SentenceTransformer

This is a sentence-transformers model trained. It maps sentences & paragraphs to a 768-dimensional dense vector space and can be used for retrieval.

Model Details

Model Description

Model Type: Sentence Transformer
Maximum Sequence Length: 256 tokens
Output Dimensionality: 768 dimensions
Similarity Function: Cosine Similarity
Supported Modality: Text

Model Sources

Documentation: Sentence Transformers Documentation
Repository: Sentence Transformers on GitHub
Hugging Face: Sentence Transformers on Hugging Face

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'transformer_task': 'feature-extraction', 'modality_config': {'text': {'method': 'forward', 'method_output_name': 'last_hidden_state'}}, 'module_output_name': 'token_embeddings', 'architecture': 'BertModel'})
  (1): Pooling({'embedding_dimension': 768, 'pooling_mode': 'mean', '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.

from sentence_transformers import SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("sentence_transformers_model_id")
# Run inference
sentences = [
    'это программная история в первую очередь а не аппаратная по аппаратной части карты amd не уступают nvidia в пользу зеленых работает расширенная поддержка движков популярность разработчиков вложения в разработку итд итп',
    'в SA в принципе идет улучшение картинки но пока не особо приятно читать текст SA у тебя обновится на последнюю версию если прошивка последняя актуальная стоит 55 если у тебя ниже то качай апк для шлема с сайта httpwwwowomushicompicostreamingassistant а на шлем с оф сайта Pico\nжелезка у тебя мягко скажем не самая подходящая под VR\nпоиграть можно но не с царским размахом на качество',
    'а я смотрю вы эксперт в качестве сжатия )))) \nдаже стримеры брезгуют использовать аппаратное сжатие, зачем то покупают отдельные пк под сжатие стримов в реалтайм вместо того чтобы просто на gpu сжимать.',
]
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, 0.7468, 0.4876],
#         [0.7468, 1.0000, 0.3165],
#         [0.4876, 0.3165, 1.0000]])

Training Details

Training Dataset

Unnamed Dataset

Size: 9,999 training samples
Columns: sentence_0, sentence_1, and sentence_2

Approximate statistics based on the first 100 samples:

	sentence_0	sentence_1	sentence_2
type	string	string	string
modality	text	text	text
details	min: 22 tokens mean: 72.79 tokens max: 256 tokens	min: 6 tokens mean: 64.22 tokens max: 256 tokens	min: 8 tokens mean: 69.34 tokens max: 198 tokens

Samples:

sentence_0	sentence_1	sentence_2
Затея Кулича с процессором Ryzen 7 7700X — разумная. Для сегодняшних игр его хватит выше крыши. А позже, если его вдруг будет не хватать, можно будет заменить его на любой актуальный Ryzen 9. Вот здесь он эту идею поясняет: https://youtu.be/Rq-vviFgC3U Хотя я сегодня смотрел видео от iXBT, где рассказали, что консоли не будут обновляться ещё лет 5. Мол, они уже пробовали в прошлом выпускать апгрейды (как PS4 Pro), но они имели очень плохие продажи, и во второй раз производители консолей наступать на эти грабли не хотят. То есть, после PS5 ближайший апгрейд — это PS6, году эдак в 2028-м. Это означает, что видеокарт RTX 30 хватит на все новые игры в ближайшие 5 лет. Ну а RTX 40 — и подавно.	я слышал про жм но это выглядит страшно металл проводит ток и капелька металла попав на ножки процессора или любой другой микросхемы может их закоротить а почти все традиционные термопасты — наоборот диэлектрики но поскольку я собираюсь ставить amd ryzen последнего поколения то мне это не актуально у них не очень хорошая передача тепла от чипа к металлической крышке процессора слышал что по этой причине мазать крышку жм — бесполезно чип холоднее не станет а доя передачи тепла от крышки процессора в башню кулера достаточно обычной термопасты	ну пико более практичные более универсальные разрешение еще больше на глаз у них немного чем у ps vr 2 я в ps vr 2 не играл так что ничего по поводу них сказать не могу по сути но пико зашли в принципе есть же аналоги битсайбера вполне неплохие без пк играются но если нужен прям обязательно битсайбер и все тогда да нужен комп
Бля Только что приснился трейлер 3Dфильма Китайскоамериканское совместное производство Название то ли Insole то ли Insoul Спецагент отправляется за 6 тыс млн миллиардов км чтобы открыть новое созвездие и гигантский сталактит который уходит до глубины истоков Вселенной Быстро проснулся загуглил а пока даже сценария нет Но трейлер чёткий Буду кофе пить	`если не ошибаюсь то после уточнения рецепта они сделали в течении 2 дней и предоставили трек вообще там с ними всё в личных сообщениях решается я ещё с antiblue заказывал не знаю что оно мне дало но доплатил`	`не ну то что так можно и ежу понятно. Вопрос будет ли с неё установленное чего запускаться, вот это интересно да не. я против таких решений да и все флешки для своих задач. Я может и не прав но это блэть как в чайнике пельмени варить!`
`нет, ты заказываешь товар, который тяжело проверить, например матрица для ноута, и вместо новой/бу, но исправной матрицы тебе присылают нерабочий шлак, с полосами мерцающими`	`Да мне похуй, я быдло из Королёва, находимся в интернете, где ответственность за слова условная, тем более ты мне уже на большее количество оскорблений нервов потрепал, а про время так вообще молчу`	`я вообще никогда не подтверждаю там хоть кнопка и есть но кнопка автоматом испаряется если товар доходит до твоих рук както так странно это работает однако спор можно как я понял в течение 2 недель открыть`

