Ar ModernBERT base tiny trained on 500k Arabic NLI triplets

This is a sentence-transformers model finetuned from akhooli/ModernBERT-ar-base-tiny on the ar_nli_triplets_550 dataset. It maps sentences & paragraphs to a 768-dimensional dense vector space and can be used for semantic textual similarity, semantic search, paraphrase mining, text classification, clustering, and more.

Model Details

Model Description

• Model Type: Sentence Transformer
• Base model: akhooli/ModernBERT-ar-base-tiny
• Maximum Sequence Length: 8192 tokens
• Output Dimensionality: 768 dimensions
• Similarity Function: Cosine Similarity
• Training Dataset:
  • ar_nli_triplets_550
• Language: ar
• License: apache-2.0

Model Sources

• Documentation: Sentence Transformers Documentation
• Repository: Sentence Transformers on GitHub
• Hugging Face: Sentence Transformers on Hugging Face

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 8192, '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})
)

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 SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("sbert-nli-500k-triplets-MB")
# Run inference
sentences = [
    'ما هي المواد المصنوعة من الدعك',
    'معظم مقشراتي مصنوعة من قماش يتكون من 65٪ قطن و 35٪ بوليستر. يبدو أن الكمية الصغيرة من البوليستر تمنع سوائل الجسم من التسرب عبر القماش إلى بشرتي الأساسية. بعض أنواع الدعك من القطن 100٪. ومع ذلك ، تأكد من استخدام قماش ناعم ومتين إذا كنت تنوي صنع الدعك من القطن بنسبة 100٪. lvmama يحب هذا.',
    'Scrubs (مسلسل تلفزيوني) (تمت إعادة توجيهه من مستشفى القلب المقدس (Scrubs)) Scrubs (منمق كـ [الدعك]) هو مسلسل تلفزيوني كوميدي طبي أمريكي تم إنشاؤه بواسطة Bill Lawrence والذي تم بثه من 2 أكتوبر 2001 إلى 17 مارس 2010 ، على NBC ولاحقًا ABC. يتتبع المسلسل حياة الموظفين في مستشفى القلب المقدس التعليمي الخيالي.',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 768]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]

Training Details

Training Dataset

ar_nli_triplets_550

• Dataset: ar_nli_triplets_550 at 7445200
• Size: 550,000 training samples
• Columns: query, positive, and negative
• Approximate statistics based on the first 1000 samples:

  	query	positive	negative
  type	string	string	string
  details	min: 4 tokens mean: 8.85 tokens max: 43 tokens	min: 12 tokens mean: 78.73 tokens max: 249 tokens	min: 19 tokens mean: 75.4 tokens max: 266 tokens

• Samples:

  query	positive	negative
  كوينتيليون كم عدد الأصفار	يوجد 6 في مليون 9 في المليار 12 في التريليون وبعد ذلك يكون الكوادريليون ، 15 صفرًا. كوينتيليون لديها 18 ، وسيكستيليون لديها 21.	يتكون رقم الحساب المكون من 10 أرقام من معرف المشاركة والأصفار ورقم حساب العضو الخاص بك. مثال 1: إذا كان رقم حساب العضو الخاص بك يتكون من ستة أرقام (123456) ومعرف المشاركة هو 01 ، فسيكون رقم حسابك المكون من 10 أرقام هو 0100123456.
  ما هي كيمياء الكيتونات	في الكيمياء ، الكيتون (الكانون) / - ki - مركب عضوي بهيكل RC (= O) R '، حيث يمكن أن يكون R و R مجموعة متنوعة من البدائل المحتوية على الكربون: الكيتونات والألدهيدات عبارة عن مركبات بسيطة تحتوي على مجموعة كربونيل (رابطة كربون-أكسجين مزدوجة) ، ومع ذلك ، تُستخدم أيضًا بادئات أخرى. بالنسبة لبعض المواد الكيميائية الشائعة (خاصة في الكيمياء الحيوية) ، تشير keto أو oxo إلى مجموعة الكيتون الوظيفية. يستخدم مصطلح oxo على نطاق واسع من خلال الكيمياء. على سبيل المثال ، يشير أيضًا إلى ذرة أكسجين مرتبطة بمعدن انتقالي (أكسيد معدني).	علم المحيطات الكيميائي وكيمياء المحيطات ، هما دراسة كيمياء المحيط. في حين أن علم المحيطات الكيميائي منشغل في المقام الأول بدراسة وفهم خصائص مياه البحر وتغيراتها ، فإنه يركز كيمياء المحيطات بشكل أساسي على الدورات الجيوكيميائية.
  تعريف خدمات العيادات الخارجية في كاليفورنيا	قائمة الخدمات (CMS) الخاصة بتصنيفات الدفع المتنقل لخدمات العيادات الخارجية بالمستشفى. (ج) مركز الجراحة المتنقلة (ASC) يعني أي عيادة جراحية على النحو المحدد في ولاية كاليفورنيا. قسم قانون الصحة والسلامة 1204 ، القسم الفرعي (ب) (1) ، أي مركز جراحي متنقل يعمل به. تمت الموافقة على المشاركة في برنامج Medicare بموجب الباب الثامن عشر (42 U.S.C. SEC. 1395 وما يليها) من.	تعريفات خدمات الصحة السلوكية للمرضى الداخليين والخارجيين. خدمات المرضى الداخليين. ¢ خدمات على مدار 24 ساعة ، يتم تقديمها في بيئة مستشفى مرخصة ، والتي توفر تدخلاً سريريًا للصحة العقلية أو تشخيص تعاطي المخدرات ، أو كليهما. تعريف الخدمة خدمات الصحة النفسية للمرضى الداخليين.

