This is a sentence-transformers model finetuned from Alibaba-NLP/gte-multilingual-base on the maux-gte-10k-public dataset. 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: Alibaba-NLP/gte-multilingual-base
Maximum Sequence Length: 8192 tokens
Output Dimensionality: 768 dimensions
Similarity Function: Cosine Similarity
Training Dataset:
- maux-gte-10k-public

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': 8192, 'do_lower_case': False}) with Transformer model: NewModel 
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, '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("xmanii/maux-gte-persian-v2")
# Run inference
sentences = [
    'تفاوت بین کشاورزی ارگانیک و کشاورزی سنتی چیست؟',
    'بازارهای کشاورزان مکان\u200cهای محبوبی برای خرید محصولات ارگانیک به طور مستقیم از کشاورزان محلی هستند.',
    'تاریخ حفظ آب به تمدن\u200cهای باستانی برمی\u200cگردد که سیستم\u200cهای آبیاری را توسعه دادند.',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 768]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]

Evaluation

Metrics

Semantic Similarity

Evaluated with EmbeddingSimilarityEvaluator

Metric	Value
pearson_cosine	0.9488
spearman_cosine	0.9479

Training Details

Training Dataset

maux-gte-10k-public

Dataset: maux-gte-10k-public at e20c689
Size: 10,000 training samples
Columns: persian_question, persian_answer, and score
Approximate statistics based on the first 1000 samples:
persian_question persian_answer score
type string string float
details
min: 6 tokens
mean: 14.7 tokens
max: 32 tokens
min: 13 tokens
mean: 29.01 tokens
max: 78 tokens
min: 0.02
mean: 0.52
max: 1.0

Samples:

persian_question	persian_answer	score
`آیا می‌توانید فرآیند برنامه‌ریزی مسیر ربات را توضیح دهید؟`	`ربات‌ها می‌توانند برنامه‌نویسی شوند تا مجموعه‌ای از وظایف را انجام دهند، از اقدام‌های تکراری ساده تا فرآیندهای پیچیده تصمیم‌گیری.`	`0.27999999999999997`
`آیا انسان‌ها می‌توانند در مریخ زندگی کنند؟`	`مریخ چهارمین سیاره از خورشید است و به دلیل ظاهر سرخش اغلب به سیاره سرخ معروف است.`	`0.16`
`عناصر کلیدی ترکیب در هنر انتزاعی چیست؟`	`تاریخ هنر انتزاعی به اوایل قرن بیستم برمی‌گردد، با پیشگامانی مانند واسیلی کاندینسکی و پیت موندریان.`	`0.36`

Loss: CosineSimilarityLoss with these parameters:
json
1{ 2 "loss_fct": "torch.nn.modules.loss.MSELoss" 3}

Evaluation Dataset

maux-gte-10k-public

Dataset: maux-gte-10k-public at e20c689
Size: 10,000 evaluation samples
Columns: persian_question, persian_answer, and score
Approximate statistics based on the first 1000 samples:
persian_question persian_answer score
type string string float
details
min: 6 tokens
mean: 14.7 tokens
max: 32 tokens
min: 13 tokens
mean: 29.01 tokens
max: 78 tokens
min: 0.02
mean: 0.52
max: 1.0

Samples:

persian_question	persian_answer	score
`آیا می‌توانید فرآیند برنامه‌ریزی مسیر ربات را توضیح دهید؟`	`ربات‌ها می‌توانند برنامه‌نویسی شوند تا مجموعه‌ای از وظایف را انجام دهند، از اقدام‌های تکراری ساده تا فرآیندهای پیچیده تصمیم‌گیری.`	`0.27999999999999997`
`آیا انسان‌ها می‌توانند در مریخ زندگی کنند؟`	`مریخ چهارمین سیاره از خورشید است و به دلیل ظاهر سرخش اغلب به سیاره سرخ معروف است.`	`0.16`
`عناصر کلیدی ترکیب در هنر انتزاعی چیست؟`	`تاریخ هنر انتزاعی به اوایل قرن بیستم برمی‌گردد، با پیشگامانی مانند واسیلی کاندینسکی و پیت موندریان.`	`0.36`

Loss: CosineSimilarityLoss with these parameters:
json
1{ 2 "loss_fct": "torch.nn.modules.loss.MSELoss" 3}

Training Hyperparameters

Non-Default Hyperparameters

eval_strategy: steps
per_device_train_batch_size: 32
per_device_eval_batch_size: 32
learning_rate: 2e-05
num_train_epochs: 5
warmup_ratio: 0.1
fp16: True
load_best_model_at_end: True

All Hyperparameters

Click to expand

overwrite_output_dir: False
do_predict: False
eval_strategy: steps
prediction_loss_only: True
per_device_train_batch_size: 32
per_device_eval_batch_size: 32
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: 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: 5
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: True
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}
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: None
hub_always_push: False
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
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
use_liger_kernel: False
eval_use_gather_object: False
average_tokens_across_devices: False
prompts: None
batch_sampler: batch_sampler
multi_dataset_batch_sampler: proportional

Training Logs

Epoch	Step	Training Loss	Validation Loss	spearman_cosine
0.1597	50	0.0663	-	-
0.3195	100	0.0409	0.0298	0.7983
0.4792	150	0.0342	-	-
0.6390	200	0.0294	0.0230	0.8464
0.7987	250	0.0296	-	-
0.9585	300	0.0298	0.0220	0.8610
1.1182	350	0.0249	-	-
1.2780	400	0.0237	0.0230	0.8745
1.4377	450	0.0241	-	-
1.5974	500	0.0218	0.0166	0.8900
1.7572	550	0.0227	-	-
1.9169	600	0.0231	0.0148	0.9045
2.0767	650	0.0196	-	-
2.2364	700	0.0173	0.0131	0.9179
2.3962	750	0.0172	-	-
2.5559	800	0.0172	0.0119	0.9231
2.7157	850	0.0167	-	-
2.8754	900	0.0172	0.0120	0.9291
3.0351	950	0.0175	-	-
3.1949	1000	0.013	0.0100	0.9362
3.3546	1050	0.0128	-	-
3.5144	1100	0.0129	0.0101	0.9390
3.6741	1150	0.0134	-	-
3.8339	1200	0.0137	0.0095	0.9430
3.9936	1250	0.0133	-	-
4.1534	1300	0.0109	0.0096	0.9449
4.3131	1350	0.0114	-	-
4.4728	1400	0.0111	0.0083	0.9479
4.6326	1450	0.0107	-	-
4.7923	1500	0.0122	0.0085	0.9479
4.9521	1550	0.0112	-	-

The bold row denotes the saved checkpoint.

Framework Versions

Python: 3.10.8
Sentence Transformers: 3.3.1
Transformers: 4.47.1
PyTorch: 2.5.1+cu124
Accelerate: 1.2.1
Datasets: 3.2.0
Tokenizers: 0.21.0

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",
}

	persian_question	persian_answer	score
type	string	string	float
details	min: 6 tokens mean: 14.7 tokens max: 32 tokens	min: 13 tokens mean: 29.01 tokens max: 78 tokens	min: 0.02 mean: 0.52 max: 1.0