This is a sentence-transformers model finetuned from omarelshehy/Arabic-Retrieval-v1.0. 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: omarelshehy/Arabic-Retrieval-v1.0
Maximum Sequence Length: 512 tokens
Output Dimensionality: 768 dimensions
Similarity Function: Cosine Similarity

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}) with Transformer model: 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("yoriis/BGE-M3-cosine-TYDI")
# Run inference
sentences = [
    'متى ولد زين الدين زيدان ؟',
    'الدرفلة هي عملية صناعية تعتبر إحدى طرق تشكيل المعادن. وتعتمد فكرتها على تمرير المعدن على البارد أو الساخن عبر أجسام أسطوانية ثقيلة وذات صلادة عالية (تسمى الدرافيل) وذلك بهدف تقليل سمك الصفائح أو قطر القضبان.[1][2]',
    'هو أبو عبد الله حمود عقلا الشعيبي (ولد عام 1346هـ - توفي عام 1422 هـ) اسمه بالكامل حمود بن عبد الله بن عقلاء بن محمد بن علي بن عقلاء الشعيبي الخالدي من آل جناح من بني خالد ولد في بلدة الشقة من أعمال القصيم، نشأ في بيت دين وكرم فلما كان عمره ست سنوات التحق بالكتّاب فتعلم القراءة والكتابة والحساب، وفي عام 1352 هـ أصيب الشعيبي بمرض الجدري مما أدى إلى فقده بصره، وقد حرص عليه والده منذ نعومة أظفاره وكان والده عبد الله صاحب زراعة وفلاحة فتعلم الشعيبي منه مع فقده لبصره الزراعة والسقي وغيرها.',
]
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]

Training Details

Training Dataset

Unnamed Dataset

Size: 23,589 training samples
Columns: sentence_0, sentence_1, and label
Approximate statistics based on the first 1000 samples:
sentence_0 sentence_1 label
type string string float
details
min: 5 tokens
mean: 9.2 tokens
max: 20 tokens
min: 8 tokens
mean: 119.75 tokens
max: 512 tokens
min: 0.0
mean: 0.33
max: 1.0

Samples:

sentence_0	sentence_1	label
`من هم ذوات الدم الحار؟`	ذوات الدم الحار وهو مصطلح عام يصف أنواع الحيوانات التي لديها دم ذو درجة حرارة عالية نسبياً، وتحتفظ بنفس درجة حرارة اجسامها بغض النظر عن درجة الحرارة المحيطة بها، وتستطيع استتباب الحرارة بشكل أساسي خلال عمليات الأيض الداخلية .[1][2][3] وفي حالة البرودة ارتعاش العضلات التي تعمل على تثبيت درجة حرارة الجسم ، وهذه من خصائص الثدييات والطيور.	`1.0`
`اين تقع جزيرة بالي؟`	`البطالة الاحتكاكية وتسمى أيضاً ببطالة التنقل هي نوع من أنواع البطالة المؤقتة (لفترة زمنية قصيرة). تحدث في الفترة الزمنية من بين التقديم على وظيفة (من قبل العامل) والقبول والتوظيف (من قبل الشركة).`	`0.0`
`من هو أبو المعالي الجويني؟`	في عام 2004 انتخبت الأوروغواي تاباري فاسكيز رئيساً للبلاد، ومنحت الجبهة العريضة (ائتلاف من الاشتراكيين والشيوعيين والتوباماروس والشيوعيين السابقين والاشتراكيين الديمقراطيين) الأغلبية في مجلسي البرلمان. وعدت الحكومة المنتخبة حديثاً، في حين تعهدها بمواصلة سداد الديون الخارجية للأوروغواي، بإنشاء برامج لخلق وظائف على نطاق واسع لحل مشاكل الفقر والبطالة. خلال إدارة فاسكيز سجن الرئيس السابق خوان ماريا بوردابيري والجنرال غريغوريو ألزاريز لانتهاكات حقوق الإنسان التي ارتكبت خلال السبعينات. بدأت التحقيقات بعد نشر كتاب "لوس آنيوس أوسكوروس 1967-1987" من قبل المؤرخ من شمال أمريكا سكوت مايرز.	`0.0`

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

Training Hyperparameters

Non-Default Hyperparameters

per_device_train_batch_size: 4
per_device_eval_batch_size: 4
fp16: True
multi_dataset_batch_sampler: round_robin

All Hyperparameters

Click to expand

overwrite_output_dir: False
do_predict: False
eval_strategy: no
prediction_loss_only: True
per_device_train_batch_size: 4
per_device_eval_batch_size: 4
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: 5e-05
weight_decay: 0.0
adam_beta1: 0.9
adam_beta2: 0.999
adam_epsilon: 1e-08
max_grad_norm: 1
num_train_epochs: 3
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
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: batch_sampler
multi_dataset_batch_sampler: round_robin

Training Logs

Epoch	Step	Training Loss
0.0848	500	0.0371
0.1695	1000	0.0317
0.2543	1500	0.0302
0.3391	2000	0.0304
0.4239	2500	0.0295
0.5086	3000	0.0263
0.5934	3500	0.0271
0.6782	4000	0.0278
0.7630	4500	0.0263
0.8477	5000	0.0271
0.9325	5500	0.0253
1.0173	6000	0.022
1.1021	6500	0.0085
1.1868	7000	0.0115
1.2716	7500	0.0127
1.3564	8000	0.0111
1.4412	8500	0.011
1.5259	9000	0.0124
1.6107	9500	0.0116
1.6955	10000	0.0112
1.7803	10500	0.0131
1.8650	11000	0.0127
1.9498	11500	0.011
2.0346	12000	0.0094
2.1194	12500	0.0051
2.2041	13000	0.0042
2.2889	13500	0.0044
2.3737	14000	0.0048
2.4585	14500	0.0065
2.5432	15000	0.0055
2.6280	15500	0.0055
2.7128	16000	0.0049
2.7976	16500	0.0049
2.8823	17000	0.0045
2.9671	17500	0.0053

Framework Versions

Python: 3.11.13
Sentence Transformers: 4.1.0
Transformers: 4.54.0
PyTorch: 2.6.0+cu124
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",
}

	sentence_0	sentence_1	label
type	string	string	float
details	min: 5 tokens mean: 9.2 tokens max: 20 tokens	min: 8 tokens mean: 119.75 tokens max: 512 tokens	min: 0.0 mean: 0.33 max: 1.0