transformers
Safetensors
bert
feature-extraction
Generated from Trainer
dataset_size:20000
loss:MultipleNegativesRankingLoss
text-embeddings-inference
Model card Files
xet
 Community

SentenceTransformer based on sentence-transformers/all-MiniLM-L6-v2

This is a sentence-transformers model finetuned from sentence-transformers/all-MiniLM-L6-v2. It maps sentences & paragraphs to a 384-dimensional dense vector space and can be used for retrieval.

Model Details

Model Description

  • Model Type: Sentence Transformer
  • Base model: sentence-transformers/all-MiniLM-L6-v2
  • Maximum Sequence Length: 256 tokens
  • Output Dimensionality: 384 dimensions
  • Similarity Function: Cosine Similarity
  • Supported Modality: Text

Model Sources

Full Model Architecture 

SentenceTransformer(
  (0): Transformer({'transformer_task': 'feature-extraction', 'modality_config': {'text': {'method': 'forward', 'method_output_name': 'last_hidden_state'}}, 'module_output_name': 'token_embeddings', 'architecture': 'BertModel'})
  (1): Pooling({'embedding_dimension': 384, 'pooling_mode': 'mean', 'include_prompt': True})
  (2): Normalize({})
)

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("VladimirRH/all-MiniLM-L6-v2-ru-mnrl")
# Run inference
sentences = [
    'Их повезли в панамскую тюрьму, где пытками собирались выбить из них признание.',
    'В панамскую тюрьму их доставили, где с помощью пыток пытались добиться признания от них.',
    'Их отвезли в роскошный отель, где заботились о их комфорте и благополучии.',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 384]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities)
# tensor([[1.0000, 0.7170, 0.1023],
#         [0.7170, 1.0000, 0.2473],
#         [0.1023, 0.2473, 1.0000]])

Training Details

Training Dataset

Unnamed Dataset

  • Size: 20,000 training samples
  • Columns: sentence_0, sentence_1, and sentence_2
  • Approximate statistics based on the first 100 samples:
    sentence_0 sentence_1 sentence_2
    type string string string
    modality text text text
    details
    • min: 28 tokens
    • mean: 110.31 tokens
    • max: 256 tokens
    • min: 20 tokens
    • mean: 103.68 tokens
    • max: 256 tokens
    • min: 20 tokens
    • mean: 97.94 tokens
    • max: 256 tokens
  • Samples:
    sentence_0 sentence_1 sentence_2
    Участник Великой Отечественной войны, командир звена 158-го истребительного авиационного полка (39-я истребительная авиационная дивизия, Северный фронт) — Здоровцев С. И. отличился, прикрывая в составе полка воздушные подходы к Ленинграду в районе Пскова. Здоровцев С. И., участник Великой Отечественной войны, командир звена 158-го истребительного авиационного полка (39-я истребительная авиационная дивизия, Северный фронт), проявил себя, защищая воздушные подходы к Ленинграду в районе Пскова. Участник Великой Отечественной войны, командир звена 158-го истребительного авиационного полка (39-я истребительная авиационная дивизия, Северный фронт) — Здоровцев С. И. не проявился, не обеспечивая защиту воздушных подходов к Ленинграду в районе Пскова.
    После службы в армии Дэнни стал учителем математики в школе Коал Хилл, где познакомился с Кларой Освальд, которую в первый же день пригласил на свидание. Дэнни, после службы в армии, начал преподавать математику в школе Коал Хилл и встретил Клару Освальд, которую пригласил на свидание в первый же день. После службы в армии Дэнни решил уйти из школы и больше не преподавать математику, не встречаясь с Кларой Освальд.
    Всего на этом драфте было выбрано 36 баскетболисток, из них 30 из США и по одной из Швеции (Аманда Зауи), Габона (Мими Мунгеди), Словакии (София Грушчакова), Сербии (Драгана Станкович), Боснии и Герцеговины (Марика Гайич) и Нигерии (Промис Амукамара). На этом драфте были отобраны 36 баскетболисток, из которых 30 из США и по одной из Швеции (Аманда Зауи), Габона (Мими Мунгеди), Словакии (София Грушчакова), Сербии (Драгана Станкович), Боснии и Герцеговины (Марика Гайич) и Нигерии (Промис Амукамара). Всего на этом драфте было выбрано только 10 баскетболисток, из них 5 из США и по одной из Швеции (Аманда Зауи), Габона (Мими Мунгеди), Словакии (София Грушчакова), Сербии (Драгана Станкович), Боснии и Герцеговины (Марика Гайич) и Нигерии (Промис Амукамара).
  • Loss: MultipleNegativesRankingLoss with these parameters:
    {
    "scale": 20.0,
    "similarity_fct": "cos_sim",
    "gather_across_devices": false,
    "directions": [
        "query_to_doc"
    ],
    "partition_mode": "joint",
    "hardness_mode": null,
    "hardness_strength": 0.0
}