Loss: TripletLoss with these parameters:

{
    "distance_metric": "TripletDistanceMetric.COSINE",
    "triplet_margin": 0.5
}

Training Hyperparameters

Non-Default Hyperparameters

per_device_train_batch_size: 4
num_train_epochs: 1
per_device_eval_batch_size: 4
multi_dataset_batch_sampler: round_robin

All Hyperparameters

Click to expand

per_device_train_batch_size: 4
num_train_epochs: 1
max_steps: -1
learning_rate: 5e-05
lr_scheduler_type: linear
lr_scheduler_kwargs: None
warmup_steps: 0
optim: adamw_torch_fused
optim_args: None
weight_decay: 0.0
adam_beta1: 0.9
adam_beta2: 0.999
adam_epsilon: 1e-08
optim_target_modules: None
gradient_accumulation_steps: 1
average_tokens_across_devices: True
max_grad_norm: 1
label_smoothing_factor: 0.0
bf16: False
fp16: False
bf16_full_eval: False
fp16_full_eval: False
tf32: None
gradient_checkpointing: False
gradient_checkpointing_kwargs: None
torch_compile: False
torch_compile_backend: None
torch_compile_mode: None
use_liger_kernel: False
liger_kernel_config: None
use_cache: False
neftune_noise_alpha: None
torch_empty_cache_steps: None
auto_find_batch_size: False
log_on_each_node: True
logging_nan_inf_filter: True
include_num_input_tokens_seen: no
log_level: passive
log_level_replica: warning
disable_tqdm: False
project: huggingface
trackio_space_id: None
trackio_bucket_id: None
trackio_static_space_id: None
per_device_eval_batch_size: 4
prediction_loss_only: True
eval_on_start: False
eval_do_concat_batches: True
eval_use_gather_object: False
eval_accumulation_steps: None
include_for_metrics: []
batch_eval_metrics: False
save_only_model: False
save_on_each_node: False
enable_jit_checkpoint: False
push_to_hub: False
hub_private_repo: None
hub_model_id: None
hub_strategy: every_save
hub_always_push: False
hub_revision: None
load_best_model_at_end: False
ignore_data_skip: False
restore_callback_states_from_checkpoint: False
full_determinism: False
seed: 42
data_seed: None
use_cpu: False
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
dataloader_drop_last: False
dataloader_num_workers: 0
dataloader_pin_memory: True
dataloader_persistent_workers: False
dataloader_prefetch_factor: None
remove_unused_columns: True
label_names: None
train_sampling_strategy: random
length_column_name: length
ddp_find_unused_parameters: None
ddp_bucket_cap_mb: None
ddp_broadcast_buffers: False
ddp_static_graph: None
ddp_backend: None
ddp_timeout: 1800
fsdp: None
fsdp_config: None
deepspeed: None
debug: []
skip_memory_metrics: True
do_predict: False
resume_from_checkpoint: None
warmup_ratio: None
local_rank: -1
prompts: None
batch_sampler: batch_sampler
multi_dataset_batch_sampler: round_robin
router_mapping: {}
learning_rate_mapping: {}

Training Logs

Epoch	Step	Training Loss
0.2	500	0.4448
0.4	1000	0.4146
0.6	1500	0.4084
0.8	2000	0.3947
1.0	2500	0.3814

Training Time

Training: 14.0 minutes

Framework Versions

Python: 3.12.13
Sentence Transformers: 5.6.0
Transformers: 5.12.1
PyTorch: 2.11.0+cu128
Accelerate: 1.14.0
Datasets: 4.0.0
Tokenizers: 0.22.2

Citation

BibTeX

Sentence Transformers

@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",
}

TripletLoss

@misc{hermans2017defense,
    title={In Defense of the Triplet Loss for Person Re-Identification},
    author={Alexander Hermans and Lucas Beyer and Bastian Leibe},
    year={2017},
    eprint={1703.07737},
    archivePrefix={arXiv},
    primaryClass={cs.CV}
}

Downloads last month: 107

Safetensors

Model size

0.2B params

Tensor type

F32

Model tree for NullCoreDeveloper/stylometric-rubert-v4

Finetunes

1 model

Papers for NullCoreDeveloper/stylometric-rubert-v4

Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks

Paper • 1908.10084 • Published Aug 27, 2019 • 17

In Defense of the Triplet Loss for Person Re-Identification

Paper • 1703.07737 • Published Mar 22, 2017