paraphrase-multilingual-MiniLM-L12-hu_v1

base_model: sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 language:

• hu library_name: sentence-transformers license: apache-2.0 metrics:
• cosine_accuracy
• dot_accuracy
• manhattan_accuracy
• euclidean_accuracy
• max_accuracy pipeline_tag: sentence-similarity tags:
• sentence-transformers
• sentence-similarity
• feature-extraction
• generated_from_trainer
• dataset_size:857856
• loss:MultipleNegativesRankingLoss widget:
• source_sentence: Emberek várnak a lámpánál kerékpárral. sentences:
  • Az emberek piros lámpánál haladnak.
  • Az emberek a kerékpárjukon vannak.
  • Egy fekete kutya úszik a vízben egy teniszlabdával a szájában
• source_sentence: A kutya a vízben van. sentences:
  • Két férfi takarítja a havat a tetőről, az egyik egy emelőben ül, a másik pedig a tetőn.
  • A macska a vízben van, és dühös.
  • Egy kutya van a vízben, a szájában egy faág.
• source_sentence: A nő feketét visel. sentences:
  • Egy barna kutya fröcsköl, ahogy úszik a vízben.
  • Egy tetoválással rendelkező nő, aki fekete tank tetején néz a földre.
  • 'Egy kékbe öltözött nő intenzív arckifejezéssel üti a teniszlabdát. A képen:'
• source_sentence: Az emberek alszanak. sentences:
  • Három ember beszélget egy városi utcán.
  • A nő fehéret visel.
  • Egy apa és a fia ölelgeti alvás közben.
• source_sentence: Az emberek alszanak. sentences:
  • Egy feketébe öltözött nő cigarettát és bevásárlótáskát tart a kezében, miközben egy idősebb nő átmegy az utcán.
  • Egy csoport ember ül egy nyitott, térszerű területen, mögötte nagy bokrok és egy sor viktoriánus stílusú épület, melyek közül sokat a kép jobb oldalán lévő erős elmosódás tesz kivehetetlenné.
  • Egy apa és a fia ölelgeti alvás közben. model-index:
• name: paraphrase-multilingual-MiniLM-L12-hu-v1 results:
  • task: type: triplet name: Triplet dataset: name: all nli dev type: all-nli-dev metrics:
    • type: cosine_accuracy value: 0.992 name: Cosine Accuracy
    • type: dot_accuracy value: 0.0108 name: Dot Accuracy
    • type: manhattan_accuracy value: 0.9908 name: Manhattan Accuracy
    • type: euclidean_accuracy value: 0.9908 name: Euclidean Accuracy
    • type: max_accuracy value: 0.992 name: Max Accuracy
  • task: type: triplet name: Triplet dataset: name: all nli test type: all-nli-test metrics:
    • type: cosine_accuracy value: 0.9913636363636363 name: Cosine Accuracy
    • type: dot_accuracy value: 0.013939393939393939 name: Dot Accuracy
    • type: manhattan_accuracy value: 0.990909090909091 name: Manhattan Accuracy
    • type: euclidean_accuracy value: 0.9910606060606061 name: Euclidean Accuracy
    • type: max_accuracy value: 0.9913636363636363 name: Max Accuracy

paraphrase-multilingual-MiniLM-L12-v2

This is a sentence-transformers model finetuned from sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 on the train dataset. 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 <!-- at revision ae06c001a2546bef168b9bf8f570ccb1a16aaa27 -->
• Maximum Sequence Length: 128 tokens
• Output Dimensionality: 384 tokens
• Similarity Function: Cosine Similarity
• Training Dataset:
  • train
• Language: hu
• License: apache-2.0

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("karsar/paraphrase-multilingual-MiniLM-L12-hu_v1")
# Run inference
sentences = [
    'Az emberek alszanak.',
    'Egy apa és a fia ölelgeti alvás közben.',
    'Egy csoport ember ül egy nyitott, térszerű területen, mögötte nagy bokrok és egy sor viktoriánus stílusú épület, melyek közül sokat a kép jobb oldalán lévő erős elmosódás tesz kivehetetlenné.',
]
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]

<!-- ### Direct Usage (Transformers) <details><summary>Click to see the direct usage in Transformers</summary> </details> --> <!-- ### Downstream Usage (Sentence Transformers) You can finetune this model on your own dataset. <details><summary>Click to expand</summary> </details> --> <!-- ### Out-of-Scope Use *List how the model may foreseeably be misused and address what users ought not to do with the model.* -->

