🚀 基于 NAMAA-Space/AraModernBert-Base-V1.0 的句子转换器

本句子转换器基于 NAMAA-Space/AraModernBert-Base-V1.0 进行微调，能够生成强大的阿拉伯语嵌入向量，适用于多种应用场景。它可以为阿拉伯语文本提供精确而深入的有意义表示，无论是构建智能搜索引擎、聊天机器人还是由人工智能驱动的知识图谱，该模型都能发挥重要作用。

主要特性

• 🔹 768 维密集向量 🎯
• 🔹 擅长领域：语义相似度、搜索、释义挖掘、聚类、文本分类等！
• 🔹 在保证性能的同时，优化了速度和效率

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, '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})
)

🚀 快速开始

📦 安装指南

首先，安装 Sentence Transformers 库：

pip install -U sentence-transformers

💻 使用示例

基础用法

安装完成后，你可以加载此模型并进行推理：

from sentence_transformers import SentenceTransformer

# 从 🤗 Hub 下载模型
model = SentenceTransformer("NAMAA-Space/AraModernBert-Base-STS")
# 进行推理
sentences = [
    'الذكاء الاصطناعي يغير طريقة تفاعلنا مع التكنولوجيا.',
    'التكنولوجيا تتطور بسرعة بفضل الذكاء الاصطناعي.',
    'الذكاء الاصطناعي يسهم في تطوير التطبيقات الذكية.',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 768]

# 获取嵌入向量的相似度分数
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]

📚 详细文档

评估

指标

语义相似度

• 数据集：STS17 和 STS22.v2
• 评估方法：使用 EmbeddingSimilarityEvaluator 进行评估

框架版本

📄 许可证

本模型采用 Apache-2.0 许可证。

📚 引用

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",
}

MultipleNegativesRankingLoss

@misc{henderson2017efficient,
    title={Efficient Natural Language Response Suggestion for Smart Reply},
    author={Matthew Henderson and Rami Al-Rfou and Brian Strope and Yun-hsuan Sung and Laszlo Lukacs and Ruiqi Guo and Sanjiv Kumar and Balint Miklos and Ray Kurzweil},
    year={2017},
    eprint={1705.00652},
    archivePrefix={arXiv},
    primaryClass={cs.CL}
}