README.md

metadata

base_model: BAAI/bge-m3
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:200000
  - 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: gte_hun
    results:
      - task:
          type: triplet
          name: Triplet
        dataset:
          name: all nli dev
          type: all-nli-dev
        metrics:
          - type: cosine_accuracy
            value: 0.979
            name: Cosine Accuracy
          - type: dot_accuracy
            value: 0.021
            name: Dot Accuracy
          - type: manhattan_accuracy
            value: 0.9804
            name: Manhattan Accuracy
          - type: euclidean_accuracy
            value: 0.979
            name: Euclidean Accuracy
          - type: max_accuracy
            value: 0.9804
            name: Max Accuracy
      - task:
          type: triplet
          name: Triplet
        dataset:
          name: all nli test
          type: all-nli-test
        metrics:
          - type: cosine_accuracy
            value: 0.979
            name: Cosine Accuracy
          - type: dot_accuracy
            value: 0.021
            name: Dot Accuracy
          - type: manhattan_accuracy
            value: 0.9804
            name: Manhattan Accuracy
          - type: euclidean_accuracy
            value: 0.979
            name: Euclidean Accuracy
          - type: max_accuracy
            value: 0.9804
            name: Max Accuracy

gte_hun

This is a sentence-transformers model finetuned from BAAI/bge-m3 on the train dataset. It maps sentences & paragraphs to a 1024-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: BAAI/bge-m3
• Maximum Sequence Length: 8192 tokens
• Output Dimensionality: 1024 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': 8192, 'do_lower_case': False}) with Transformer model: XLMRobertaModel 
  (1): Pooling({'word_embedding_dimension': 1024, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
  (2): Normalize()
)

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/bge-m3-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, 1024]

# 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	0.979
dot_accuracy	0.021
manhattan_accuracy	0.9804
euclidean_accuracy	0.979
max_accuracy	0.9804

Triplet

• Dataset: all-nli-test
• Evaluated with TripletEvaluator

Metric	Value
cosine_accuracy	0.979
dot_accuracy	0.021
manhattan_accuracy	0.9804
euclidean_accuracy	0.979
max_accuracy	0.9804

Training Details

Training Dataset

train

• Dataset: train
• Size: 200,000 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: 16
• per_device_eval_batch_size: 16
• 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: 16
• per_device_eval_batch_size: 16
• 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

