TimeNtWait/e5-small-ru-products-qlora_v1

Full description (rus): https://github.com/TimeNtWait/llm_finetune_qlora_tsdae_kit/blob/master/README_e5_fine_tune-ru-products.md

SentenceTransformer

This is a sentence-transformers model trained. 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
• Maximum Sequence Length: 512 tokens
• Output Dimensionality: 384 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, 'architecture': 'PeftModelForFeatureExtraction'})
  (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})
  (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("TimeNtWait/e5-small-ru-products-qlora_v1")
# Run inference
sentences = [
    ' Планшет Samsung SM-T500N, 32GB, темно-серый. Технология матрицы: TFT, Страна-изготовитель: Китай, Число SIM-карт: 1, Разъемы: USB Type-C, Разрешение экрана: 2000x1200, Форм-фактор SIM: Nano-SIM, Цвет товара: темно-серый, Встроенная память,   ГБ: 32, Оперативная память: 3 ГБ, Навигация: GPS, Модуль связи Bluetooth: 5.0, Бренд: Samsung, Тип карты памяти: microSD, Бренд процессора: Samsung, Разрешение основной камеры,  Мпикс: 8, Гарантийный срок: 1 год, Процессор: Snapdragon 662 8 ядер,  2.0 ГГц, Тип: Планшет, Беспроводные интерфейсы: Wi-Fi',
    ' Планшет Samsung SM-T500N, 32GB, темно-серый. Технология матрицы: TFT, Страна-изготовитель: Китай, Число SIM-карт: 1, Разъемы: USB Type-C, Разрешение экрана: 2000x1200, Форм-фактор SIM: Nano-SIM, Цвет товара: темно-серый, Встроенная память,   ГБ: 32, Оперативная память: 3 ГБ, Навигация: GPS, Модуль связи Bluetooth: 5.0, Бренд: Samsung, Тип карты памяти: microSD, Бренд процессора: Samsung, Разрешение основной камеры,  Мпикс: 8, Гарантийный срок: 1 год, Процессор: Snapdragon 662 8 ядер,  2.0 ГГц, Тип: Планшет, Беспроводные интерфейсы: Wi-Fi',
    '18 мм 20 мм 22 мм силиконовый ремешок для Samsung Galaxy GearS3 спортивный ремешок для часов Huawei active2 Huami. Бренд: Нет бренда, Вес товара,  г: 100, Цвет товара: черный, Рекомендовано для: Samsung, Материал браслета/ремешка: Гипоаллергенный силикон, Название цвета: Виолетта, Страна-изготовитель: Китай',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 384]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities)
# tensor([[1.0000, 1.0000, 0.8924],
#         [1.0000, 1.0000, 0.8924],
#         [0.8924, 0.8924, 1.0000]])

Evaluation

Metrics

Semantic Similarity

• Dataset: val_evaluator
• Evaluated with EmbeddingSimilarityEvaluator

Metric	Value
pearson_cosine	0.7883
spearman_cosine	0.716

Training Details

Training Dataset

Unnamed Dataset

• Size: 32,157 training samples
• Columns: sentence1 and sentence2
• Approximate statistics based on the first 1000 samples:

  	sentence1	sentence2
  type	string	string
  details	min: 16 tokens mean: 176.61 tokens max: 512 tokens	min: 16 tokens mean: 176.61 tokens max: 512 tokens

• Samples:

  sentence1	sentence2
  300 ГБ Внутренний жесткий диск Dell HC492 (HC492). Бренд: Dell, Вес товара, г: 500, Тип: Внутренний жесткий диск, Размеры, мм: 150 x 50 x 100, Назначение: Для сервера, Объем: 300 ГБ, Форм-фактор: 3.5</code>	300 ГБ Внутренний жесткий диск Dell HC492 (HC492). Бренд: Dell, Вес товара, г: 500, Тип: Внутренний жесткий диск, Размеры, мм: 150 x 50 x 100, Назначение: Для сервера, Объем: 300 ГБ, Форм-фактор: 3.5</code>
  Матрица / 1600x900 (HD+) / TN, глянцевая, для Lenovo B71-80 . Тип: Матрица для ноутбука, Тип подсветки: LED, Бренд: CHIP, Рекомендовано для: Lenovo, Гарантийный срок: 3 месяца, Разрешение экрана: 1600x900 HD+, Покрытие экрана: Глянцевое, Диагональ экрана, дюймы: 17.3, Страна-изготовитель: Китай Гонконг	Матрица / 1600x900 (HD+) / TN, глянцевая, для Lenovo B71-80 . Тип: Матрица для ноутбука, Тип подсветки: LED, Бренд: CHIP, Рекомендовано для: Lenovo, Гарантийный срок: 3 месяца, Разрешение экрана: 1600x900 HD+, Покрытие экрана: Глянцевое, Диагональ экрана, дюймы: 17.3, Страна-изготовитель: Китай Гонконг
  Картридж CLP-510D5 M пурпурный, для принтера Samsung CLP-510 / CLP-511 / CLP-515 / CLP-560. Тип: Картридж, Назначение: для лазерного принтера, Цвет тонера/чернил: пурпурный, Страна-изготовитель: Китай, Бренд: GalaPrint, Ресурс: 5000 страниц, Комплектация: Картридж - 1 шт., Бренд печатающего устройства: Samsung, Количество в упаковке, шт: 1, Количество цветов: 1, Совместимые модели принтеров: Samsung CLP-510, Samsung CLP-511, Samsung CLP-515, Samsung CLP-560, Цветность: Цветной, Оригинальность расходника: совместимый	Картридж CLP-510D5 M пурпурный, для принтера Samsung CLP-510 / CLP-511 / CLP-515 / CLP-560. Тип: Картридж, Назначение: для лазерного принтера, Цвет тонера/чернил: пурпурный, Страна-изготовитель: Китай, Бренд: GalaPrint, Ресурс: 5000 страниц, Комплектация: Картридж - 1 шт., Бренд печатающего устройства: Samsung, Количество в упаковке, шт: 1, Количество цветов: 1, Совместимые модели принтеров: Samsung CLP-510, Samsung CLP-511, Samsung CLP-515, Samsung CLP-560, Цветность: Цветной, Оригинальность расходника: совместимый

