You can deploy this model and start earning money today!

Views

No views yet

gte-multilingual-base Matryoshka

Name: gte-multilingual-base-matryoshka
Rating: 2.5 (22 reviews)

This is a sentence-transformers model finetuned from Alibaba-NLP/gte-multilingual-base on the json dataset. It maps sentences & paragraphs to a 768-dimensional dense vector space and can be used for retrieval.

Model Details

Model Description

Model Type: Sentence Transformer
Base model: Alibaba-NLP/gte-multilingual-base
Maximum Sequence Length: 8192 tokens
Output Dimensionality: 768 dimensions
Similarity Function: Cosine Similarity
Supported Modality: Text
Training Dataset:
- json
Language: en
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({'transformer_task': 'feature-extraction', 'modality_config': {'text': {'method': 'forward', 'method_output_name': 'last_hidden_state'}}, 'module_output_name': 'token_embeddings', 'architecture': 'NewModel'})
  (1): Pooling({'embedding_dimension': 768, 'pooling_mode': 'cls', '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.

python

from sentence_transformers import SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("IoannisKat1/gte-multilingual-base-matryoshka")
# Run inference
queries = [
    'Ποιες είναι οι δύο τύποι τροφοδοσίας που αναφέρονται;',
]
documents = [
    '. Ελεγκτές μεταβλητών στροφών και σχεδίαση σειριακού ελεγκτή με εσωτερικό βρόχο ρεύματος: ΑΜ διπλής τροφοδοσίας, ΑΜ ή ΣΜ με διασύνδεση συνεχούς ρεύματος, Γεννήτρια ΑΜ με ηλεκτρονικά μεταβαλλόμενη αντίσταση ρότορα. Έλεγχος πραγματικής και άεργου ισχύος. Έλεγχος βήματος πτερυγίου. Περιβαλλοντικές επιπτώσεις από την εγκατάσταση αιολικών συστημάτων και λοιπών ΑΠΕ. Σύνδεση με το δίκτυο',
    '. Τα υποχρεωτικά είναι συγκεκριμένα βασικά μαθήματα της επιστήμης του Ηλεκτρολόγου Μηχανικού και Μηχανικού Υπολογιστών, τα οποία πρέπει να παρακολουθήσει και εξεταστεί επιτυχώς κάθε φοιτητής. Τα κατ’ επιλογήν υποχρεωτικά είναι μαθήματα εμβάθυνσης σε διάφορους ειδικούς τομείς',
    'Η σελίδα παρουσιάζει τους Τομείς του Τμήματος Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών: Τηλεπικοινωνιών και Τεχνολογίας Πληροφορίας (Τ&ΤΠ), Συστημάτων Ηλεκτρικής Ενέργειας (ΣΗΕ), Ηλεκτρονικής και Υπολογιστών (Η&Υ) και Συστήματα και Αυτόματου Ελέγχου (Σ&ΑΕ)',
]
query_embeddings = model.encode_query(queries)
document_embeddings = model.encode_document(documents)
print(query_embeddings.shape, document_embeddings.shape)
# [1, 768] [3, 768]

# Get the similarity scores for the embeddings
similarities = model.similarity(query_embeddings, document_embeddings)
print(similarities)
# tensor([[0.3604, 0.1620, 0.0892]])

Evaluation

Metrics

Information Retrieval

Dataset: dim_768
Evaluated with InformationRetrievalEvaluator with these parameters:
json
1{ 2 "truncate_dim": 768 3}

Metric	Value
cosine_accuracy@1	0.5095
cosine_accuracy@3	0.5411
cosine_accuracy@5	0.6253
cosine_accuracy@10	0.7032
cosine_precision@1	0.5095
cosine_precision@3	0.5158
cosine_precision@5	0.4143
cosine_precision@10	0.2463
cosine_recall@1	0.1453
cosine_recall@3	0.4319
cosine_recall@5	0.5709
cosine_recall@10	0.6804
cosine_ndcg@10	0.6009
cosine_mrr@10	0.5506
cosine_map@100	0.597

Information Retrieval

Dataset: dim_512
Evaluated with InformationRetrievalEvaluator with these parameters:
json
1{ 2 "truncate_dim": 512 3}

Metric	Value
cosine_accuracy@1	0.4989
cosine_accuracy@3	0.52
cosine_accuracy@5	0.6126
cosine_accuracy@10	0.6926
cosine_precision@1	0.4989
cosine_precision@3	0.4982
cosine_precision@5	0.4013
cosine_precision@10	0.2444
cosine_recall@1	0.1446
cosine_recall@3	0.4189
cosine_recall@5	0.5504
cosine_recall@10	0.6714
cosine_ndcg@10	0.5908
cosine_mrr@10	0.5379
cosine_map@100	0.5857

Information Retrieval

Dataset: dim_256
Evaluated with InformationRetrievalEvaluator with these parameters:
json
1{ 2 "truncate_dim": 256 3}