Click to expand

Epoch	Step	Training Loss	train loss	all-nli-dev_max_accuracy	all-nli-test_max_accuracy
0	0	-	-	0.7176	-
0.008	100	1.0753	-	-	-
0.016	200	0.7611	-	-	-
0.024	300	1.0113	-	-	-
0.032	400	0.6224	-	-	-
0.04	500	0.8465	0.6159	0.8938	-
0.048	600	0.7761	-	-	-
0.056	700	0.8738	-	-	-
0.064	800	0.9393	-	-	-
0.072	900	0.9743	-	-	-
0.08	1000	0.8445	0.4556	0.8916	-
0.088	1100	0.7237	-	-	-
0.096	1200	0.8064	-	-	-
0.104	1300	0.607	-	-	-
0.112	1400	0.7632	-	-	-
0.12	1500	0.7477	1.6880	0.6748	-
0.128	1600	1.018	-	-	-
0.136	1700	0.9046	-	-	-
0.144	1800	0.728	-	-	-
0.152	1900	0.7219	-	-	-
0.16	2000	0.632	0.6459	0.8622	-
0.168	2100	0.6067	-	-	-
0.176	2200	0.7267	-	-	-
0.184	2300	0.781	-	-	-
0.192	2400	0.662	-	-	-
0.2	2500	0.6192	1.0124	0.8328	-
0.208	2600	0.7943	-	-	-
0.216	2700	0.8762	-	-	-
0.224	2800	0.7913	-	-	-
0.232	2900	0.8049	-	-	-
0.24	3000	0.858	0.6378	0.8046	-
0.248	3100	0.679	-	-	-
0.256	3200	0.7213	-	-	-
0.264	3300	0.6028	-	-	-
0.272	3400	0.5778	-	-	-
0.28	3500	0.5434	0.6784	0.8496	-
0.288	3600	0.6726	-	-	-
0.296	3700	0.7347	-	-	-
0.304	3800	0.8413	-	-	-
0.312	3900	0.7993	-	-	-
0.32	4000	0.8899	0.7732	0.8092	-
0.328	4100	1.1505	-	-	-
0.336	4200	0.8871	-	-	-
0.344	4300	0.8423	-	-	-
0.352	4400	0.8288	-	-	-
0.36	4500	0.6728	0.6341	0.8436	-
0.368	4600	0.7534	-	-	-
0.376	4700	0.8276	-	-	-
0.384	4800	0.7677	-	-	-
0.392	4900	0.588	-	-	-
0.4	5000	0.7742	0.4389	0.8808	-
0.408	5100	0.6782	-	-	-
0.416	5200	0.6688	-	-	-
0.424	5300	0.5579	-	-	-
0.432	5400	0.6891	-	-	-
0.44	5500	0.5764	0.4192	0.902	-
0.448	5600	0.6152	-	-	-
0.456	5700	0.6864	-	-	-
0.464	5800	0.6429	-	-	-
0.472	5900	0.9379	-	-	-
0.48	6000	0.7607	0.4744	0.8736	-
0.488	6100	0.819	-	-	-
0.496	6200	0.6316	-	-	-
0.504	6300	0.8175	-	-	-
0.512	6400	0.8485	-	-	-
0.52	6500	0.5374	0.4860	0.916	-
0.528	6600	0.781	-	-	-
0.536	6700	0.7722	-	-	-
0.544	6800	0.7281	-	-	-
0.552	6900	0.8453	-	-	-
0.56	7000	0.8541	0.2612	0.9322	-
0.568	7100	0.9698	-	-	-
0.576	7200	0.7184	-	-	-
0.584	7300	0.699	-	-	-
0.592	7400	0.5574	-	-	-
0.6	7500	0.5374	0.1939	0.9472	-
0.608	7600	0.6485	-	-	-
0.616	7700	0.5177	-	-	-
0.624	7800	0.814	-	-	-
0.632	7900	0.6442	-	-	-
0.64	8000	0.5301	0.1192	0.9616	-
0.648	8100	0.4948	-	-	-
0.656	8200	0.426	-	-	-
0.664	8300	0.4781	-	-	-
0.672	8400	0.4188	-	-	-
0.68	8500	0.5695	0.1523	0.9492	-
0.688	8600	0.3895	-	-	-
0.696	8700	0.5041	-	-	-
0.704	8800	0.7599	-	-	-
0.712	8900	0.5893	-	-	-
0.72	9000	0.6678	0.1363	0.9588	-
0.728	9100	0.5917	-	-	-
0.736	9200	0.6201	-	-	-
0.744	9300	0.5072	-	-	-
0.752	9400	0.4233	-	-	-
0.76	9500	0.396	0.2490	0.937	-
0.768	9600	0.3699	-	-	-
0.776	9700	0.3734	-	-	-
0.784	9800	0.4145	-	-	-
0.792	9900	0.4422	-	-	-
0.8	10000	0.4427	0.1394	0.9634	-
0.808	10100	0.678	-	-	-
0.816	10200	0.6771	-	-	-
0.824	10300	0.8249	-	-	-
0.832	10400	0.5003	-	-	-
0.84	10500	0.5586	0.1006	0.9726	-
0.848	10600	0.4649	-	-	-
0.856	10700	0.5322	-	-	-
0.864	10800	0.4837	-	-	-
0.872	10900	0.5717	-	-	-
0.88	11000	0.4403	0.1009	0.9688	-
0.888	11100	0.5044	-	-	-
0.896	11200	0.4771	-	-	-
0.904	11300	0.4426	-	-	-
0.912	11400	0.3705	-	-	-
0.92	11500	0.4445	0.0992	0.978	-
0.928	11600	0.3707	-	-	-
0.936	11700	0.4322	-	-	-
0.944	11800	0.4619	-	-	-
0.952	11900	0.4772	-	-	-
0.96	12000	0.5756	0.0950	0.9804	-
0.968	12100	0.5649	-	-	-
0.976	12200	0.5037	-	-	-
0.984	12300	0.0317	-	-	-
0.992	12400	0.0001	-	-	-
1.0	12500	0.0001	0.0948	0.9804	0.9804

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}
}