Dfm Sentence Encoder Large

🚀 SimCSE训练版本的chcaa/dfm-encoder-large-v1

这是使用SimCSE训练的chcaa/dfm-encoder-large-v1的一个版本。它是斯堪的纳维亚嵌入基准的一部分，用于为SimCSE建立一个简单的基线。

🚀 快速开始

本项目是基于SimCSE训练的模型版本，不过需要注意的是，我们不推荐使用此模型，建议用户查看SEB上当前的最佳模型，或者参考丹麦基础模型团队的推荐。

📄 许可证

本项目采用MIT许可证。

📦 数据集

• DDSC/dagw_no_twitter

🔖 标签

• SimCSE

🔧 技术细节

超参数

使用SimCSE实现进行训练，具体参数如下：

CUDA_VISIBLE_DEVICES=0 python train.py \
    --train_file data/dfm_paragraphs.txt \ # 从丹麦语千兆语料库中提取的段落
    --model_name_or_path chcaa/dfm-encoder-large-v1 \
    --num_train_epochs 1 \
    --per_device_train_batch_size 128 \
    --learning_rate 1e-5 \
    --max_seq_length 32 \
    --evaluation_strategy steps \
    --metric_for_best_model stsb_spearman \
    --load_best_model_at_end \
    --pooler_type cls \
    --mlp_only_train \
    --do_mlm \
    --overwrite_output_dir \
    --temp 0.05 \
    --do_train \
    --fp16 

引用信息

若要引用此工作，请参考以下文章：

Enevoldsen, K., Kardos, M., Muennighoff, N., & Nielbo, K. (2024). The Scandinavian Embedding Benchmarks: Comprehensive Assessment of Multilingual and Monolingual Text Embedding. https://openreview.net/forum?id=pJl_i7HIA72

或者使用以下BibTeX：

@article{enevoldsenScandinavianEmbeddingBenchmarks2024,
	title = {The {Scandinavian} {Embedding} {Benchmarks}: {Comprehensive} {Assessment} of {Multilingual} and {Monolingual} {Text} {Embedding}},
	shorttitle = {The {Scandinavian} {Embedding} {Benchmarks}},
	url = {https://openreview.net/forum?id=pJl_i7HIA72},
	language = {en},
	urldate = {2024-04-12},
	author = {Enevoldsen, Kenneth and Kardos, Márton and Muennighoff, Niklas and Nielbo, Kristoffer},
	month = feb,
	year = {2024},
}

⚠️ 重要提示

我们不推荐使用此模型，建议用户查看SEB上当前的最佳模型，或者参考丹麦基础模型团队的推荐。