--- language: - ru - en pipeline_tag: sentence-similarity tags: - russian - pretraining - embeddings - feature-extraction - sentence-similarity - sentence-transformers - transformers datasets: - IlyaGusev/gazeta - zloelias/lenta-ru - HuggingFaceFW/fineweb-2 - HuggingFaceFW/fineweb license: mit base_model: sergeyzh/LaBSE-ru-turbo --- ## BERTA Модель для расчетов эмбеддингов предложений на русском и английском языках получена методом дистилляции эмбеддингов [ai-forever/FRIDA](https://huggingface.co/ai-forever/FRIDA) (размер эмбеддингов - 1536, слоёв - 24) в [sergeyzh/LaBSE-ru-turbo](https://huggingface.co/sergeyzh/LaBSE-ru-turbo) (размер эмбеддингов - 768, слоёв - 12). Основной режим использования FRIDA - CLS pooling заменен на mean pooling. Каких-либо других изменений поведения модели не производилось. Дистиляция выполнена в максимально возможном объеме - эмбеддинги русских и английских предложений, работа префиксов. Размер контекста модели соответствует FRIDA - 512 токенов. ## Префиксы Все префиксы унаследованы от FRIDA. Оптимальный (обеспечивающий средние результаты) префикс для большинства задач - "categorize_entailment: " прописан по умолчанию в [config_sentence_transformers.json](https://huggingface.co/sergeyzh/BERTA/blob/main/config_sentence_transformers.json) Перечень используемых префиксов и их влияние на оценки модели в [encodechka](https://github.com/avidale/encodechka): | Префикс | STS | PI | NLI | SA | TI | |:-----------------------|:---------:|:---------:|:---------:|:---------:|:---------:| | - | 0,842 | 0,757 | 0,463 | **0,830** | 0,985 | | search_query: | 0,853 | 0,767 | 0,479 | 0,825 | 0,987 | | search_document: | 0,831 | 0,749 | 0,463 | 0,817 | 0,986 | | paraphrase: | 0,847 | **0,778** | 0,446 | 0,825 | 0,986 | | categorize: | **0,857** | 0,765 | 0,501 | 0,829 | **0,988** | | categorize_sentiment: | 0,589 | 0,535 | 0,417 | 0,805 | 0,982 | | categorize_topic: | 0,740 | 0,521 | 0,396 | 0,770 | 0,982 | | categorize_entailment: | 0,841 | 0,762 | **0,571** | 0,827 | 0,986 | **Задачи:** - Semantic text similarity (**STS**); - Paraphrase identification (**PI**); - Natural language inference (**NLI**); - Sentiment analysis (**SA**); - Toxicity identification (**TI**). # Метрики Оценки модели на бенчмарке [ruMTEB](https://habr.com/ru/companies/sberdevices/articles/831150/): |Model Name | Metric | FRIDA | BERTA | [rubert-mini-frida](https://huggingface.co/sergeyzh/rubert-mini-frida) | multilingual-e5-large-instruct | multilingual-e5-large | |:-------------------------------|:--------------------|----------:|----------:|--------------------:|---------------------:|----------------------:| |CEDRClassification | Accuracy | **0.646** | 0.622 | 0.552 | 0.500 | 0.448 | |GeoreviewClassification | Accuracy | **0.577** | 0.548 | 0.464 | 0.559 | 0.497 | |GeoreviewClusteringP2P | V-measure | **0.783** | 0.738 | 0.698 | 0.743 | 0.605 | |HeadlineClassification | Accuracy | 0.890 | **0.891** | 0.880 | 0.862 | 0.758 | |InappropriatenessClassification | Accuracy | **0.783** | 0.748 | 0.698 | 0.655 | 0.616 | |KinopoiskClassification | Accuracy | **0.705** | 0.678 | 0.595 | 0.661 | 0.566 | |RiaNewsRetrieval | NDCG@10 | **0.868** | 0.816 | 0.721 | 0.824 | 0.807 | |RuBQReranking | MAP@10 | **0.771** | 0.752 | 0.711 | 0.717 | 0.756 | |RuBQRetrieval | NDCG@10 | 0.724 | 0.710 | 0.654 | 0.692 | **0.741** | |RuReviewsClassification | Accuracy | **0.751** | 0.723 | 0.658 | 0.686 | 0.653 | |RuSTSBenchmarkSTS | Pearson correlation | 0.814 | 0.822 | 0.803 | **0.840** | 0.831 | |RuSciBenchGRNTIClassification | Accuracy | **0.699** | 0.690 | 0.625 | 0.651 | 0.582 | |RuSciBenchGRNTIClusteringP2P | V-measure | **0.670** | 0.650 | 0.586 | 0.622 | 0.520 | |RuSciBenchOECDClassification | Accuracy | 0.546 | **0.555** | 0.493 | 0.502 | 0.445 | |RuSciBenchOECDClusteringP2P | V-measure | **0.566** | 0.556 | 0.507 | 0.528 | 0.450 | |SensitiveTopicsClassification | Accuracy | 0.398 | **0.399** | 0.373 | 0.323 | 0.257 | |TERRaClassification | Average Precision | **0.665** | 0.657 | 0.606 | 0.639 | 0.584 | |Model Name | Metric | FRIDA | BERTA | rubert-mini-frida | multilingual-e5-large-instruct | multilingual-e5-large | |:-------------------------------|:--------------------|----------:|----------:|--------------------:|----------------------:|---------------------:| |Classification | Accuracy | **0.707** | 0.698 | 0.631 | 0.654 | 0.588 | |Clustering | V-measure | **0.673** | 0.648 | 0.597 | 0.631 | 0.525 | |MultiLabelClassification | Accuracy | **0.522** | 0.510 | 0.463 | 0.412 | 0.353 | |PairClassification | Average Precision | **0.665** | 0.657 | 0.606 | 0.639 | 0.584 | |Reranking | MAP@10 | **0.771** | 0.752 | 0.711 | 0.717 | 0.756 | |Retrieval | NDCG@10 | **0.796** | 0.763 | 0.687 | 0.758 | 0.774 | |STS | Pearson correlation | 0.814 | 0.822 | 0.803 | **0.840** | 0.831 | |Average | Average | **0.707** | 0.693 | 0.643 | 0.664 | 0.630 | ## Использование модели с библиотекой `transformers`: ```python import torch import torch.nn.functional as F from transformers import AutoTokenizer, AutoModel def pool(hidden_state, mask, pooling_method="mean"): if pooling_method == "mean": s = torch.sum(hidden_state * mask.unsqueeze(-1).float(), dim=1) d = mask.sum(axis=1, keepdim=True).float() return s / d elif pooling_method == "cls": return hidden_state[:, 0] inputs = [ # "paraphrase: В Ярославской области разрешили работу бань, но без посетителей", "categorize_entailment: Женщину доставили в больницу, за ее жизнь сейчас борются врачи.", "search_query: Сколько программистов нужно, чтобы вкрутить лампочку?", # "paraphrase: Ярославским баням разрешили работать без посетителей", "categorize_entailment: Женщину спасают врачи.", "search_document: Чтобы вкрутить лампочку, требуется три программиста: один напишет программу извлечения лампочки, другой — вкручивания лампочки, а третий проведет тестирование." ] tokenizer = AutoTokenizer.from_pretrained("sergeyzh/BERTA") model = AutoModel.from_pretrained("sergeyzh/BERTA") tokenized_inputs = tokenizer(inputs, max_length=512, padding=True, truncation=True, return_tensors="pt") with torch.no_grad(): outputs = model(**tokenized_inputs) embeddings = pool( outputs.last_hidden_state, tokenized_inputs["attention_mask"], pooling_method="mean" ) embeddings = F.normalize(embeddings, p=2, dim=1) sim_scores = embeddings[:3] @ embeddings[3:].T print(sim_scores.diag().tolist()) # [0.9530372023582458, 0.866746723651886, 0.7839133143424988] # [0.9360030293464661, 0.8591322302818298, 0.728583037853241] - FRIDA ``` ## Использование с `sentence_transformers` (sentence-transformers>=2.4.0): ```python from sentence_transformers import SentenceTransformer # loads model with mean pooling model = SentenceTransformer("sergeyzh/BERTA") paraphrase = model.encode(["В Ярославской области разрешили работу бань, но без посетителей", "Ярославским баням разрешили работать без посетителей"], prompt="paraphrase: ") print(paraphrase[0] @ paraphrase[1].T) # 0.9530372 # 0.9360032 - FRIDA categorize_entailment = model.encode(["Женщину доставили в больницу, за ее жизнь сейчас борются врачи.", "Женщину спасают врачи."], prompt="categorize_entailment: ") print(categorize_entailment[0] @ categorize_entailment[1].T) # 0.8667469 # 0.8591322 - FRIDA query_embedding = model.encode("Сколько программистов нужно, чтобы вкрутить лампочку?", prompt="search_query: ") document_embedding = model.encode("Чтобы вкрутить лампочку, требуется три программиста: один напишет программу извлечения лампочки, другой — вкручивания лампочки, а третий проведет тестирование.", prompt="search_document: ") print(query_embedding @ document_embedding.T) # 0.7839136 # 0.7285831 - FRIDA ```