You can deploy this model and start earning money today!

Views

No views yet

AraBERT v2 base trained on Arabic triplets

Name: Sentence_arabertV1
Availability: InStock

This is a sentence-transformers model finetuned from aubmindlab/bert-base-arabertv02. 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
Base model: aubmindlab/bert-base-arabertv02
Maximum Sequence Length: 128 tokens
Output Dimensionality: 768 dimensions
Similarity Function: Cosine Similarity

Language: ar
License: apache-2.0

Model Sources

Documentation: Sentence Transformers Documentation
Repository: Sentence Transformers on GitHub
Hugging Face: Sentence Transformers on Hugging Face
This model follows the same architectural design as the model proposed by (https://huggingface.co/akhooli/Arabic-SBERT-100K)., but was trained from scratch using a different training configuration.

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 128, 'do_lower_case': False, 'architecture': 'BertModel'})
  (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:

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("hindalmayyali/Sentence_arabertV1")
# Run inference
sentences = [
    'ما الفرق بين الحذف والتقطيع؟',
    'ما هي الاختلافات بين الحذف والتقطيع؟',
    'أي كتاب أفضل لـ (نيت) ؟',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 768]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities)
# tensor([[1.0000, 0.9696, 0.0441],
#         [0.9696, 1.0000, 0.0674],
#         [0.0441, 0.0674, 1.0000]])

Evaluation

Metrics

Triplet

Datasets: arabic-valid and arabic-test
Evaluated with TripletEvaluator

Metric	arabic-valid	arabic-test
cosine_accuracy	0.921	0.9328

Training Details

Training Dataset

Unnamed Dataset

Size: 50,000 training samples
Columns: anchor, positive, and negative
Approximate statistics based on the first 1000 samples:
anchor positive negative
type string string string
details
min: 4 tokens
mean: 12.44 tokens
max: 60 tokens
min: 4 tokens
mean: 31.86 tokens
max: 128 tokens
min: 4 tokens
mean: 30.49 tokens
max: 128 tokens

Samples:

anchor	positive	negative
`حسناً، هذا رائع`	`سيكون رائعاً`	`هذا ليس مثيراً للاهتمام`
`كم من الوقت لطهي كارني أسادا على الشواية`	`متبل كارني أسادا. أخرج شرائح اللحم من الثلاجة. صفي التتبيلة واتركي سطح اللحم يجف بمنشفة ورقية. اشوي شرائح اللحم على صينية أو مقلاة أو شواية خارجية لمدة 4 إلى 5 دقائق لكل جانب. يُقدم مع شرائح البصل الأحمر أو الأرز المكسيكي الأصفر أو الأحمر أو الأخضر.`	`ضع شرائح لحم الخنزير على مقلاة الشواء الساخنة واطبخها لمدة 8 إلى 10 دقائق على كل جانب ، حتى يتفحم اللحم قليلًا ويصل إلى درجة حرارة داخلية لا تقل عن 145 درجة فهرنهايت. استخدم الملقط لرفع شرائح اللحم وشويها الجانبين كذلك.`
`ماذا يفعل ارتفاع السكر في الدم للأوعية الدموية`	`البطانة السليمة ضرورية لتدفق الدم بحرية في الأوعية الدموية. ارتفاع نسبة السكر في الدم في مرض السكري يضر البطانة. هذا يعيق التدفق المستمر للدم داخل الأوعية الدموية. يقلل مرض السكري من إطلاق أكسيد النيتريك من الأوعية الدموية.`	الشريان (التعريف). الشرايين نوع من الأوعية الدموية. يمكننا تقسيم الأوعية الدموية إلى فئتين. الشرايين هي أوعية ضغط مرتفع تنقل الأكسجين (الأحمر) + الدم إلى الجسم. من ناحية أخرى ، الأوردة أو الأوعية ذات الضغط المنخفض التي تعود (الداكن) من الدم المؤكسج من الجسم إلى القلب. الشرايين نوع من الأوعية الدموية. يمكننا تقسيم الأوعية الدموية إلى فئتين. الشرايين هي أوعية ضغط مرتفع تنقل الأكسجين (الأحمر) + الدم إلى الجسم. من ناحية أخرى ، الأوردة أو الأوعية ذات الضغط المنخفض التي ترجع الدم المؤكسج (الداكن) من الجسم إلى القلب.

