Hugging Face's logo

fdlvaaa
/
all-MiniLM-L6-v2-ru-triplet

Sentence Similarity
sentence-transformers
Safetensors
bert
feature-extraction
Generated from Trainer
dataset_size:20000
loss:TripletLoss
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("fdlvaaa/all-MiniLM-L6-v2-ru-triplet")
# Run inference
sentences = [
    'Данные по статусу эксплуатации и распределению составов по номерам по состоянию на июль 2018 года приведены в таблице: Первые два электропоезда ЭШ2 в конце 2014 года поступили в депо имени Ильича и вскоре были отправлены для проведения опытных поездок на кольцо ВНИИЖТа в Щербинке.',
    'В таблице представлены данные о состоянии эксплуатации и распределении составов по номерам на июль 2018 года: Первые два поезда ЭШ2 были доставлены в депо имени Ильича в конце 2014 года и затем отправлены на кольцо ВНИИЖТа в Щербинке для проведения тестовых поездок.',
    'Данные по статусу эксплуатации и распределению составов по номерам по состоянию на июль 2018 года не указаны в таблице: Первые два электропоезда ЭШ2 в конце 2014 года не были отправлены в депо имени Ильича и не совершали опытных поездок на кольцо ВНИИЖТа в Щербинке.',
]
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,  1.0000, -0.9989],
#         [ 1.0000,  1.0000, -0.9989],
#         [-0.9989, -0.9989,  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: 33 tokens
    • mean: 113.73 tokens
    • max: 256 tokens
    • min: 30 tokens
    • mean: 104.28 tokens
    • max: 256 tokens
    • min: 30 tokens
    • mean: 95.88 tokens
    • max: 256 tokens
  • Samples:
    sentence_0 sentence_1 sentence_2
    Органы следствия не установили, какое именно подразделение должно нести ответственность за совершенное преступление, обвинение в совершении указанных преступлений никому не предъявлялось. Органы следствия не выяснили, какое именно подразделение должно отвечать за совершенное преступление, обвинение в совершении данных преступлений никому не выдвигалось. Органы следствия определили, какое подразделение несет ответственность за совершенное преступление, обвинение в совершении указанных преступлений было предъявлено.
    В 1976 году пришла на киностудию «Союзмультфильм», где в период до 1992, в качестве режиссёра, создала свои основные анимационные фильмы, в частности полнометражный мультфильм (70 минут), включающий в себя, многие виды анимационных технологий «Кошка, которая гуляла сама по себе» (1988). В 1976 году на киностудию «Союзмультфильм» пришла, где в период до 1992 года, как режиссёр, создала свои основные анимационные фильмы, включая полнометражный мультфильм (70 минут), с использованием различных анимационных технологий «Кошка, которая гуляла сама по себе» (1988). В 1976 году она не пришла на киностудию «Союзмультфильм» и не работала над анимационными фильмами, в том числе не создавала полнометражный мультфильм (70 минут) «Кошка, которая гуляла сама по себе» (1988).
    После выпуска альбома в ряде европейских стран его еженедельные продажи стали суммироваться с продажами альбома "The Fame", в то время как в чартах Америки, Канады и Японии можно встретить оба альбома. Еженедельные продажи альбома начали суммироваться с продажами альбома "The Fame" после его выпуска в ряде европейских стран. Несмотря на выпуск альбома в ряде европейских стран, его продажи не изменились и продолжают оставаться незначительными.
  • Loss: TripletLoss with these parameters:
    {
    "distance_metric": "TripletDistanceMetric.EUCLIDEAN",
    "triplet_margin": 5
}

Training Hyperparameters

Non-Default Hyperparameters

  • per_device_train_batch_size: 16
  • per_device_eval_batch_size: 16
  • multi_dataset_batch_sampler: round_robin

All Hyperparameters

Click to expand
  • per_device_train_batch_size: 16
  • 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: 16
  • 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
0.4 500 4.3450
0.8 1000 3.9546
1.2 1500 3.9532
1.6 2000 3.9201
2.0 2500 3.9212
2.4 3000 3.8831
2.8 3500 3.9176

Training Time

  • Training: 19.3 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",
}

TripletLoss 

@misc{hermans2017defense,
    title={In Defense of the Triplet Loss for Person Re-Identification},
    author={Alexander Hermans and Lucas Beyer and Bastian Leibe},
    year={2017},
    eprint={1703.07737},
    archivePrefix={arXiv},
    primaryClass={cs.CV}
}
Downloads last month
43
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 fdlvaaa/all-MiniLM-L6-v2-ru-triplet

Base model

nreimers/MiniLM-L6-H384-uncased
Quantized
sentence-transformers/all-MiniLM-L6-v2
Finetuned
(992)
this model

Papers for fdlvaaa/all-MiniLM-L6-v2-ru-triplet