This is a PyLate model finetuned from artiwise-ai/modernbert-base-tr-uncased. It maps sentences & paragraphs to sequences of 128-dimensional dense vectors and can be used for semantic textual similarity using the MaxSim operator.

Model Details

Model Description

Model Type: PyLate model
Base model: artiwise-ai/modernbert-base-tr-uncased
Document Length: 180 tokens
Query Length: 32 tokens
Output Dimensionality: 128 tokens
Similarity Function: MaxSim

Model Sources

Documentation: PyLate Documentation
Repository: PyLate on GitHub
Hugging Face: PyLate models on Hugging Face

Full Model Architecture

ColBERT(
  (0): Transformer({'max_seq_length': 179, 'do_lower_case': False}) with Transformer model: ModernBertModel 
  (1): Dense({'in_features': 768, 'out_features': 128, 'bias': False, 'activation_function': 'torch.nn.modules.linear.Identity'})
)

Usage

First install the PyLate library:

pip install -U pylate

Retrieval

PyLate provides a streamlined interface to index and retrieve documents using ColBERT models. The index leverages the Voyager HNSW index to efficiently handle document embeddings and enable fast retrieval.

Indexing documents

First, load the ColBERT model and initialize the Voyager index, then encode and index your documents:

python

from pylate import indexes, models, retrieve

# Step 1: Load the ColBERT model
model = models.ColBERT(
    model_name_or_path=SMARTICT/contrastive-modernbert-tr-base-uncased,
)

# Step 2: Initialize the Voyager index
index = indexes.Voyager(
    index_folder="pylate-index",
    index_name="index",
    override=True,  # This overwrites the existing index if any
)

# Step 3: Encode the documents
documents_ids = ["1", "2", "3"]
documents = ["document 1 text", "document 2 text", "document 3 text"]

documents_embeddings = model.encode(
    documents,
    batch_size=32,
    is_query=False,  # Ensure that it is set to False to indicate that these are documents, not queries
    show_progress_bar=True,
)

# Step 4: Add document embeddings to the index by providing embeddings and corresponding ids
index.add_documents(
    documents_ids=documents_ids,
    documents_embeddings=documents_embeddings,
)

Note that you do not have to recreate the index and encode the documents every time. Once you have created an index and added the documents, you can re-use the index later by loading it:

python

# To load an index, simply instantiate it with the correct folder/name and without overriding it
index = indexes.Voyager(
    index_folder="pylate-index",
    index_name="index",
)

Retrieving top-k documents for queries

Once the documents are indexed, you can retrieve the top-k most relevant documents for a given set of queries. To do so, initialize the ColBERT retriever with the index you want to search in, encode the queries and then retrieve the top-k documents to get the top matches ids and relevance scores:

python

# Step 1: Initialize the ColBERT retriever
retriever = retrieve.ColBERT(index=index)

# Step 2: Encode the queries
queries_embeddings = model.encode(
    ["query for document 3", "query for document 1"],
    batch_size=32,
    is_query=True,  #  # Ensure that it is set to False to indicate that these are queries
    show_progress_bar=True,
)

# Step 3: Retrieve top-k documents
scores = retriever.retrieve(
    queries_embeddings=queries_embeddings,
    k=10,  # Retrieve the top 10 matches for each query
)

Reranking

If you only want to use the ColBERT model to perform reranking on top of your first-stage retrieval pipeline without building an index, you can simply use rank function and pass the queries and documents to rerank:

python

from pylate import rank, models

queries = [
    "query A",
    "query B",
]

documents = [
    ["document A", "document B"],
    ["document 1", "document C", "document B"],
]

documents_ids = [
    [1, 2],
    [1, 3, 2],
]

model = models.ColBERT(
    model_name_or_path=SMARTICT/contrastive-modernbert-tr-base-uncased,
)

queries_embeddings = model.encode(
    queries,
    is_query=True,
)

documents_embeddings = model.encode(
    documents,
    is_query=False,
)

reranked_documents = rank.rerank(
    documents_ids=documents_ids,
    queries_embeddings=queries_embeddings,
    documents_embeddings=documents_embeddings,
)

