Aramodernbert Base STS

🚀 基於 NAMAA-Space/AraModernBert-Base-V1.0 的句子轉換器

本句子轉換器基於 NAMAA-Space/AraModernBert-Base-V1.0 進行微調，能夠生成強大的阿拉伯語嵌入向量，適用於多種應用場景。它可以為阿拉伯語文本提供精確而深入的有意義表示，無論是構建智能搜索引擎、聊天機器人還是由人工智能驅動的知識圖譜，該模型都能發揮重要作用。

主要特性

• 🔹 768 維密集向量 🎯
• 🔹 擅長領域：語義相似度、搜索、釋義挖掘、聚類、文本分類等！
• 🔹 在保證性能的同時，優化了速度和效率

完整模型架構

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: ModernBertModel 
  (1): Pooling({'word_embedding_dimension': 768, '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})
)

🚀 快速開始

📦 安裝指南

首先，安裝 Sentence Transformers 庫：

pip install -U sentence-transformers

💻 使用示例

基礎用法

安裝完成後，你可以加載此模型並進行推理：

from sentence_transformers import SentenceTransformer

# 從 🤗 Hub 下載模型
model = SentenceTransformer("NAMAA-Space/AraModernBert-Base-STS")
# 進行推理
sentences = [
    'الذكاء الاصطناعي يغير طريقة تفاعلنا مع التكنولوجيا.',
    'التكنولوجيا تتطور بسرعة بفضل الذكاء الاصطناعي.',
    'الذكاء الاصطناعي يسهم في تطوير التطبيقات الذكية.',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 768]

# 獲取嵌入向量的相似度分數
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]

📚 詳細文檔

評估

指標

語義相似度

• 數據集：STS17 和 STS22.v2
• 評估方法：使用 EmbeddingSimilarityEvaluator 進行評估

框架版本

📄 許可證

本模型採用 Apache-2.0 許可證。

📚 引用

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}
}