SentenceTransformer based on NullCoreDeveloper/stylometric-rubert-v4

This is a sentence-transformers model finetuned from NullCoreDeveloper/stylometric-rubert-v4. 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
Base model: NullCoreDeveloper/stylometric-rubert-v4
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 = [
    'Ребят, Карта 3070, настройки вд на high, при резком повороте в Аликс по углам чёрные полосы, в среднем 900 мегабит показывает вд, настройки вд сделал по видосу Павла 419, может драйвера карты обновить или на среднее качество снижать?',
    'Здесь со всем соглашусь. Но опять же нужно делать скидку на то что это по сути первая игра такого масштаба от этой команды, тот же Метро эксодус более взрослее чтоли. Но и опыта больше за плечами',
    'к слову, есть рекомендации какую лучше видюху купить чтобы играть в более требовательные игры с достаточным качеством. Например, в HalfLife Alyx ?\nв пределах 20 тыс. руб',
]
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, -0.2927, -0.3730],
#         [-0.2927,  1.0000,  0.3786],
#         [-0.3730,  0.3786,  1.0000]])

Evaluation

Metrics

Triplet

Dataset: hard-triplets-val
Evaluated with TripletEvaluator

Metric	Value
cosine_accuracy	0.8155

Training Details

Training Dataset

Unnamed Dataset

Size: 5,460 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: 31 tokens mean: 60.2 tokens max: 147 tokens	min: 36 tokens mean: 57.4 tokens max: 138 tokens	min: 34 tokens mean: 60.89 tokens max: 126 tokens

Samples:

sentence_0	sentence_1	sentence_2
Врать не буду, точно не скажу. Но буквально вчера, дети всадили у шлема заряд до 10%, я поставил банку и играл часа 2,5 в Alex, через стим. Остался гореть последний индикатор, думаю еще можно было бы по геймить немного, но устал. Если купить 2 таких банки, то можно менять. Играть на одной, пока вторая на зарядке. Но альтернатива банке в кармане + провод, этот вариант мне подошел по лучше.	`Ну не факт же что они плоскоземельщики🙄 или как их называют🤔 игруха то не требовательная от слова совсем. Может поэтому онлайн такой. Но если там общаг это борщ, не зя так издеваться над виарщиками`	`Ну если тебе на полкило кирпич не тяжело, то чоб нет. Единственно про что я и говорил, в нем тайп-с только на вход. Т.е. штатным кабелем от него шлем не зарядишь.`
`понятно, что морда пико - это не радиатор охлаждения. Но она таки греется ощутимо, а значит и рассеивает это тепло. Маска на шлем не приведет к моментальному перегреву, но может поднять температуру пико на градус другой`	`что-то оно(предыдущая версия) у меня на вкладке торрент фильма ничего не выдает. это нормльно? а если смотреть не торрент, то прерывается на буферизацию`	Сам пластик является тепловым рассеивателем. Забирает на себя часть тепла и рассеивает за счет открытого пространства. Пассивный радиатор. Если он этого не будет делать, то температура будет расти и все это начнет поднимать температуру устройства. Так же охлаждение работает и на технике apple, на macbook. Алюминиевые корпуса забирают на себя тепло и рассеивают его. Из-за этого ноуты часто вообще не включают кулера до определенной температуры.
`Ещё вопрос. Получается, по инструкции, Я обновляюсь до 5.6, затем сбрасываю до заводских на более раннюю (но уже европейскую) прошивку, а потом опять обновляюсь до 5.6, но уже по воздуху?`	`кстати, друг, у меня эти драйвера рандомно начали зависать, причем до такой степени, что откат на старую версию не спасал, пока ноут не потушишь на пару минут`	также держу за самый конец рукояти, главное успешно работать кистями и не особо размахивать руками, точнее наработать высокий КПД движений и взмахов кистью)) все с опытом FOV увеличь в настройках комнаты в самой игре, я поставил на 140 и все хорошо видно, приятная картинка на записи

Loss: TripletLoss with these parameters:

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

Training Hyperparameters

Non-Default Hyperparameters

per_device_train_batch_size: 16
num_train_epochs: 2
per_device_eval_batch_size: 16
multi_dataset_batch_sampler: round_robin

All Hyperparameters

Click to expand

per_device_train_batch_size: 16
num_train_epochs: 2
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: 16
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	hard-triplets-val_cosine_accuracy
1.0	342	-	0.8023
1.4620	500	0.2426	-
2.0	684	-	0.8155

Training Time

Training: 11.1 minutes

Framework Versions

Python: 3.12.13
Sentence Transformers: 5.6.0
Transformers: 5.13.1
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: 18

Safetensors

Model size

0.2B params

Tensor type

F32

Model tree for NullCoreDeveloper/stylometric-rubert-v5

Base model

NullCoreDeveloper/stylometric-rubert-v4

Finetuned

(1)

this model

Papers for NullCoreDeveloper/stylometric-rubert-v5

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

Evaluation results

Cosine Accuracy on hard triplets val
self-reported

0.815