Training Details

Training Dataset

Unnamed Dataset

Size: 21,850 training samples
Columns: query, positive, and negative
Approximate statistics based on the first 1000 samples:
query positive negative
type string string string
details
min: 9 tokens
mean: 18.24 tokens
max: 32 tokens
min: 11 tokens
mean: 30.35 tokens
max: 32 tokens
min: 11 tokens
mean: 30.25 tokens
max: 32 tokens

Samples:

query	positive	negative
`mars to stay misyonunun savunucuları neden ay'ı unutmamızı ve mars'a gitmemizi istiyorlar?`	`mars to stay misyonunu savunanlar, ay'a göre mars'ın insanlık için daha uygun bir hedef olduğunu düşünüyorlar. çünkü mars'ta su buzları bulunuyor, atmosferi var ve yerçekimi dünya'ya daha yakın. bu faktörler, mars'ta kalıcı bir yaşam kurmayı daha mümkün kılıyor.`	`mars one projesi, 2024 yılında mars gezegenine insan kolonisi kurmayı amaçlayan bir projeydi. projenin lideri bas lansdorp'tu ve kâr amacı gütmeyen bir girişim olarak hayata geçirilmişti.`
`mars to stay misyonunun savunucuları neden ay'ı unutmamızı ve mars'a gitmemizi istiyorlar?`	`mars to stay misyonunu savunanlar, ay'a göre mars'ın insanlık için daha uygun bir hedef olduğunu düşünüyorlar. çünkü mars'ta su buzları bulunuyor, atmosferi var ve yerçekimi dünya'ya daha yakın. bu faktörler, mars'ta kalıcı bir yaşam kurmayı daha mümkün kılıyor.`	`mro'nun asıl görevi mars'ın jeolojisini ve iklimini incelemek, gelecekteki iniş alanlarını keşfetmek ve yüzey görevlerinden dünya'ya veri aktarmaktı. bu görev 2010 yılında sona erdi.`
`mars to stay misyonunun savunucuları neden ay'ı unutmamızı ve mars'a gitmemizi istiyorlar?`	`mars to stay misyonunu savunanlar, ay'a göre mars'ın insanlık için daha uygun bir hedef olduğunu düşünüyorlar. çünkü mars'ta su buzları bulunuyor, atmosferi var ve yerçekimi dünya'ya daha yakın. bu faktörler, mars'ta kalıcı bir yaşam kurmayı daha mümkün kılıyor.`	`ay teorisi, ay'ın hareketlerini anlamak ve tahmin etmek için kullanılır. bu hareketler karmaşıktır ve birçok usulsüzlük içerir. yüzyıllar boyunca bilim insanları, ay'ın hareketlerini daha doğru bir şekilde modellemek için çalışmışlardır. modern gelişmeler sayesinde artık çok yüksek doğrulukta hesaplamalar yapılabiliyor.`

Loss: pylate.losses.contrastive.Contrastive

Evaluation Dataset

Unnamed Dataset

Size: 2,610 evaluation samples
Columns: query, positive, and negative
Approximate statistics based on the first 1000 samples:
query positive negative
type string string string
details
min: 9 tokens
mean: 17.82 tokens
max: 32 tokens
min: 15 tokens
mean: 30.57 tokens
max: 32 tokens
min: 14 tokens
mean: 30.27 tokens
max: 32 tokens

