metadata

base_model: sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2
language:
  - hu
library_name: sentence-transformers
license: apache-2.0
metrics:
  - cosine_accuracy
  - dot_accuracy
  - manhattan_accuracy
  - euclidean_accuracy
  - max_accuracy
pipeline_tag: sentence-similarity
tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - generated_from_trainer
  - dataset_size:457856
  - loss:MultipleNegativesRankingLoss
widget:
  - source_sentence: Emberek várnak a lámpánál kerékpárral.
    sentences:
      - Az emberek piros lámpánál haladnak.
      - Az emberek a kerékpárjukon vannak.
      - Egy fekete kutya úszik a vízben egy teniszlabdával a szájában
  - source_sentence: A kutya a vízben van.
    sentences:
      - >-
        Két férfi takarítja a havat a tetőről, az egyik egy emelőben ül, a másik
        pedig a tetőn.
      - A macska a vízben van, és dühös.
      - Egy kutya van a vízben, a szájában egy faág.
  - source_sentence: A nő feketét visel.
    sentences:
      - Egy barna kutya fröcsköl, ahogy úszik a vízben.
      - Egy tetoválással rendelkező nő, aki fekete tank tetején néz a földre.
      - >-
        Egy kékbe öltözött nő intenzív arckifejezéssel üti a teniszlabdát. A
        képen:
  - source_sentence: Az emberek alszanak.
    sentences:
      - Három ember beszélget egy városi utcán.
      - A nő fehéret visel.
      - Egy apa és a fia ölelgeti alvás közben.
  - source_sentence: Az emberek alszanak.
    sentences:
      - >-
        Egy feketébe öltözött nő cigarettát és bevásárlótáskát tart a kezében,
        miközben egy idősebb nő átmegy az utcán.
      - >-
        Egy csoport ember ül egy nyitott, térszerű területen, mögötte nagy
        bokrok és egy sor viktoriánus stílusú épület, melyek közül sokat a kép
        jobb oldalán lévő erős elmosódás tesz kivehetetlenné.
      - Egy apa és a fia ölelgeti alvás közben.
model-index:
  - name: e5-base_hun
    results:
      - task:
          type: triplet
          name: Triplet
        dataset:
          name: all nli dev
          type: all-nli-dev
        metrics:
          - type: cosine_accuracy
            value: 0.9746
            name: Cosine Accuracy
          - type: dot_accuracy
            value: 0.0284
            name: Dot Accuracy
          - type: manhattan_accuracy
            value: 0.9676
            name: Manhattan Accuracy
          - type: euclidean_accuracy
            value: 0.9658
            name: Euclidean Accuracy
          - type: max_accuracy
            value: 0.9746
            name: Max Accuracy
      - task:
          type: triplet
          name: Triplet
        dataset:
          name: all nli test
          type: all-nli-test
        metrics:
          - type: cosine_accuracy
            value: 0.9921212121212121
            name: Cosine Accuracy
          - type: dot_accuracy
            value: 0.008636363636363636
            name: Dot Accuracy
          - type: manhattan_accuracy
            value: 0.9896969696969697
            name: Manhattan Accuracy
          - type: euclidean_accuracy
            value: 0.9895454545454545
            name: Euclidean Accuracy
          - type: max_accuracy
            value: 0.9921212121212121
            name: Max Accuracy

e5-base_hun

This is a sentence-transformers model finetuned from sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 on the train dataset. It maps sentences & paragraphs to a 384-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: sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2
Maximum Sequence Length: 128 tokens
Output Dimensionality: 384 tokens
Similarity Function: Cosine Similarity
Training Dataset:
- train
Language: hu
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': 128, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 384, '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.

from sentence_transformers import SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("karsar/paraphrase-multilingual-MiniLM-L12-hu")
# Run inference
sentences = [
    'Az emberek alszanak.',
    'Egy apa és a fia ölelgeti alvás közben.',
    'Egy csoport ember ül egy nyitott, térszerű területen, mögötte nagy bokrok és egy sor viktoriánus stílusú épület, melyek közül sokat a kép jobb oldalán lévő erős elmosódás tesz kivehetetlenné.',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 384]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]

Evaluation

Metrics

Triplet

Dataset: all-nli-dev
Evaluated with TripletEvaluator

Metric	Value
cosine_accuracy	0.9746
dot_accuracy	0.0284
manhattan_accuracy	0.9676
euclidean_accuracy	0.9658
max_accuracy	0.9746

Triplet

Dataset: all-nli-test
Evaluated with TripletEvaluator

Metric	Value
cosine_accuracy	0.9921
dot_accuracy	0.0086
manhattan_accuracy	0.9897
euclidean_accuracy	0.9895
max_accuracy	0.9921

Training Details

Training Dataset

train

Dataset: train
Size: 457,856 training samples
Columns: anchor, positive, and negative

Approximate statistics based on the first 1000 samples:

	anchor	positive	negative
type	string	string	string
details	min: 7 tokens mean: 11.73 tokens max: 56 tokens	min: 6 tokens mean: 15.24 tokens max: 47 tokens	min: 7 tokens mean: 16.07 tokens max: 53 tokens

