bge-m3_en_ru
TatonkaHF
Similitud de oraciones
Este es una versión reducida del tokenizador de BAAI/bge-m3. El modelo actual solo tiene tokens en inglés y ruso en el vocabulario. Por lo tanto, el vocabulario es el 21% del original, y el número de parámetros en todo el modelo es el 63.3% del original, sin ninguna pérdida en la calidad de las embeddings en inglés y ruso.
Como usar
Uso (Sentence-Transformers)
pip install -U sentence-transformers
from sentence_transformers import SentenceTransformer
sentences = ["This is an example sentence", "Each sentence is converted"]
model = SentenceTransformer('TatonkaHF/bge-m3_en_ru')
embeddings = model.encode(sentences)
print(embeddings)
Uso (HuggingFace Transformers)
from transformers import AutoTokenizer, AutoModel
import torch
# Media de Pooling - Tomar en cuenta la máscara de atención para un promedio correcto
def mean_pooling(model_output, attention_mask):
token_embeddings = model_output[0] # El primer elemento de model_output contiene todas las embeddings de los tokens
input_mask_expanded = attention_mask.unsqueeze(-1).expand(token_embeddings.size()).float()
return torch.sum(token_embeddings * input_mask_expanded, 1) / torch.clamp(input_mask_expanded.sum(1), min=1e-9)
# Frases para las cuales queremos embeddings de la oración
sentences = ['This is an example sentence', 'Each sentence is converted']
# Cargar el modelo desde HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('TatonkaHF/bge-m3_en_ru')
model = AutoModel.from_pretrained('TatonkaHF/bge-m3_en_ru')
# Tokenizar las frases
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')
# Calcular las embeddings de los tokens
with torch.no_grad():
model_output = model(**encoded_input)
# Realizar pooling. En este caso, media de pooling.
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])
print("Embeddings de las oraciones:")
print(sentence_embeddings)
Funcionalidades
- Modelo transformador: XLMRobertaModel
- Longitud máxima de la secuencia: 8192
- Dimensión de embedding de palabra: 1024
- Modos de pooling: media de tokens
Casos de uso
- Similitud de oraciones
- Extracción de características
- Inferencia de embeddings de texto
- Uso compatible con AutoTrain
- Endpoint de inferencia compatible