Evaluation

Metrics

Triplet

• Dataset: all-nli-dev
• Evaluated with <code>TripletEvaluator</code>

Triplet

• Dataset: all-nli-test
• Evaluated with <code>TripletEvaluator</code>

<!-- ## Bias, Risks and Limitations *What are the known or foreseeable issues stemming from this model? You could also flag here known failure cases or weaknesses of the model.* --> <!-- ### Recommendations *What are recommendations with respect to the foreseeable issues? For example, filtering explicit content.* -->

Training Details

Training Dataset

train

• Dataset: train
• Size: 857,856 training samples
• Columns: <code>anchor</code>, <code>positive</code>, and <code>negative</code>
• Approximate statistics based on the first 1000 samples:

  	anchor	positive	negative
  type	string	string	string
  details	<ul><li>min: 7 tokens</li><li>mean: 11.73 tokens</li><li>max: 56 tokens</li></ul>	<ul><li>min: 6 tokens</li><li>mean: 15.24 tokens</li><li>max: 47 tokens</li></ul>	<ul><li>min: 7 tokens</li><li>mean: 16.07 tokens</li><li>max: 53 tokens</li></ul>

• Samples:

  anchor	positive	negative
  <code>Egy lóháton ülő ember átugrik egy lerombolt repülőgép felett.</code>	<code>Egy ember a szabadban, lóháton.</code>	<code>Egy ember egy étteremben van, és omlettet rendel.</code>
  <code>Gyerekek mosolyogva és integetett a kamera</code>	<code>Gyermekek vannak jelen</code>	<code>A gyerekek homlokot rántanak</code>
  <code>Egy fiú ugrál a gördeszkát a közepén egy piros híd.</code>	<code>A fiú gördeszkás trükköt csinál.</code>	<code>A fiú korcsolyázik a járdán.</code>

• Loss: <code>MultipleNegativesRankingLoss</code> with these parameters:

  {
      "scale": 20.0,
      "similarity_fct": "cos_sim"
  }
  

Evaluation Dataset

train

• Dataset: train
• Size: 5,000 evaluation samples
• Columns: <code>anchor</code>, <code>positive</code>, and <code>negative</code>
• Approximate statistics based on the first 1000 samples:

  	anchor	positive	negative
  type	string	string	string
  details	<ul><li>min: 7 tokens</li><li>mean: 11.73 tokens</li><li>max: 56 tokens</li></ul>	<ul><li>min: 6 tokens</li><li>mean: 15.24 tokens</li><li>max: 47 tokens</li></ul>	<ul><li>min: 7 tokens</li><li>mean: 16.07 tokens</li><li>max: 53 tokens</li></ul>

• Samples:

  anchor	positive	negative
  <code>Egy lóháton ülő ember átugrik egy lerombolt repülőgép felett.</code>	<code>Egy ember a szabadban, lóháton.</code>	<code>Egy ember egy étteremben van, és omlettet rendel.</code>
  <code>Gyerekek mosolyogva és integetett a kamera</code>	<code>Gyermekek vannak jelen</code>	<code>A gyerekek homlokot rántanak</code>
  <code>Egy fiú ugrál a gördeszkát a közepén egy piros híd.</code>	<code>A fiú gördeszkás trükköt csinál.</code>	<code>A fiú korcsolyázik a járdán.</code>

• Loss: <code>MultipleNegativesRankingLoss</code> with these parameters:

  {
      "scale": 20.0,
      "similarity_fct": "cos_sim"
  }
  

Training Hyperparameters

Non-Default Hyperparameters

• eval_strategy: steps
• per_device_train_batch_size: 128
• per_device_eval_batch_size: 128
• num_train_epochs: 1
• warmup_ratio: 0.1
• bf16: True
• batch_sampler: no_duplicates

All Hyperparameters

<details><summary>Click to expand</summary>

• overwrite_output_dir: False
• do_predict: False
• eval_strategy: steps
• prediction_loss_only: True
• per_device_train_batch_size: 128
• per_device_eval_batch_size: 128
• 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: 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: False
• hub_always_push: False
• gradient_checkpointing: False
• gradient_checkpointing_kwargs: None
• include_inputs_for_metrics: False
• 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
• eval_use_gather_object: False
• batch_sampler: no_duplicates
• multi_dataset_batch_sampler: proportional

</details>

Training Logs

Framework Versions

• Python: 3.11.8
• Sentence Transformers: 3.1.1
• Transformers: 4.44.0
• PyTorch: 2.3.0.post101
• Accelerate: 0.33.0
• Datasets: 2.18.0
• Tokenizers: 0.19.0

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",
}

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}
}

<!-- ## Glossary *Clearly define terms in order to be accessible across audiences.* --> <!-- ## Model Card Authors *Lists the people who create the model card, providing recognition and accountability for the detailed work that goes into its construction.* --> <!-- ## Model Card Contact *Provides a way for people who have updates to the Model Card, suggestions, or questions, to contact the Model Card authors.* -->

---