sergeyzh / rubert-mini-sts

Базовый Bert для Semantic text similarity (STS) на CPU

Базовая модель BERT для расчетов компактных эмбедингов предложений на русском языке. Модель основана на cointegrated/rubert-tiny2 - имеет аналогичные размеры контекста (2048) и ембединга (312), количество слоев увеличено с 3 до 7.

На STS и близких задачах (PI, NLI, SA, TI) для русского языка превосходит по качеству sergeyzh/rubert-tiny-sts . Для работы с контекстом свыше 512 токенов требует дообучения под целевой домен.

Выбор модели из серии BERT-STS (качество/скорость)

Лучшая модель для использования в составе RAG LLMs при инференсе на CPU:

• высокое качество при нечетких запросах (отличный метрики на задачах STS, PI, NLI);
• низкое влияение эмоциональной окраски текста на ембединг (средние показатели на задачах SA, TI);
• легкое расширение базы текстовых документов (скорость работы на CPU > 500 предложений в секунду);
• ускорение алгоритмов knn при поиске соответствий (низкая размерность эмбединга 312);
• простота использования (совместимость с SentenceTransformer ).

Использование модели с библиотекой transformers :

# pip install transformers sentencepiece
import torch
from transformers import AutoTokenizer, AutoModel
tokenizer = AutoTokenizer.from_pretrained("sergeyzh/rubert-mini-sts")
model = AutoModel.from_pretrained("sergeyzh/rubert-mini-sts")
# model.cuda()  # uncomment it if you have a GPU

def embed_bert_cls(text, model, tokenizer):
    t = tokenizer(text, padding=True, truncation=True, return_tensors='pt')
    with torch.no_grad():
        model_output = model(**{k: v.to(model.device) for k, v in t.items()})
    embeddings = model_output.last_hidden_state[:, 0, :]
    embeddings = torch.nn.functional.normalize(embeddings)
    return embeddings[0].cpu().numpy()

print(embed_bert_cls('привет мир', model, tokenizer).shape)
# (312,)

Использование с sentence_transformers :

from sentence_transformers import SentenceTransformer, util

model = SentenceTransformer('sergeyzh/rubert-mini-sts')

sentences = ["привет мир", "hello world", "здравствуй вселенная"]
embeddings = model.encode(sentences)
print(util.dot_score(embeddings, embeddings))

Метрики

Оценки модели на бенчмарке encodechka :

Задачи:

• Semantic text similarity ( STS );
• Paraphrase identification ( PI );
• Natural language inference ( NLI );
• Sentiment analysis ( SA );
• Toxicity identification ( TI ).

Быстродействие и размеры

На бенчмарке encodechka :

При использовании батчей с sentence_transformers :

from sentence_transformers import SentenceTransformer

model_name = 'sergeyzh/rubert-mini-sts'
model = SentenceTransformer(model_name, device='cpu')
sentences = ["Тест быстродействия на CPU Ryzen 7 3800X: batch = 500"] * 500
%timeit -n 5 -r 3 model.encode(sentences)

# 927 ms ± 7.88 ms per loop (mean ± std. dev. of 3 runs, 5 loops each)
# 500/0.927 = 539 snt/s

model = SentenceTransformer(model_name, device='cuda')
sentences = ["Тест быстродействия на GPU RTX 3060: batch = 5000"] * 5000
%timeit -n 5 -r 3 model.encode(sentences)

# 964 ms ± 26.8 ms per loop (mean ± std. dev. of 3 runs, 5 loops each)
# 5000/0.964 = 5187 snt/s

Связанные ресурсы

Вопросы использования модели обсуждаются в русскоязычном чате NLP .