Metric	Value
cosine_accuracy@1	0.4926
cosine_accuracy@3	0.5116
cosine_accuracy@5	0.6021
cosine_accuracy@10	0.6779
cosine_precision@1	0.4926
cosine_precision@3	0.4912
cosine_precision@5	0.3933
cosine_precision@10	0.2383
cosine_recall@1	0.1433
cosine_recall@3	0.413
cosine_recall@5	0.5409
cosine_recall@10	0.6595
cosine_ndcg@10	0.5805
cosine_mrr@10	0.5301
cosine_map@100	0.5747

Information Retrieval

Dataset: dim_128
Evaluated with InformationRetrievalEvaluator with these parameters:
json
1{ 2 "truncate_dim": 128 3}

Metric	Value
cosine_accuracy@1	0.4463
cosine_accuracy@3	0.4674
cosine_accuracy@5	0.5495
cosine_accuracy@10	0.6253
cosine_precision@1	0.4463
cosine_precision@3	0.4428
cosine_precision@5	0.3575
cosine_precision@10	0.2173
cosine_recall@1	0.1305
cosine_recall@3	0.3747
cosine_recall@5	0.496
cosine_recall@10	0.6026
cosine_ndcg@10	0.5285
cosine_mrr@10	0.4817
cosine_map@100	0.5267

Information Retrieval

Dataset: dim_64
Evaluated with InformationRetrievalEvaluator with these parameters:
json
1{ 2 "truncate_dim": 64 3}

Metric	Value
cosine_accuracy@1	0.3958
cosine_accuracy@3	0.4126
cosine_accuracy@5	0.4884
cosine_accuracy@10	0.5474
cosine_precision@1	0.3958
cosine_precision@3	0.3916
cosine_precision@5	0.3166
cosine_precision@10	0.1905
cosine_recall@1	0.1149
cosine_recall@3	0.3326
cosine_recall@5	0.4402
cosine_recall@10	0.5326
cosine_ndcg@10	0.4668
cosine_mrr@10	0.4261
cosine_map@100	0.4693

Training Details

Training Dataset

json

Dataset: json
Size: 4,268 training samples
Columns: anchor and positive
Approximate statistics based on the first 100 samples:
anchor positive
type string string
modality text text
details
min: 9 tokens
mean: 17.49 tokens
max: 34 tokens
min: 21 tokens
mean: 102.99 tokens
max: 184 tokens

Samples:

anchor	positive
`Πόσο διαρκεί το προπτυχιακό πρόγραμμα σπουδών;`	`. Το προπτυχιακό πρόγραμμα σπουδών έχει διάρκεια δέκα διδακτικών εξαμήνων και οδηγεί στην απονομή Διπλώματος Μηχανικού, το οποίο αναγνωρίζεται ως Integrated Master με πλήρη επαγγελματικά δικαιώματα`
`Ποιες είναι οι αλγόριθμοι τοπικής αναζήτησης Ι;`	. Επίλυση προβλημάτων με αναζήτηση: Χώροι καταστάσεων, δέντρα αναζήτησης, μέθοδοι αναζήτησης χωρίς πληροφόρηση (depth-first, breadth-first), αναζήτηση με μερική πληροφόρηση. 3. Πληροφορημένη αναζήτηση και εξερεύνηση: Αλγόριθμοι Best First και Α*. 4. Αλγόριθμοι τοπικής αναζήτησης Ι: Hill climbing, simulated annealing. 5. Αλγόριθμοι τοπικής αναζήτησης ΙΙ: Γενετικοί αλγόριθμοι. 6
`Ποιες είναι οι δύο βασικές ικανότητες που σχετίζονται με την εφαρμογή στο εργαστήριο;`	. • Η ανάπτυξη της κριτικής σκέψης, της ικανότητας λήψης αποφάσεων, της επιδίωξης της καινοτομίας, του εξωστρεφούς τρόπου σκέψης, του πνεύματος συνεργασίας και της ομαδικής προσπάθειας, και της ικανότητας προσαρμογής σε μεταβαλλόμενες συνθήκες. • Η πλήρης κατανόηση και η ικανότητα εφαρμογής του θεωρητικού υπόβαθρου στο εργαστήριο

Loss: MatryoshkaLoss with these parameters:
json
1{ 2 "loss": "MultipleNegativesRankingLoss", 3 "matryoshka_dims": [ 4 768, 5 512, 6 256, 7 128, 8 64 9 ], 10 "matryoshka_weights": [ 11 1, 12 1, 13 1, 14 1, 15 1 16 ], 17 "n_dims_per_step": -1 18}

Training Hyperparameters

Non-Default Hyperparameters

per_device_train_batch_size: 16
gradient_accumulation_steps: 8
learning_rate: 2e-05
num_train_epochs: 10
lr_scheduler_type: cosine
warmup_ratio: 0.1
bf16: True
tf32: True
load_best_model_at_end: True
batch_sampler: no_duplicates

