gte-reranker-modernbert-base-pubmed-tr

This is a Cross Encoder model finetuned from Alibaba-NLP/gte-reranker-modernbert-base using the sentence-transformers library. It computes scores for pairs of texts, which can be used for text reranking and semantic search.

Model Details

Model Description

• Model Type: Cross Encoder
• Base model: Alibaba-NLP/gte-reranker-modernbert-base
• Maximum Sequence Length: 8192 tokens
• Number of Output Labels: 1 label

• License: apache-2.0

Model Sources

• Documentation: Sentence Transformers Documentation
• Documentation: Cross Encoder Documentation
• Repository: Sentence Transformers on GitHub
• Hugging Face: Cross Encoders on Hugging Face

Usage

Direct Usage (Sentence Transformers)

First install the Sentence Transformers library:

pip install -U sentence-transformers

Then you can load this model and run inference.

from sentence_transformers import CrossEncoder

# Download from the 🤗 Hub
model = CrossEncoder("SMARTICT/gte-reranker-modernbert-base-pubmed-tr-v1")
# Get scores for pairs of texts
pairs = [
    ['Yaşlanmakta olan erkeklerde testosteron seviyelerindeki değişiklikler nasıl gözlemlenir ve bu değişiklikler hangi hormon seviyeleriyle ilişkilidir?', 'Testosteron seviyeleri azalır ve bu azalma, gonadotropinlere zayıf yanıt vermeyle birlikte görülür; testosteron seviyelerindeki düşüş, LH seviyelerinde artışla takip edilir.'],
    ['Yaşlanmakta olan erkeklerde testosteron seviyelerindeki değişiklikler nasıl gözlemlenir ve bu değişiklikler hangi hormon seviyeleriyle ilişkilidir?', 'Testosteron, NE seviyelerini, alımını veya salınımını etkilemediği gibi, vas deferens ve epididimste tirosin hidroksilaz aktivitesini değiştirmedi.'],
    ['Yaşlanmakta olan erkeklerde testosteron seviyelerindeki değişiklikler nasıl gözlemlenir ve bu değişiklikler hangi hormon seviyeleriyle ilişkilidir?', 'Yavaş dalga uykusundaki azalma, hormon seviyelerinde belirgin bir değişiklikle eşleşmedi.'],
    ['Yaşlanmakta olan erkeklerde testosteron seviyelerindeki değişiklikler nasıl gözlemlenir ve bu değişiklikler hangi hormon seviyeleriyle ilişkilidir?', 'Serum testosteron, diyaliz edilebilir testosteron ve LH seviyeleri sağlıklı erkeklerle anlamlı derecede fark göstermemekte, sadece LH yanıtları biraz daha yüksek bulunmuştur.'],
    ['Yaşlanmakta olan erkeklerde testosteron seviyelerindeki değişiklikler nasıl gözlemlenir ve bu değişiklikler hangi hormon seviyeleriyle ilişkilidir?', 'Maksimum uyarım testiyle değerlendirildi ve 6-15 yaş arasındaki erkekler üzerinde yapıldı.'],
]
scores = model.predict(pairs)
print(scores.shape)
# (5,)

# Or rank different texts based on similarity to a single text
ranks = model.rank(
    'Yaşlanmakta olan erkeklerde testosteron seviyelerindeki değişiklikler nasıl gözlemlenir ve bu değişiklikler hangi hormon seviyeleriyle ilişkilidir?',
    [
        'Testosteron seviyeleri azalır ve bu azalma, gonadotropinlere zayıf yanıt vermeyle birlikte görülür; testosteron seviyelerindeki düşüş, LH seviyelerinde artışla takip edilir.',
        'Testosteron, NE seviyelerini, alımını veya salınımını etkilemediği gibi, vas deferens ve epididimste tirosin hidroksilaz aktivitesini değiştirmedi.',
        'Yavaş dalga uykusundaki azalma, hormon seviyelerinde belirgin bir değişiklikle eşleşmedi.',
        'Serum testosteron, diyaliz edilebilir testosteron ve LH seviyeleri sağlıklı erkeklerle anlamlı derecede fark göstermemekte, sadece LH yanıtları biraz daha yüksek bulunmuştur.',
        'Maksimum uyarım testiyle değerlendirildi ve 6-15 yaş arasındaki erkekler üzerinde yapıldı.',
    ]
)
# [{'corpus_id': ..., 'score': ...}, {'corpus_id': ..., 'score': ...}, ...]

Evaluation

Metrics

Cross Encoder Reranking

• Dataset: gooaq-dev
• Evaluated with CrossEncoderRerankingEvaluator with these parameters:

  {
      "at_k": 10,
      "always_rerank_positives": false
  }
  

Cross Encoder Reranking

• Datasets: NanoMSMARCO_R100, NanoNFCorpus_R100 and NanoNQ_R100
• Evaluated with CrossEncoderRerankingEvaluator with these parameters:

  {
      "at_k": 10,
      "always_rerank_positives": true
  }
  

Cross Encoder Nano BEIR

• Dataset: NanoBEIR_R100_mean
• Evaluated with CrossEncoderNanoBEIREvaluator with these parameters:

  {
      "dataset_names": [
          "msmarco",
          "nfcorpus",
          "nq"
      ],
      "rerank_k": 100,
      "at_k": 10,
      "always_rerank_positives": true
  }
  

Training Details

Training Dataset

Unnamed Dataset

• Size: 26,083 training samples
• Columns: question, answer, and label
• Approximate statistics based on the first 1000 samples:

  	question	answer	label
  type	string	string	int
  details	min: 44 characters mean: 106.33 characters max: 201 characters	min: 6 characters mean: 98.72 characters max: 389 characters	0: ~67.60% 1: ~32.40%

