You can deploy this model and start earning money today!

Views

No views yet

Romanian Sentence Transformers, trained on the Romanian Paraphrase Bible dataset, Cosine Similarity

Name: ro-sentence-transformers-v2
Rating: 2.5 (68 reviews)

This is a sentence-transformers model finetuned from readerbench/RoBERT-base on the Romanian Paraphrase Bible dataset dataset. It maps sentences & paragraphs to a 768-dimensional dense vector space and can be used for Sentence Similarity.

Model Details

Model Description

Model Type: Sentence Transformer
Base model: readerbench/RoBERT-base
Maximum Sequence Length: 512 tokens
Output Dimensionality: 768 dimensions
Similarity Function: Cosine Similarity
Training Dataset:
- Romanian Paraphrase Bible dataset
Language: ro
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': 512, '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("andyP/ro-sentence-transformers-v2")
# Run inference
sentences = [
    'Mai bine e să locuiești Pe casă, decât să trăiești În ea – oricât ar fi de mare – C-o soață rea, gâlcevitoare.',
    'Nu i s-a spus domnului meu ce am făcut când Izabela a ucis pe profeții DOMNULUI, cum am ascuns o sută de bărbați dintre profeții DOMNULUI, câte cincizeci într-o peșteră și i-am hrănit cu pâine și apă?',
    'Și acum trimite‐mi un bărbat iscusit să lucreze în aur și în argint și în aramă și în fier și în purpură și în cârmezin și albastru și care să știe să facă săpături, ca să stea cu bărbații iscusiți care sunt la mine în Iuda și in Ierusalim, pe care i‐a pregătit David, tatăl meu.',
]
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, 0.3137, 0.2443],
#         [0.3137, 1.0000, 0.3197],
#         [0.2443, 0.3197, 1.0000]])

Evaluation

Metrics

Semantic Similarity

Datasets: `` and ro_similarity-test
Evaluated with EmbeddingSimilarityEvaluator

Metric		ro_similarity-test
pearson_cosine	0.9915	0.9916
spearman_cosine	0.9724	0.9728

Training Details

Training Dataset

Romanian Paraphrase Bible dataset

Dataset: Romanian Paraphrase Bible dataset
Size: 1,012,436 training samples
Columns: text1, text2, and label
Approximate statistics based on the first 1000 samples:
text1 text2 label
type string string float
details
min: 9 tokens
mean: 40.38 tokens
max: 136 tokens
min: 7 tokens
mean: 36.64 tokens
max: 122 tokens
min: 0.11
mean: 0.74
max: 1.0

Samples:

text1	text2	label
`O altă temelie dar, Față de cea care s-a pus – Și care e Hristos Iisus – Să mai așeze, nimenea, Nicicând, de-acum, nu va putea.`	`Căci nimeni nu poate pune o altă temelie în afară de Cea care este așezată și Care este Isus Cristos.`	`0.81`
`Voi da în mâna lui mareași în dreapta lui râurile.`	`Voi pune mâna lui pe mare și dreapta lui pe râuri.`	`0.89`
`Căutați binele, nu răul,ca să trăiți!Astfel Domnul, Dumnezeul Oștirilor,va fi cu voi, așa cum spuneți că este!`	`Căutați binele, și nu răul, ca să trăiți!Astfel, Domnul Dumnezeul Sabaótva fi cu voi, după cum spuneți.`	`0.9`

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

Evaluation Dataset

Romanian Paraphrase Bible dataset

Dataset: Romanian Paraphrase Bible dataset
Size: 56,246 evaluation samples
Columns: text1, text2, and label
Approximate statistics based on the first 1000 samples:
text1 text2 label
type string string float
details
min: 6 tokens
mean: 39.53 tokens
max: 145 tokens
min: 9 tokens
mean: 35.85 tokens
max: 141 tokens
min: 0.1
mean: 0.75
max: 1.0

Samples:

text1	text2	label
`Cel ce le arde, să păzească Ce trebuie să împlinească:‘Nainte ca să intre iară, În tabără, să-și spele-afară, Trupul și straiele și-apoi, Să intre-n tabără-napoi. ”`	`Cel care le va arde, trebuie să își spele hainele și tot corpul în apă; apoi va putea reveni în tabără.`	`0.77`
`Și nu cumva, când vin din nou, Dumnezeul meu să mă umilească printre voi și să deplâng pe mulți care au păcătuit deja și nu s-au pocăit de necurăția și curvia și desfrânarea pe care le-au practicat.`	`Mă tem ca nu cumva, atunci când vin din nou, Dumnezeul meu să mă smerească înaintea voastră și să trebuiască astfel să-i jelesc pe mulți care au păcătuit în trecut și nu s-au pocăit de necurăția, imoralitatea și depravarea în care au trăit.`	`0.82`
`Nu suspina după noapte,care ia popoarele din locul lor.`	`Căci se vor ridica hristoși mincinoși și proroci mincinoși și vor face semne și minuni ca să ducă în rătăcire, dacă este cu putință, pe cei aleși.`	`0.27`

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: 156
per_device_eval_batch_size: 256
learning_rate: 2e-05
num_train_epochs: 20
warmup_ratio: 0.1
bf16: True
load_best_model_at_end: True
batch_sampler: no_duplicates