• Loss: MatryoshkaLoss with these parameters:

  {
      "loss": "CachedMultipleNegativesRankingLoss",
      "matryoshka_dims": [
          768,
          512,
          256,
          128,
          64
      ],
      "matryoshka_weights": [
          1,
          1,
          1,
          1,
          1
      ],
      "n_dims_per_step": -1
  }
  

Evaluation Dataset

ar_nli_triplets_550

• Dataset: ar_nli_triplets_550 at 7445200
• Size: 550,000 evaluation samples
• Columns: query, positive, and negative
• Approximate statistics based on the first 1000 samples:

  	query	positive	negative
  type	string	string	string
  details	min: 4 tokens mean: 8.8 tokens max: 23 tokens	min: 13 tokens mean: 81.35 tokens max: 234 tokens	min: 19 tokens mean: 75.38 tokens max: 250 tokens

• Samples:

  query	positive	negative
  ما هو متوسط ​​المناخ في أكسفورد ، إنجلترا	أكسفورد: المتوسطات الجوية السنوية. يوليو هو الشهر الأكثر سخونة في أكسفورد بمتوسط ​​درجة حرارة 16 درجة مئوية (61 درجة فهرنهايت) والأبرد هو يناير عند 4 درجة مئوية (39 درجة فهرنهايت) مع أكثر ساعات سطوع الشمس يوميًا في 9 من شهر يونيو ، يكون شهر ديسمبر الأكثر رطوبة بمتوسط ​​64 ملم من الأمطار. xford: متوسطات الطقس السنوية. يوليو هو الشهر الأكثر سخونة في أكسفورد بمتوسط ​​درجة حرارة 16 درجة مئوية (61 درجة فهرنهايت) والأبرد هو يناير عند 4 درجة مئوية (39 درجة فهرنهايت) مع أكثر ساعات سطوع الشمس يوميًا عند 9 في يونيو.	المناخ ، متوسط ​​الطقس في اليابان. 1 من مساحة الأرض ، 57٪ لديها مناخ معتدل / متوسط ​​الحرارة مع هطول كبير للأمطار في جميع الفصول (Cf) ، 43٪ لديها مناخ قاري / حراري دقيق مع هطول كبير للأمطار في جميع الفصول (Df).
  يمكن تكسير بروتينات تاو	تاو هو بروتين موجود في الخلايا العصبية ، حيث يعمل على استقرار شكل الخلية ووظائفها. كجزء من الوظيفة الطبيعية ، تنثني البروتينات في الجسم وتتكشف وتعود إلى أشكال مختلفة من أجل أداء وظائف محددة ، وعندما لا تكون هناك حاجة إليها ، يتم تفكيكها وإعادة تدويرها بواسطة الخلية.	أكبر فئة من البروتينات هي بروتينات هيكلية. تعمل أنواع البروتين هذه كمكونات أساسية لبناء جسمك. يعتبر الكيراتين والكولاجين من البروتينات الهيكلية الأكثر شيوعًا. هذه بروتينات ليفية قوية. يشكل الكيراتين بنية بشرتك وأظافرك وشعرك وأسنانك.
  ما هو تمدد الأوعية الدموية في الدماغ	تمدد الأوعية الدموية في الدماغ هو انتفاخ غير طبيعي أو انتفاخ في جدار الشريان في الدماغ. يطلق عليهم أحيانًا تمدد الأوعية الدموية في التوت لأنها غالبًا ما تكون بحجم حبة التوت الصغيرة. لا ينتج عن معظم تمدد الأوعية الدموية في الدماغ أي أعراض حتى تصبح كبيرة ، أو تبدأ في تسريب الدم ، أو تنفجر. إذا كان تمدد الأوعية الدموية في الدماغ يضغط على الأعصاب في دماغك ، فقد يتسبب في ظهور علامات وأعراض.	قد تزيد عوامل الخطر التالية من خطر إصابتك بتمدد الأوعية الدموية ، أو إذا كنت تعاني بالفعل من تمدد الأوعية الدموية ، فقد تزيد من خطر تمزقها: 1 تاريخ عائلي. 2 الأشخاص الذين لديهم تاريخ عائلي من تمدد الأوعية الدموية في الدماغ هم أكثر عرضة للإصابة بتمدد الأوعية الدموية من أولئك الذين ليس لديهم.