Samples:

query	positive	negative
`ekokardiyografi ile hangi kalp problemleri tespit edilebilir?`	`ekokardiyografi ile ventrikül duvarının hareketleri ve boşluğu, kalp kası büyümeleri ve kalp kapakları incelenebilir. ayrıca kalbe takılan suni kapakçıkların yapı ve işlerlik durumları da ekokardiyografi ile değerlendirilebilir.`	ecosan yaklaşımında evsel atık suları, sıvı (gri su) ve katı (tuvalet atıkları) olmak üzere iki temel fraksiyona ayrılır. gri su, banyo, lavabo ve mutfak gibi alanlardan gelen atık sudur ve genellikle doğrudan sulama suyu olarak kullanılabilir veya basit arıtma yöntemleriyle tekrar kullanılabilir hale getirilebilir. katı atıklar ise kompostlama yoluyla gübreye dönüştürülebilir. bu işlemde, atıklar oksijenli bir ortamda mikroorganizmalar tarafından parçalanır ve değerli organik madde elde edilir.
`ekokardiyografi ile hangi kalp problemleri tespit edilebilir?`	`ekokardiyografi ile ventrikül duvarının hareketleri ve boşluğu, kalp kası büyümeleri ve kalp kapakları incelenebilir. ayrıca kalbe takılan suni kapakçıkların yapı ve işlerlik durumları da ekokardiyografi ile değerlendirilebilir.`	oşinografi, fiziksel, kimyasal, jeolojik ve biyolojik olmak üzere dört temel alt dala ayrılır. fiziksel oşinografi, okyanuslardaki akıntılar, dalgalar ve sıcaklık gibi fiziksel süreçleri inceler. kimyasal oşinografi ise okyanus suyundaki kimyasal bileşim, tuzluluk ve kirlilik gibi konuları ele alır. deniz jeolojisi, okyanus tabanının yapısını, depremleri ve volkanik aktiviteyi incelerken, deniz biyolojisi okyanuslardaki yaşamı, ekosistemleri ve organizmalar arasındaki etkileşimi araştırır.
`ekokardiyografi ile hangi kalp problemleri tespit edilebilir?`	`ekokardiyografi ile ventrikül duvarının hareketleri ve boşluğu, kalp kası büyümeleri ve kalp kapakları incelenebilir. ayrıca kalbe takılan suni kapakçıkların yapı ve işlerlik durumları da ekokardiyografi ile değerlendirilebilir.`	`ebird, gönüllü kuş gözlemcilerinden gelen verileri toplar. bu gözlemciler, gördükleri kuş türlerini, konumlarını, tarih ve saati ebird platformuna kaydederler. bilim insanları bu büyük veri setini kullanarak kuşların dağılımını, göç yollarını, popülasyon değişimlerini ve çevresel faktörlerin kuşlar üzerindeki etkilerini inceleyebilirler.`

Loss: pylate.losses.contrastive.Contrastive

Training Hyperparameters

Non-Default Hyperparameters

per_device_train_batch_size: 32
per_device_eval_batch_size: 32
learning_rate: 3e-06
num_train_epochs: 4
fp16: True

All Hyperparameters

Click to expand

overwrite_output_dir: False
do_predict: False
eval_strategy: no
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: 3e-06
weight_decay: 0.0
adam_beta1: 0.9
adam_beta2: 0.999
adam_epsilon: 1e-08
max_grad_norm: 1.0
num_train_epochs: 4
max_steps: -1
lr_scheduler_type: linear
lr_scheduler_kwargs: {}
warmup_ratio: 0.0
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: 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: 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
0.7321	500	0.5273
1.4641	1000	0.032
2.1962	1500	0.0189
2.9283	2000	0.0138
3.6603	2500	0.0124

Framework Versions

Python: 3.11.12
Sentence Transformers: 4.0.2
PyLate: 1.2.0
Transformers: 4.48.2
PyTorch: 2.6.0+cu124
Accelerate: 1.7.0
Datasets: 3.6.0
Tokenizers: 0.21.1

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"
}

PyLate

bibtex

@misc{PyLate,
title={PyLate: Flexible Training and Retrieval for Late Interaction Models},
author={Chaffin, Antoine and Sourty, Raphaël},
url={https://github.com/lightonai/pylate},
year={2024}
}

	query	positive	negative
type	string	string	string
details	min: 9 tokens mean: 18.24 tokens max: 32 tokens	min: 11 tokens mean: 30.35 tokens max: 32 tokens	min: 11 tokens mean: 30.25 tokens max: 32 tokens