Training Hyperparameters

Non-Default Hyperparameters

  • per_device_train_batch_size: 32
  • per_device_eval_batch_size: 32
  • multi_dataset_batch_sampler: round_robin

All Hyperparameters

Click to expand
  • per_device_train_batch_size: 32
  • num_train_epochs: 3
  • max_steps: -1
  • learning_rate: 5e-05
  • lr_scheduler_type: linear
  • lr_scheduler_kwargs: None
  • warmup_steps: 0
  • optim: adamw_torch_fused
  • optim_args: None
  • weight_decay: 0.0
  • adam_beta1: 0.9
  • adam_beta2: 0.999
  • adam_epsilon: 1e-08
  • optim_target_modules: None
  • gradient_accumulation_steps: 1
  • average_tokens_across_devices: True
  • max_grad_norm: 1
  • label_smoothing_factor: 0.0
  • bf16: False
  • fp16: False
  • bf16_full_eval: False
  • fp16_full_eval: False
  • tf32: None
  • gradient_checkpointing: False
  • gradient_checkpointing_kwargs: None
  • torch_compile: False
  • torch_compile_backend: None
  • torch_compile_mode: None
  • use_liger_kernel: False
  • liger_kernel_config: None
  • use_cache: False
  • neftune_noise_alpha: None
  • torch_empty_cache_steps: None
  • auto_find_batch_size: False
  • log_on_each_node: True
  • logging_nan_inf_filter: True
  • include_num_input_tokens_seen: no
  • log_level: passive
  • log_level_replica: warning
  • disable_tqdm: False
  • project: huggingface
  • trackio_space_id: None
  • trackio_bucket_id: None
  • trackio_static_space_id: None
  • per_device_eval_batch_size: 32
  • prediction_loss_only: True
  • eval_on_start: False
  • eval_do_concat_batches: True
  • eval_use_gather_object: False
  • eval_accumulation_steps: None
  • include_for_metrics: []
  • batch_eval_metrics: False
  • save_only_model: False
  • save_on_each_node: False
  • enable_jit_checkpoint: False
  • push_to_hub: False
  • hub_private_repo: None
  • hub_model_id: None
  • hub_strategy: every_save
  • hub_always_push: False
  • hub_revision: None
  • load_best_model_at_end: False
  • ignore_data_skip: False
  • restore_callback_states_from_checkpoint: False
  • full_determinism: False
  • seed: 42
  • data_seed: None
  • use_cpu: False
  • accelerator_config: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
  • parallelism_config: None
  • dataloader_drop_last: False
  • dataloader_num_workers: 0
  • dataloader_pin_memory: True
  • dataloader_persistent_workers: False
  • dataloader_prefetch_factor: None
  • remove_unused_columns: True
  • label_names: None
  • train_sampling_strategy: random
  • length_column_name: length
  • ddp_find_unused_parameters: None
  • ddp_bucket_cap_mb: None
  • ddp_broadcast_buffers: False
  • ddp_static_graph: None
  • ddp_backend: None
  • ddp_timeout: 1800
  • fsdp: None
  • fsdp_config: None
  • deepspeed: None
  • debug: []
  • skip_memory_metrics: True
  • do_predict: False
  • resume_from_checkpoint: None
  • warmup_ratio: None
  • local_rank: -1
  • prompts: None
  • batch_sampler: batch_sampler
  • multi_dataset_batch_sampler: round_robin
  • router_mapping: {}
  • learning_rate_mapping: {}

Training Logs

Epoch Step Training Loss
0.8 500 0.3261
1.6 1000 0.2034
2.4 1500 0.1834

Training Time

  • Training: 46.4 minutes

Framework Versions

  • Python: 3.12.13
  • Sentence Transformers: 5.6.0
  • Transformers: 5.13.1
  • PyTorch: 2.11.0+cu128
  • Accelerate: 1.14.0
  • Datasets: 4.0.0
  • Tokenizers: 0.22.2

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",
}

MultipleNegativesRankingLoss 

@misc{oord2019representationlearningcontrastivepredictive,
      title={Representation Learning with Contrastive Predictive Coding},
      author={Aaron van den Oord and Yazhe Li and Oriol Vinyals},
      year={2019},
      eprint={1807.03748},
      archivePrefix={arXiv},
      primaryClass={cs.LG},
      url={https://arxiv.org/abs/1807.03748},
}
Downloads last month
44
Safetensors
Model size
22.7M params
Tensor type
F32
·
Inference Providers NEW
Sentence Similarity
This model isn't deployed by any Inference Provider. 🙋 Ask for provider support

Model tree for VladimirRH/all-MiniLM-L6-v2-ru-mnrl

Base model

nreimers/MiniLM-L6-H384-uncased
Quantized
sentence-transformers/all-MiniLM-L6-v2
Finetuned
(991)
this model

Papers for VladimirRH/all-MiniLM-L6-v2-ru-mnrl