BERTA

🚀 BERTA

BERTA是一個用於計算俄語和英語句子嵌入的模型。它通過將ai-forever/FRIDA（嵌入維度為1536，層數為24）的嵌入蒸餾到sergeyzh/LaBSE-ru-turbo（嵌入維度為768，層數為12）中得到。FRIDA的主要使用模式CLS池化被替換為均值池化，模型行為未做其他更改。蒸餾儘可能全面，涵蓋了俄語和英語句子的嵌入以及前綴處理。

模型的上下文大小與FRIDA一致，為512個詞元。

模型信息

✨ 主要特性

• 多語言支持：能夠處理俄語和英語句子的嵌入計算。
• 蒸餾優化：通過蒸餾技術將高維嵌入壓縮到低維，同時保持性能。
• 上下文一致：上下文大小與FRIDA相同，為512個詞元。
• 前綴繼承：繼承了FRIDA的所有前綴，並在配置文件中設置了默認前綴。

📦 安裝指南

文檔未提供具體安裝步驟，故跳過此章節。

💻 使用示例

基礎用法

使用transformers庫調用模型：

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

高級用法

使用sentence_transformers庫調用模型（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

📚 詳細文檔

前綴說明

所有前綴均繼承自FRIDA。對於大多數任務，最優（能提供平均水平結果）的前綴是 "categorize_entailment: "，該前綴已默認寫入config_sentence_transformers.json。

以下是在encodechka中使用的前綴列表及其對模型評估的影響：

任務說明

• 語義文本相似度（STS）
• 釋義識別（PI）
• 自然語言推理（NLI）
• 情感分析（SA）
• 毒性識別（TI）

模型評估指標

模型在ruMTEB基準測試中的評估結果如下：

🔧 技術細節

模型通過蒸餾技術將ai-forever/FRIDA的嵌入信息轉移到sergeyzh/LaBSE-ru-turbo中，同時將FRIDA的CLS池化替換為均值池化，以實現對俄語和英語句子嵌入的高效計算。蒸餾過程儘可能全面，確保了模型在多語言任務中的性能。

📄 許可證

本項目採用MIT許可證。