Loss: MultipleNegativesRankingLoss with these parameters:
json
1{ 2 "scale": 20.0, 3 "similarity_fct": "cos_sim", 4 "gather_across_devices": false 5}

Evaluation Dataset

Unnamed Dataset

Size: 200,001 evaluation samples
Columns: anchor, positive, and negative
Approximate statistics based on the first 1000 samples:
anchor positive negative
type string string string
details
min: 4 tokens
mean: 12.14 tokens
max: 73 tokens
min: 4 tokens
mean: 31.92 tokens
max: 128 tokens
min: 4 tokens
mean: 31.02 tokens
max: 128 tokens

Samples:

anchor	positive	negative
`متوسط تكلفة بناء منزل جديد لكل قدم مربع`	`متوسط تكاليف بناء المنزل الجديد حوالي 100 دولار للقدم المربع. تتراوح متوسطات الولاية من 75 دولارًا إلى 130 دولارًا. هذه الأرقام مضللة إلى حد ما ، مثلها مثل جميع المعدلات. من الواضح كما هو الحال مع جميع المتوسطات ، أن بعضها يكلف أكثر بكثير والبعض الآخر يكلف أقل بكثير.`	متوسط التكلفة للقدم المربع للمباني التجارية في حدود 200 دولار. هناك العديد من العوامل التي تدخل في السعر مثل الحجم والموقع. ما هو متوسط تكلفة البناء لكل قدم مربع لبناء منزل في نانتوكيت ما؟ يبلغ متوسط تكاليف البناء في عام 2012 حوالي 350 دولارًا للقدم المربع ، ولكن يمكن أن تتجاوز بسهولة 500 دولار للبناء عالي الجودة.
`السيدة الأولى لورا بوش على المنصة، أمام الجمهور الجالس، في مؤتمر البيت الأبيض حول محو الأمية العالمي.`	`لورا بوش تقف أمام مؤتمر`	`(لورا بوش) تقود دراجة مائية قرب نصب (واشنطن) التذكاري`
`هل كان إعادة الإعمار الأمريكي فشلاً؟`	`هل كان إعادة الإعمار فشلاً؟ لماذا أو لماذا لا؟`	`هل يتوسع الكون؟`

Loss: MultipleNegativesRankingLoss with these parameters:
json
1{ 2 "scale": 20.0, 3 "similarity_fct": "cos_sim", 4 "gather_across_devices": false 5}

Training Hyperparameters

Non-Default Hyperparameters

eval_strategy: epoch
per_device_train_batch_size: 32
per_device_eval_batch_size: 48
gradient_accumulation_steps: 2
learning_rate: 2e-05
num_train_epochs: 10
warmup_ratio: 0.1
load_best_model_at_end: True
optim: adamw_torch
dataloader_pin_memory: False
gradient_checkpointing: True
batch_sampler: no_duplicates

All Hyperparameters

Click to expand

overwrite_output_dir: False
do_predict: False
eval_strategy: epoch
prediction_loss_only: True
per_device_train_batch_size: 32
per_device_eval_batch_size: 48
per_gpu_train_batch_size: None
per_gpu_eval_batch_size: None
gradient_accumulation_steps: 2
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: 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: False
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: 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
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: False
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: True
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: False
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: False
prompts: None
batch_sampler: no_duplicates
multi_dataset_batch_sampler: proportional
router_mapping: {}
learning_rate_mapping: {}

