RamzyBakir/arabic-gte-multilingual-base-100k

SentenceTransformer based on Alibaba-NLP/gte-multilingual-base

This is a sentence-transformers model finetuned from Alibaba-NLP/gte-multilingual-base on the silma-arabic-triplets-dataset-v1.0 dataset. It maps sentences & paragraphs to a 768-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: Alibaba-NLP/gte-multilingual-base
• Maximum Sequence Length: 8192 tokens
• Output Dimensionality: 768 dimensions
• Similarity Function: Cosine Similarity
• Training Dataset:
  • silma-arabic-triplets-dataset-v1.0

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: NewModel 
  (1): Pooling({'word_embedding_dimension': 768, '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("RamzyBakir/arabic-gte-multilingual-base-100k", trust_remote_code=True)
# Run inference
sentences = [
    'ما هي قصتك الملهمة التي غيرت حياتك؟',
    'ما هي بعض القصص الأكثر إلهاما التي غيرت حياتك؟',
    'ما هي قصصك الفاشلة؟',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 768]

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

Evaluation

Metrics

Triplet

• Dataset: triplet-eval
• Evaluated with TripletEvaluator

Metric	Value
cosine_accuracy	0.968

Training Details

Training Dataset

silma-arabic-triplets-dataset-v1.0

• Dataset: silma-arabic-triplets-dataset-v1.0 at 77f8f6b
• Size: 100,000 training samples
• Columns: anchor, positive, and negative
• Approximate statistics based on the first 1000 samples:

  	anchor	positive	negative
  type	string	string	string
  details	min: 5 tokens mean: 18.0 tokens max: 77 tokens	min: 4 tokens mean: 15.21 tokens max: 96 tokens	min: 4 tokens mean: 15.25 tokens max: 73 tokens

• Samples:

  anchor	positive	negative
  امرأة شابة ذات شعر أشقر، ترتدي فستاناً رمادياً، وقمصان حمراء، تستمع إلى الموسيقى وهي تسير سريعاً إلى وجهتها.	امرأة شابة تستمع إلى الموسيقى وتمر بسرعة	الرجل يأخذ قيلولة
  لماذا لا تعطي جوجل أي ردود فعل؟	لماذا لا تشارك جوجل ردود الفعل من المقابلة مع المرشح؟	ما هي أفضل الأماكن للزيارة في جوا في رحلة لمدة يومين ونصف؟
  كيف بالضبط سيؤدي إلغاء عملة 500/1000 روبية إلى كبح الأموال السوداء إلى أي مدى؟	هل سيساعد إلغاء عملة الـ 500 و 1000 روبية في الهند في كبح النقود السوداء؟ أم أن الأغنياء يخزنون أموالهم غير الخاضعة للضريبة؟	هل ستأتي عملة الـ2000 روبية حقاً بشريحة تحديد المواقع، أم أنها مجرد إشاعة؟

• Loss: MultipleNegativesRankingLoss with these parameters:

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

Evaluation Dataset

silma-arabic-triplets-dataset-v1.0

• Dataset: silma-arabic-triplets-dataset-v1.0 at 77f8f6b
• Size: 11,112 evaluation samples
• Columns: anchor, positive, and negative
• Approximate statistics based on the first 1000 samples:

  	anchor	positive	negative
  type	string	string	string
  details	min: 4 tokens mean: 18.48 tokens max: 84 tokens	min: 4 tokens mean: 16.0 tokens max: 78 tokens	min: 4 tokens mean: 15.29 tokens max: 70 tokens

• Samples:

  anchor	positive	negative
  نعم لقد كان فقط كما تعلمون لقد كان انها لحظة مناسبة جدا لهم لمحاولة كما تعلمون	يبدو وكأنه وقت مناسب جدا بالنسبة لهم لمحاولة.	أعتقد أنه وقت سيء جداً للمحاولة، ألا تعتقدين ذلك؟
  هل يمكنك أن توصي بفيلم رعب جيد؟	هل يمكنك أن توصي ببعض أفلام الرعب الجيدة؟	ما هو أسلوب فيلم البؤساء؟
  ما هي التغييرات الحقيقية التي شعرتم بها في حياتكم (ليس من خلال التقارير الإعلامية) ، منذ وصول حكومة مودي إلى السلطة؟	ما هو التغيير السلبي الذي شعرتم به في حياتكم منذ وصول حكومة مودي إلى السلطة؟	ما الذي يمكن أن يغير حياتك؟

• 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
• fp16: True
• load_best_model_at_end: True

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: False
• fp16: True
• 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: True
• 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: 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
• 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

Training Logs

Epoch	Step	Training Loss	Validation Loss	triplet-eval_cosine_accuracy
0.16	500	0.2784	0.2127	0.9552
0.32	1000	0.2282	0.1903	0.9628
0.48	1500	0.2125	0.1787	0.9640
0.64	2000	0.1887	0.1678	0.9662
0.8	2500	0.1845	0.1616	0.9663
0.96	3000	0.1785	0.1582	0.968

• The bold row denotes the saved checkpoint.

Framework Versions

• Python: 3.11.13
• Sentence Transformers: 4.1.0
• Transformers: 4.52.4
• PyTorch: 2.6.0+cu124
• Accelerate: 1.8.1
• Datasets: 3.6.0
• Tokenizers: 0.21.2

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}
}