sergeyzh/BERTA

BERTA

Модель для расчетов эмбеддингов предложений на русском и английском языках получена методом дистилляции эмбеддингов ai-forever/FRIDA (размер эмбеддингов - 1536, слоёв - 24) в 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

Перечень используемых префиксов и их влияние на оценки модели в 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:

Model Name	Metric	FRIDA	BERTA	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:

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):

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