Training Logs

Click to expand

Epoch	Step	Training Loss	Validation Loss	arabic-valid_cosine_accuracy	arabic-test_cosine_accuracy
0.0013	1	2.3706	-	-	-
0.0640	50	2.0507	-	-	-
0.1280	100	1.2702	-	-	-
0.1919	150	0.8272	-	-	-
0.2559	200	0.665	-	-	-
0.3199	250	0.612	-	-	-
0.3839	300	0.5628	-	-	-
0.4479	350	0.5455	-	-	-
0.5118	400	0.484	-	-	-
0.5758	450	0.4632	-	-	-
0.6398	500	0.4618	-	-	-
0.7038	550	0.4384	-	-	-
0.7678	600	0.4087	-	-	-
0.8317	650	0.3721	-	-	-
0.8957	700	0.4261	-	-	-
0.9597	750	0.4114	-	-	-
1.0	782	-	0.4069	0.9200	-
1.0230	800	0.3637	-	-	-
1.0870	850	0.3329	-	-	-
1.1510	900	0.3133	-	-	-
1.2150	950	0.2974	-	-	-
1.2790	1000	0.2944	-	-	-
1.3429	1050	0.2627	-	-	-
1.4069	1100	0.2994	-	-	-
1.4709	1150	0.3068	-	-	-
1.5349	1200	0.3016	-	-	-
1.5988	1250	0.3068	-	-	-
1.6628	1300	0.304	-	-	-
1.7268	1350	0.3012	-	-	-
1.7908	1400	0.2998	-	-	-
1.8548	1450	0.3181	-	-	-
1.9187	1500	0.2858	-	-	-
1.9827	1550	0.2843	-	-	-
2.0	1564	-	0.3489	0.9340	-
2.0461	1600	0.223	-	-	-
2.1100	1650	0.191	-	-	-
2.1740	1700	0.1828	-	-	-
2.2380	1750	0.1762	-	-	-
2.3020	1800	0.2021	-	-	-
2.3660	1850	0.1824	-	-	-
2.4299	1900	0.1873	-	-	-
2.4939	1950	0.188	-	-	-
2.5579	2000	0.188	-	-	-
2.6219	2050	0.1909	-	-	-
2.6859	2100	0.1888	-	-	-
2.7498	2150	0.1839	-	-	-
2.8138	2200	0.1965	-	-	-
2.8778	2250	0.1881	-	-	-
2.9418	2300	0.1753	-	-	-
3.0	2346	-	0.3480	0.9290	-
3.0051	2350	0.1847	-	-	-
3.0691	2400	0.1415	-	-	-
3.1331	2450	0.1258	-	-	-
3.1971	2500	0.1125	-	-	-
3.2610	2550	0.1186	-	-	-
3.3250	2600	0.1235	-	-	-
3.3890	2650	0.1328	-	-	-
3.4530	2700	0.1294	-	-	-
3.5170	2750	0.138	-	-	-
3.5809	2800	0.1282	-	-	-
3.6449	2850	0.1391	-	-	-
3.7089	2900	0.1321	-	-	-
3.7729	2950	0.1396	-	-	-
3.8369	3000	0.1344	-	-	-
3.9008	3050	0.1257	-	-	-
3.9648	3100	0.1441	-	-	-
4.0	3128	-	0.3466	0.924	-
4.0282	3150	0.1105	-	-	-
4.0921	3200	0.0954	-	-	-
4.1561	3250	0.0894	-	-	-
4.2201	3300	0.0945	-	-	-
4.2841	3350	0.0958	-	-	-
4.3480	3400	0.0957	-	-	-
4.4120	3450	0.0935	-	-	-
4.4760	3500	0.1093	-	-	-
4.5400	3550	0.1107	-	-	-
4.6040	3600	0.0995	-	-	-
4.6679	3650	0.1081	-	-	-
4.7319	3700	0.0887	-	-	-
4.7959	3750	0.0952	-	-	-
4.8599	3800	0.0976	-	-	-
4.9239	3850	0.1034	-	-	-
4.9878	3900	0.0903	-	-	-
5.0	3910	-	0.3495	0.9240	-
5.0512	3950	0.0748	-	-	-
5.1152	4000	0.0881	-	-	-
5.1791	4050	0.0721	-	-	-
5.2431	4100	0.0811	-	-	-
5.3071	4150	0.0834	-	-	-
5.3711	4200	0.0936	-	-	-
5.4351	4250	0.0769	-	-	-
5.4990	4300	0.0817	-	-	-
5.5630	4350	0.078	-	-	-
5.6270	4400	0.0925	-	-	-
5.6910	4450	0.0773	-	-	-
5.7550	4500	0.0779	-	-	-
5.8189	4550	0.0726	-	-	-
5.8829	4600	0.0864	-	-	-
5.9469	4650	0.0779	-	-	-
6.0	4692	-	0.3469	0.9250	-
6.0102	4700	0.0795	-	-	-
6.0742	4750	0.0673	-	-	-
6.1382	4800	0.0653	-	-	-
6.2022	4850	0.0638	-	-	-
6.2662	4900	0.0597	-	-	-
6.3301	4950	0.0705	-	-	-
6.3941	5000	0.0664	-	-	-
6.4581	5050	0.0675	-	-	-
6.5221	5100	0.0742	-	-	-
6.5861	5150	0.0704	-	-	-
6.6500	5200	0.06	-	-	-
6.7140	5250	0.0586	-	-	-
6.7780	5300	0.0643	-	-	-
6.8420	5350	0.0699	-	-	-
6.9060	5400	0.067	-	-	-
6.9699	5450	0.0643	-	-	-
7.0	5474	-	0.3491	0.9210	-
-1	-1	-	-	-	0.9328

The bold row denotes the saved checkpoint.

Framework Versions

Python: 3.13.2
Sentence Transformers: 5.1.0
Transformers: 4.56.1
PyTorch: 2.8.0
Accelerate: 1.10.1
Datasets: 4.0.0
Tokenizers: 0.22.0

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",
}

MultipleNegativesRankingLoss

bibtex

@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}
}

	anchor	positive	negative
type	string	string	string
details	min: 4 tokens mean: 12.44 tokens max: 60 tokens	min: 4 tokens mean: 31.86 tokens max: 128 tokens	min: 4 tokens mean: 30.49 tokens max: 128 tokens