All Hyperparameters

Click to expand

overwrite_output_dir: False
do_predict: False
prediction_loss_only: True
per_device_train_batch_size: 16
per_device_eval_batch_size: 8
per_gpu_train_batch_size: None
per_gpu_eval_batch_size: None
gradient_accumulation_steps: 8
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: 10
max_steps: -1
lr_scheduler_type: cosine
lr_scheduler_kwargs: None
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
bf16: True
fp16: False
fp16_opt_level: O1
half_precision_backend: auto
bf16_full_eval: False
fp16_full_eval: False
tf32: True
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}
parallelism_config: None
deepspeed: None
label_smoothing_factor: 0.0
optim: adamw_torch_fused
optim_args: None
adafactor: False
group_by_length: False
length_column_name: length
project: huggingface
trackio_space_id: trackio
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
hub_revision: None
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: no
neftune_noise_alpha: None
optim_target_modules: None
batch_eval_metrics: False
eval_on_start: False
use_liger_kernel: False
liger_kernel_config: None
eval_use_gather_object: False
average_tokens_across_devices: True
prompts: None
batch_sampler: no_duplicates
multi_dataset_batch_sampler: proportional
router_mapping: {}
learning_rate_mapping: {}

Training Logs

Epoch	Step	Training Loss	dim_768_cosine_ndcg@10	dim_512_cosine_ndcg@10	dim_256_cosine_ndcg@10	dim_128_cosine_ndcg@10	dim_64_cosine_ndcg@10
0.2996	10	4.9665	-	-	-	-	-
0.5993	20	4.4986	-	-	-	-	-
0.8989	30	3.3306	-	-	-	-	-
1.0	34	-	0.5533	0.5562	0.5324	0.4876	0.4216
1.1798	40	2.5665	-	-	-	-	-
1.4794	50	2.1953	-	-	-	-	-
1.7790	60	2.1143	-	-	-	-	-
2.0	68	-	0.5933	0.5833	0.5585	0.5128	0.4431
2.0599	70	1.7159	-	-	-	-	-
2.3596	80	1.3878	-	-	-	-	-
2.6592	90	1.4126	-	-	-	-	-
2.9588	100	1.3782	-	-	-	-	-
3.0	102	-	0.5855	0.5795	0.5601	0.5127	0.4474
3.2397	110	1.1938	-	-	-	-	-
3.5393	120	1.0914	-	-	-	-	-
3.8390	130	1.0606	-	-	-	-	-
4.0	136	-	0.5942	0.5803	0.5624	0.5239	0.4519
4.1199	140	0.9771	-	-	-	-	-
4.4195	150	0.8633	-	-	-	-	-
4.7191	160	0.9322	-	-	-	-	-
5.0	170	0.8111	0.6041	0.5964	0.5709	0.5339	0.4518
5.2996	180	0.7574	-	-	-	-	-
5.5993	190	0.7694	-	-	-	-	-
5.8989	200	0.8429	-	-	-	-	-
6.0	204	-	0.5974	0.5954	0.5750	0.5310	0.4632
6.1798	210	0.8397	-	-	-	-	-
6.4794	220	0.7183	-	-	-	-	-
6.7790	230	0.7234	-	-	-	-	-
7.0	238	-	0.6030	0.5891	0.5768	0.5290	0.4658
7.0599	240	0.6865	-	-	-	-	-
7.3596	250	0.6614	-	-	-	-	-
7.6592	260	0.6584	-	-	-	-	-
7.9588	270	0.6603	-	-	-	-	-
8.0	272	-	0.6033	0.5921	0.5760	0.5271	0.4697
8.2397	280	0.65	-	-	-	-	-
8.5393	290	0.581	-	-	-	-	-
8.8390	300	0.571	-	-	-	-	-
9.0	306	-	0.6027	0.5904	0.5786	0.5280	0.4653
9.1199	310	0.5424	-	-	-	-	-
9.4195	320	0.632	-	-	-	-	-
9.7191	330	0.5892	-	-	-	-	-
10.0	340	0.6056	0.6009	0.5908	0.5805	0.5285	0.4668

The bold row denotes the saved checkpoint.

Training Time

Training: 6.0 minutes

Framework Versions

Python: 3.12.13
Sentence Transformers: 5.6.0
Transformers: 4.57.6
PyTorch: 2.11.0+cu128
Accelerate: 1.14.0
Datasets: 4.0.0
Tokenizers: 0.22.2

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",
}

MatryoshkaLoss

bibtex

@misc{kusupati2024matryoshka,
    title={Matryoshka Representation Learning},
    author={Aditya Kusupati and Gantavya Bhatt and Aniket Rege and Matthew Wallingford and Aditya Sinha and Vivek Ramanujan and William Howard-Snyder and Kaifeng Chen and Sham Kakade and Prateek Jain and Ali Farhadi},
    year={2024},
    eprint={2205.13147},
    archivePrefix={arXiv},
    primaryClass={cs.LG}
}

MultipleNegativesRankingLoss

bibtex

@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},
}

	anchor	positive
type	string	string
modality	text	text
details	min: 9 tokens mean: 17.49 tokens max: 34 tokens	min: 21 tokens mean: 102.99 tokens max: 184 tokens