Samples:

anchor	positive	negative
`Egy lóháton ülő ember átugrik egy lerombolt repülőgép felett.`	`Egy ember a szabadban, lóháton.`	`Egy ember egy étteremben van, és omlettet rendel.`
`Gyerekek mosolyogva és integetett a kamera`	`Gyermekek vannak jelen`	`A gyerekek homlokot rántanak`
`Egy fiú ugrál a gördeszkát a közepén egy piros híd.`	`A fiú gördeszkás trükköt csinál.`	`A fiú korcsolyázik a járdán.`

Loss: MultipleNegativesRankingLoss with these parameters:

{
    "scale": 20.0,
    "similarity_fct": "cos_sim"
}

Evaluation Dataset

train

Dataset: train
Size: 5,000 evaluation samples
Columns: anchor, positive, and negative

Approximate statistics based on the first 1000 samples:

	anchor	positive	negative
type	string	string	string
details	min: 7 tokens mean: 11.73 tokens max: 56 tokens	min: 6 tokens mean: 15.24 tokens max: 47 tokens	min: 7 tokens mean: 16.07 tokens max: 53 tokens

Samples:

anchor	positive	negative
`Egy lóháton ülő ember átugrik egy lerombolt repülőgép felett.`	`Egy ember a szabadban, lóháton.`	`Egy ember egy étteremben van, és omlettet rendel.`
`Gyerekek mosolyogva és integetett a kamera`	`Gyermekek vannak jelen`	`A gyerekek homlokot rántanak`
`Egy fiú ugrál a gördeszkát a közepén egy piros híd.`	`A fiú gördeszkás trükköt csinál.`	`A fiú korcsolyázik a járdán.`

Loss: MultipleNegativesRankingLoss with these parameters:

{
    "scale": 20.0,
    "similarity_fct": "cos_sim"
}

Training Hyperparameters

Non-Default Hyperparameters

eval_strategy: steps
per_device_train_batch_size: 128
per_device_eval_batch_size: 128
num_train_epochs: 1
warmup_ratio: 0.1
bf16: 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: 128
per_device_eval_batch_size: 128
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: 1.0
num_train_epochs: 1
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: 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: False
hub_always_push: False
gradient_checkpointing: False
gradient_checkpointing_kwargs: None
include_inputs_for_metrics: False
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
eval_use_gather_object: False
batch_sampler: no_duplicates
multi_dataset_batch_sampler: proportional

Training Logs

Epoch	Step	Training Loss	train loss	all-nli-dev_max_accuracy	all-nli-test_max_accuracy
0	0	-	-	0.7574	-
0.0280	100	2.3495	-	-	-
0.0559	200	1.8588	-	-	-
0.0839	300	1.7156	-	-	-
0.1118	400	1.609	-	-	-
0.1398	500	1.5286	-	-	-
0.1677	600	1.4425	-	-	-
0.1957	700	1.6016	-	-	-
0.2237	800	1.5278	-	-	-
0.2516	900	1.4255	-	-	-
0.2796	1000	1.2084	-	-	-
0.3075	1100	1.1248	-	-	-
0.3355	1200	1.0773	-	-	-
0.3634	1300	1.1373	-	-	-
0.3914	1400	1.222	-	-	-
0.4193	1500	1.048	-	-	-
0.4473	1600	0.9319	-	-	-
0.4753	1700	0.8837	-	-	-
0.5032	1800	0.8402	-	-	-
0.5312	1900	0.7515	-	-	-
0.5591	2000	0.9405	0.1310	0.9746	-
0.5871	2100	0.8526	-	-	-
0.6150	2200	0.7886	-	-	-
0.6430	2300	0.6704	-	-	-
0.6710	2400	0.6488	-	-	-
0.6989	2500	0.635	-	-	-
0.7269	2600	0.7242	-	-	-
0.7548	2700	0.7593	-	-	-
0.7828	2800	0.62	-	-	-
0.8107	2900	0.4302	-	-	-
0.8387	3000	0.2952	-	-	-
0.8666	3100	0.3354	-	-	-
0.8946	3200	0.3221	-	-	-
0.9226	3300	0.4317	-	-	-
0.9505	3400	0.3185	-	-	-
0.9785	3500	0.433	-	-	-
1.0	3577	-	-	-	0.9921

Framework Versions

Python: 3.11.8
Sentence Transformers: 3.1.1
Transformers: 4.44.0
PyTorch: 2.3.0.post101
Accelerate: 0.33.0
Datasets: 2.18.0
Tokenizers: 0.19.0

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",
}

MultipleNegativesRankingLoss

@misc{henderson2017efficient,
    title={Efficient Natural Language Response Suggestion for Smart Reply},
    author={Matthew Henderson and Rami Al-Rfou and Brian Strope and Yun-hsuan Sung and Laszlo Lukacs and Ruiqi Guo and Sanjiv Kumar and Balint Miklos and Ray Kurzweil},
    year={2017},
    eprint={1705.00652},
    archivePrefix={arXiv},
    primaryClass={cs.CL}
}