All Hyperparameters

Click to expand

overwrite_output_dir: False
do_predict: False
eval_strategy: steps
prediction_loss_only: True
per_device_train_batch_size: 156
per_device_eval_batch_size: 256
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: 20
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: 1
ddp_backend: None
tpu_num_cores: None
tpu_metrics_debug: False
debug: []
dataloader_drop_last: True
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
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: 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

Epoch	Step	Training Loss	Validation Loss	spearman_cosine	ro_similarity-test_spearman_cosine
0.3083	1000	0.0161	0.0053	0.8762	-
0.6165	2000	0.0044	0.0045	0.8992	-
0.9248	3000	0.0036	0.0036	0.9133	-
1.2330	4000	0.0031	0.0032	0.9212	-
1.5413	5000	0.0027	0.0028	0.9278	-
1.8496	6000	0.0023	0.0026	0.9319	-
2.1578	7000	0.002	0.0022	0.9381	-
2.4661	8000	0.0018	0.0021	0.9407	-
2.7744	9000	0.0015	0.0019	0.9451	-
3.0826	10000	0.0014	0.0018	0.9471	-
3.3909	11000	0.0012	0.0018	0.9496	-
3.6991	12000	0.0011	0.0016	0.9524	-
4.0074	13000	0.001	0.0017	0.9534	-
4.3157	14000	0.0009	0.0015	0.9534	-
4.6239	15000	0.0009	0.0014	0.9565	-
4.9322	16000	0.0008	0.0014	0.9574	-
5.2404	17000	0.0008	0.0014	0.9584	-
5.5487	18000	0.0007	0.0014	0.9597	-
5.8570	19000	0.0007	0.0013	0.9603	-
6.1652	20000	0.0006	0.0013	0.9602	-
6.4735	21000	0.0006	0.0013	0.9603	-
6.7818	22000	0.0006	0.0013	0.9626	-
7.0900	23000	0.0006	0.0013	0.9634	-
7.3983	24000	0.0005	0.0012	0.9634	-
7.7065	25000	0.0005	0.0012	0.9643	-
8.0148	26000	0.0005	0.0012	0.9651	-
8.3231	27000	0.0005	0.0012	0.9648	-
8.6313	28000	0.0005	0.0011	0.9664	-
8.9396	29000	0.0004	0.0012	0.9660	-
9.2478	30000	0.0004	0.0012	0.9659	-
9.5561	31000	0.0004	0.0011	0.9667	-
9.8644	32000	0.0004	0.0011	0.9677	-
10.1726	33000	0.0004	0.0011	0.9677	-
10.4809	34000	0.0004	0.0011	0.9678	-
10.7891	35000	0.0004	0.0011	0.9680	-
11.0974	36000	0.0004	0.0011	0.9680	-
11.4057	37000	0.0004	0.0011	0.9685	-
11.7139	38000	0.0003	0.0011	0.9691	-
12.0222	39000	0.0003	0.0011	0.9692	-
12.3305	40000	0.0003	0.0011	0.9690	-
12.6387	41000	0.0003	0.0011	0.9693	-
12.9470	42000	0.0003	0.0010	0.9698	-
13.2552	43000	0.0003	0.0010	0.9697	-
13.5635	44000	0.0003	0.0010	0.9704	-
13.8718	45000	0.0003	0.0010	0.9703	-
14.1800	46000	0.0003	0.0010	0.9703	-
14.4883	47000	0.0003	0.0010	0.9696	-
14.7965	48000	0.0003	0.0010	0.9707	-
15.1048	49000	0.0003	0.0010	0.9707	-
15.4131	50000	0.0003	0.0010	0.9711	-
15.7213	51000	0.0003	0.0010	0.9714	-
16.0296	52000	0.0003	0.0010	0.9716	-
16.3379	53000	0.0003	0.0010	0.9712	-
16.6461	54000	0.0003	0.0010	0.9718	-
16.9544	55000	0.0003	0.0010	0.9716	-
17.2626	56000	0.0002	0.0010	0.9717	-
17.5709	57000	0.0002	0.0010	0.9716	-
17.8792	58000	0.0002	0.0010	0.9719	-
18.1874	59000	0.0002	0.0010	0.9718	-
18.4957	60000	0.0002	0.0010	0.9719	-
18.8039	61000	0.0002	0.0010	0.9723	-
19.1122	62000	0.0002	0.0010	0.9723	-
19.4205	63000	0.0002	0.0010	0.9724	-
19.7287	64000	0.0002	0.0009	0.9724	-
-1	-1	-	-	-	0.9728

The bold row denotes the saved checkpoint.

Framework Versions

Python: 3.12.3
Sentence Transformers: 5.0.0
Transformers: 4.53.3
PyTorch: 2.7.1+cu126
Accelerate: 1.9.0
Datasets: 4.0.0
Tokenizers: 0.21.2

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",
}

	text1	text2	label
type	string	string	float
details	min: 9 tokens mean: 40.38 tokens max: 136 tokens	min: 7 tokens mean: 36.64 tokens max: 122 tokens	min: 0.11 mean: 0.74 max: 1.0