• Samples:

  question	answer	label
  Yaşlanmakta olan erkeklerde testosteron seviyelerindeki değişiklikler nasıl gözlemlenir ve bu değişiklikler hangi hormon seviyeleriyle ilişkilidir?	Testosteron seviyeleri azalır ve bu azalma, gonadotropinlere zayıf yanıt vermeyle birlikte görülür; testosteron seviyelerindeki düşüş, LH seviyelerinde artışla takip edilir.	1
  Yaşlanmakta olan erkeklerde testosteron seviyelerindeki değişiklikler nasıl gözlemlenir ve bu değişiklikler hangi hormon seviyeleriyle ilişkilidir?	Testosteron, NE seviyelerini, alımını veya salınımını etkilemediği gibi, vas deferens ve epididimste tirosin hidroksilaz aktivitesini değiştirmedi.	0
  Yaşlanmakta olan erkeklerde testosteron seviyelerindeki değişiklikler nasıl gözlemlenir ve bu değişiklikler hangi hormon seviyeleriyle ilişkilidir?	Yavaş dalga uykusundaki azalma, hormon seviyelerinde belirgin bir değişiklikle eşleşmedi.	0

• Loss: BinaryCrossEntropyLoss with these parameters:

  {
      "activation_fn": "torch.nn.modules.linear.Identity",
      "pos_weight": 5
  }
  

Training Hyperparameters

Non-Default Hyperparameters

• eval_strategy: steps
• per_device_train_batch_size: 16
• per_device_eval_batch_size: 16
• learning_rate: 2e-05
• num_train_epochs: 2
• warmup_ratio: 0.1
• bf16: True
• dataloader_num_workers: 4
• load_best_model_at_end: True

All Hyperparameters

Click to expand

• overwrite_output_dir: False
• do_predict: False
• eval_strategy: steps
• prediction_loss_only: True
• per_device_train_batch_size: 16
• per_device_eval_batch_size: 16
• per_gpu_train_batch_size: None
• per_gpu_eval_batch_size: None
• gradient_accumulation_steps: 1
• eval_accumulation_steps: None
• torch_empty_cache_steps: None
• learning_rate: 2e-05
• weight_decay: 0.0
• adam_beta1: 0.9
• adam_beta2: 0.999
• adam_epsilon: 1e-08
• max_grad_norm: 1.0
• num_train_epochs: 2
• max_steps: -1
• lr_scheduler_type: linear
• lr_scheduler_kwargs: {}
• warmup_ratio: 0.1
• warmup_steps: 0
• log_level: passive
• log_level_replica: warning
• log_on_each_node: True
• logging_nan_inf_filter: True
• save_safetensors: True
• save_on_each_node: False
• save_only_model: False
• restore_callback_states_from_checkpoint: False
• no_cuda: False
• use_cpu: False
• use_mps_device: False
• seed: 42
• data_seed: None
• jit_mode_eval: False
• use_ipex: False
• bf16: True
• fp16: False
• fp16_opt_level: O1
• half_precision_backend: auto
• bf16_full_eval: False
• fp16_full_eval: False
• tf32: None
• local_rank: 0
• ddp_backend: None
• tpu_num_cores: None
• tpu_metrics_debug: False
• debug: []
• dataloader_drop_last: False
• dataloader_num_workers: 4
• dataloader_prefetch_factor: None
• past_index: -1
• disable_tqdm: False
• remove_unused_columns: True
• label_names: None
• load_best_model_at_end: True
• ignore_data_skip: False
• fsdp: []
• fsdp_min_num_params: 0
• fsdp_config: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
• fsdp_transformer_layer_cls_to_wrap: None
• accelerator_config: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
• deepspeed: None
• label_smoothing_factor: 0.0
• optim: adamw_torch
• optim_args: None
• adafactor: False
• group_by_length: False
• length_column_name: length
• ddp_find_unused_parameters: None
• ddp_bucket_cap_mb: None
• ddp_broadcast_buffers: False
• dataloader_pin_memory: True
• dataloader_persistent_workers: False
• skip_memory_metrics: True
• use_legacy_prediction_loop: False
• push_to_hub: False
• resume_from_checkpoint: None
• hub_model_id: None
• hub_strategy: every_save
• hub_private_repo: None
• hub_always_push: False
• hub_revision: None
• gradient_checkpointing: False
• gradient_checkpointing_kwargs: None
• include_inputs_for_metrics: False
• include_for_metrics: []
• eval_do_concat_batches: True
• fp16_backend: auto
• push_to_hub_model_id: None
• push_to_hub_organization: None
• mp_parameters:
• auto_find_batch_size: False
• full_determinism: False
• torchdynamo: None
• ray_scope: last
• ddp_timeout: 1800
• torch_compile: False
• torch_compile_backend: None
• torch_compile_mode: None
• include_tokens_per_second: False
• include_num_input_tokens_seen: False
• neftune_noise_alpha: None
• optim_target_modules: None
• batch_eval_metrics: False
• eval_on_start: False
• use_liger_kernel: False
• liger_kernel_config: None
• eval_use_gather_object: False
• average_tokens_across_devices: False
• prompts: None
• batch_sampler: batch_sampler
• multi_dataset_batch_sampler: proportional
• router_mapping: {}
• learning_rate_mapping: {}

Training Logs

Framework Versions

• Python: 3.11.13
• Sentence Transformers: 5.0.0
• Transformers: 4.53.2
• PyTorch: 2.6.0+cu124
• Accelerate: 1.8.1
• Datasets: 4.0.0
• Tokenizers: 0.21.2

Citation

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",
}