BERTA

🚀 BERTA

BERTA是一个用于计算俄语和英语句子嵌入的模型。它通过将ai-forever/FRIDA（嵌入维度为1536，层数为24）的嵌入蒸馏到sergeyzh/LaBSE-ru-turbo（嵌入维度为768，层数为12）中得到。FRIDA的主要使用模式CLS池化被替换为均值池化，模型行为未做其他更改。蒸馏尽可能全面，涵盖了俄语和英语句子的嵌入以及前缀处理。

模型的上下文大小与FRIDA一致，为512个词元。

模型信息

✨ 主要特性

• 多语言支持：能够处理俄语和英语句子的嵌入计算。
• 蒸馏优化：通过蒸馏技术将高维嵌入压缩到低维，同时保持性能。
• 上下文一致：上下文大小与FRIDA相同，为512个词元。
• 前缀继承：继承了FRIDA的所有前缀，并在配置文件中设置了默认前缀。

📦 安装指南

文档未提供具体安装步骤，故跳过此章节。

💻 使用示例

基础用法

使用transformers库调用模型：

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

高级用法

使用sentence_transformers库调用模型（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

📚 详细文档

前缀说明

所有前缀均继承自FRIDA。对于大多数任务，最优（能提供平均水平结果）的前缀是 "categorize_entailment: "，该前缀已默认写入config_sentence_transformers.json。

以下是在encodechka中使用的前缀列表及其对模型评估的影响：

任务说明

• 语义文本相似度（STS）
• 释义识别（PI）
• 自然语言推理（NLI）
• 情感分析（SA）
• 毒性识别（TI）

模型评估指标

模型在ruMTEB基准测试中的评估结果如下：

🔧 技术细节

模型通过蒸馏技术将ai-forever/FRIDA的嵌入信息转移到sergeyzh/LaBSE-ru-turbo中，同时将FRIDA的CLS池化替换为均值池化，以实现对俄语和英语句子嵌入的高效计算。蒸馏过程尽可能全面，确保了模型在多语言任务中的性能。

📄 许可证

本项目采用MIT许可证。