• Loss: DenoisingAutoEncoderLoss

Evaluation Dataset

Unnamed Dataset

• Size: 3,573 evaluation samples
• Columns: sentence1 and sentence2
• Approximate statistics based on the first 1000 samples:

  	sentence1	sentence2
  type	string	string
  details	min: 19 tokens mean: 177.65 tokens max: 512 tokens	min: 19 tokens mean: 177.65 tokens max: 512 tokens

• Samples:

  sentence1	sentence2
  Смарт ТВ приставка OneTech TV-817. Бренд: Onetech, Тип: Медиаплеер, Цвет товара: черный	Смарт ТВ приставка OneTech TV-817. Бренд: Onetech, Тип: Медиаплеер, Цвет товара: черный
  Контейнер SIM для iPhone 12 mini Красный. Бренд: Нет бренда, Вид запчасти: Держатель SIM-карты, Страна-изготовитель: Китай, Тип: Запчасть для телефона	Контейнер SIM для iPhone 12 mini Красный. Бренд: Нет бренда, Вид запчасти: Держатель SIM-карты, Страна-изготовитель: Китай, Тип: Запчасть для телефона
  Клавиатура для HP 17-ca0135ur ноутбука черная с подсветкой. Тип: Клавиатура для ноутбука, Гарантийный срок: 6 месяцев, Страна-изготовитель: Россия, Бренд: Нет бренда, Партномер: 8504403281	Клавиатура для HP 17-ca0135ur ноутбука черная с подсветкой. Тип: Клавиатура для ноутбука, Гарантийный срок: 6 месяцев, Страна-изготовитель: Россия, Бренд: Нет бренда, Партномер: 8504403281

• Loss: DenoisingAutoEncoderLoss

Training Hyperparameters

Non-Default Hyperparameters

• eval_strategy: steps
• per_device_train_batch_size: 4
• per_device_eval_batch_size: 2
• gradient_accumulation_steps: 4
• learning_rate: 2e-05
• weight_decay: 0.01
• num_train_epochs: 2
• warmup_ratio: 0.1
• bf16: True
• dataloader_drop_last: True
• remove_unused_columns: False
• load_best_model_at_end: True
• ignore_data_skip: True
• dataloader_pin_memory: False

All Hyperparameters

Click to expand

• overwrite_output_dir: False
• do_predict: False
• eval_strategy: steps
• prediction_loss_only: True
• per_device_train_batch_size: 4
• per_device_eval_batch_size: 2
• per_gpu_train_batch_size: None
• per_gpu_eval_batch_size: None
• gradient_accumulation_steps: 4
• eval_accumulation_steps: None
• torch_empty_cache_steps: None
• learning_rate: 2e-05
• weight_decay: 0.01
• adam_beta1: 0.9
• adam_beta2: 0.999
• adam_epsilon: 1e-08
• max_grad_norm: 1.0
• num_train_epochs: 2
• 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: True
• dataloader_num_workers: 0
• dataloader_prefetch_factor: None
• past_index: -1
• disable_tqdm: False
• remove_unused_columns: False
• label_names: None
• load_best_model_at_end: True
• ignore_data_skip: True
• 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: False
• 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
• 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
• 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
• use_liger_kernel: False
• eval_use_gather_object: False
• average_tokens_across_devices: False
• prompts: None
• batch_sampler: batch_sampler
• multi_dataset_batch_sampler: proportional
• router_mapping: {}
• learning_rate_mapping: {}