• Loss: MatryoshkaLoss with these parameters:

  {
      "loss": "CachedMultipleNegativesRankingLoss",
      "matryoshka_dims": [
          768,
          512,
          256,
          128,
          64
      ],
      "matryoshka_weights": [
          1,
          1,
          1,
          1,
          1
      ],
      "n_dims_per_step": -1
  }
  

Training Hyperparameters

Non-Default Hyperparameters

• eval_strategy: steps
• per_device_train_batch_size: 12
• per_device_eval_batch_size: 12
• learning_rate: 2e-05
• num_train_epochs: 1
• warmup_ratio: 0.1
• fp16: True
• batch_sampler: no_duplicates

All Hyperparameters

Click to expand

• overwrite_output_dir: False
• do_predict: False
• eval_strategy: steps
• prediction_loss_only: True
• per_device_train_batch_size: 12
• per_device_eval_batch_size: 12
• 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: 1
• 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: False
• fp16: True
• 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: True
• dataloader_num_workers: 0
• dataloader_prefetch_factor: None
• past_index: -1
• disable_tqdm: False
• remove_unused_columns: True
• label_names: None
• load_best_model_at_end: False
• 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
• 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
• dispatch_batches: None
• split_batches: 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
• eval_use_gather_object: False
• average_tokens_across_devices: False
• prompts: None
• batch_sampler: no_duplicates
• multi_dataset_batch_sampler: proportional

Training Logs

Framework Versions

• Python: 3.10.14
• Sentence Transformers: 3.4.0.dev0
• Transformers: 4.48.0
• PyTorch: 2.5.1+cu121
• Accelerate: 0.34.2
• Datasets: 3.0.1
• Tokenizers: 0.21.0

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",
}

MatryoshkaLoss

@misc{kusupati2024matryoshka,
    title={Matryoshka Representation Learning},
    author={Aditya Kusupati and Gantavya Bhatt and Aniket Rege and Matthew Wallingford and Aditya Sinha and Vivek Ramanujan and William Howard-Snyder and Kaifeng Chen and Sham Kakade and Prateek Jain and Ali Farhadi},
    year={2024},
    eprint={2205.13147},
    archivePrefix={arXiv},
    primaryClass={cs.LG}
}

CachedMultipleNegativesRankingLoss

@misc{gao2021scaling,
    title={Scaling Deep Contrastive Learning Batch Size under Memory Limited Setup},
    author={Luyu Gao and Yunyi Zhang and Jiawei Han and Jamie Callan},
    year={2021},
    eprint={2101.06983},
    archivePrefix={arXiv},
    primaryClass={cs.LG}
}