Training Logs

Epoch	Step	Training Loss	Validation Loss	val_evaluator_spearman_cosine
0.0249	50	50.5829	-	-
0.0498	100	40.6255	9.0062	0.7200
0.0746	150	33.0871	-	-
0.0995	200	30.4189	7.4291	0.7068
0.1244	250	29.1024	-	-
0.1493	300	27.8623	6.7881	0.7135
0.1742	350	26.6369	-	-
0.1990	400	25.5836	6.3228	0.7290
0.2239	450	25.3958	-	-
0.2488	500	24.4666	6.0294	0.7277
0.2737	550	23.9786	-	-
0.2985	600	24.0528	5.9682	0.7519
0.3234	650	24.4052	-	-
0.3483	700	24.0349	5.9931	0.7177
0.3732	750	24.1263	-	-
0.3981	800	24.3114	6.1747	0.7175
0.4229	850	24.5871	-	-
0.4478	900	24.0154	5.9904	0.7093
0.4727	950	23.6821	-	-
0.4976	1000	23.7826	5.8860	0.7309
0.5225	1050	24.1249	-	-
0.5473	1100	23.8626	6.0215	0.7257
0.5722	1150	23.4409	-	-
0.5971	1200	23.7736	7.0140	0.6837
0.6220	1250	24.7391	-	-
0.6468	1300	26.8179	6.5331	0.7306
0.6717	1350	26.2037	-	-
0.6966	1400	26.0413	6.4329	0.7104
0.7215	1450	25.7263	-	-
0.7464	1500	25.7628	6.4311	0.6982
0.7712	1550	25.7511	-	-
0.7961	1600	25.6492	6.4139	0.6845
0.8210	1650	25.6498	-	-
0.8459	1700	25.6481	6.4235	0.7315
0.8708	1750	25.7208	-	-
0.8956	1800	25.7408	6.4055	0.7107
0.9205	1850	25.6135	-	-
0.9454	1900	25.5655	6.3829	0.7287
0.9703	1950	25.566	-	-
0.9951	2000	25.6305	6.3725	0.7522
1.0204	2050	25.5832	-	-
1.0453	2100	25.4271	6.3412	0.6959
1.0702	2150	25.5027	-	-
1.0950	2200	25.5137	6.3318	0.7097
1.1199	2250	25.3413	-	-
1.1448	2300	25.2634	6.3250	0.7093
1.1697	2350	25.2366	-	-
1.1946	2400	25.1903	6.3146	0.7300
1.2194	2450	25.3605	-	-
1.2443	2500	25.2244	6.3077	0.7194
1.2692	2550	25.2578	-	-
1.2941	2600	25.1764	6.3055	0.7404
1.3189	2650	25.287	-	-
1.3438	2700	25.2671	6.2933	0.7203
1.3687	2750	25.1747	-	-
1.3936	2800	25.0824	6.2832	0.6952
1.4185	2850	25.2061	-	-
1.4433	2900	25.0547	6.2767	0.7228
1.4682	2950	25.103	-	-
1.4931	3000	25.1054	6.2705	0.7116
1.5180	3050	25.0885	-	-
1.5429	3100	25.1039	6.2643	0.6877
1.5677	3150	25.0281	-	-
1.5926	3200	25.0906	6.2581	0.7483
1.6175	3250	24.9833	-	-
1.6424	3300	25.0486	6.2525	0.7363
1.6672	3350	25.0512	-	-
1.6921	3400	25.2035	6.2463	0.7221
1.7170	3450	25.0408	-	-
1.7419	3500	25.0175	6.2412	0.6702
1.7668	3550	25.0301	-	-
1.7916	3600	25.0462	6.2382	0.7210
1.8165	3650	24.9645	-	-
1.8414	3700	25.0913	6.2344	0.6940
1.8663	3750	25.0548	-	-
1.8912	3800	24.8374	6.2314	0.6910
1.9160	3850	24.8166	-	-
1.9409	3900	24.878	6.2295	0.7029
1.9658	3950	24.836	-	-
1.9907	4000	24.8803	6.2285	0.7160

Framework Versions

• Python: 3.10.0rc2
• Sentence Transformers: 5.0.0
• Transformers: 4.49.0
• PyTorch: 2.6.0+cu126
• Accelerate: 1.4.0
• Datasets: 3.3.2
• Tokenizers: 0.21.0

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",
}

DenoisingAutoEncoderLoss

@inproceedings{wang-2021-TSDAE,
    title = "TSDAE: Using Transformer-based Sequential Denoising Auto-Encoderfor Unsupervised Sentence Embedding Learning",
    author = "Wang, Kexin and Reimers, Nils and Gurevych, Iryna",
    booktitle = "Findings of the Association for Computational Linguistics: EMNLP 2021",
    month = nov,
    year = "2021",
    address = "Punta Cana, Dominican Republic",
    publisher = "Association for Computational Linguistics",
    pages = "671--688",
    url = "https://arxiv.org/abs/2104.06979",
}