andyP/ro-sentence-transformers-v2

Romanian Sentence Transformers, trained on the Romanian Paraphrase Bible dataset, Cosine Similarity

This is a sentence-transformers model finetuned from readerbench/RoBERT-base on the Romanian Paraphrase Bible dataset dataset. It maps sentences & paragraphs to a 768-dimensional dense vector space and can be used for Sentence Similarity.

Model Details

Model Description

• Model Type: Sentence Transformer
• Base model: readerbench/RoBERT-base
• Maximum Sequence Length: 512 tokens
• Output Dimensionality: 768 dimensions
• Similarity Function: Cosine Similarity
• Training Dataset:
  • Romanian Paraphrase Bible dataset
• Language: ro
• 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': 512, 'do_lower_case': False, 'architecture': 'BertModel'})
  (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("andyP/ro-sentence-transformers-v2")
# Run inference
sentences = [
    'Mai bine e să locuiești Pe casă, decât să trăiești În ea – oricât ar fi de mare – C-o soață rea, gâlcevitoare.',
    'Nu i s-a spus domnului meu ce am făcut când Izabela a ucis pe profeții DOMNULUI, cum am ascuns o sută de bărbați dintre profeții DOMNULUI, câte cincizeci într-o peșteră și i-am hrănit cu pâine și apă?',
    'Și acum trimite‐mi un bărbat iscusit să lucreze în aur și în argint și în aramă și în fier și în purpură și în cârmezin și albastru și care să știe să facă săpături, ca să stea cu bărbații iscusiți care sunt la mine în Iuda și in Ierusalim, pe care i‐a pregătit David, tatăl meu.',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 768]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities)
# tensor([[1.0000, 0.3137, 0.2443],
#         [0.3137, 1.0000, 0.3197],
#         [0.2443, 0.3197, 1.0000]])

Evaluation

Metrics

Semantic Similarity

• Datasets: `` and ro_similarity-test
• Evaluated with EmbeddingSimilarityEvaluator

Metric		ro_similarity-test
pearson_cosine	0.9915	0.9916
spearman_cosine	0.9724	0.9728

Training Details

Training Dataset

Romanian Paraphrase Bible dataset

• Dataset: Romanian Paraphrase Bible dataset
• Size: 1,012,436 training samples
• Columns: text1, text2, and label
• Approximate statistics based on the first 1000 samples:

  	text1	text2	label
  type	string	string	float
  details	min: 9 tokens mean: 40.38 tokens max: 136 tokens	min: 7 tokens mean: 36.64 tokens max: 122 tokens	min: 0.11 mean: 0.74 max: 1.0

• Samples:

  text1	text2	label
  O altă temelie dar, Față de cea care s-a pus – Și care e Hristos Iisus – Să mai așeze, nimenea, Nicicând, de-acum, nu va putea.	Căci nimeni nu poate pune o altă temelie în afară de Cea care este așezată și Care este Isus Cristos.	0.81
  Voi da în mâna lui mareași în dreapta lui râurile.	Voi pune mâna lui pe mare și dreapta lui pe râuri.	0.89
  Căutați binele, nu răul,ca să trăiți!Astfel Domnul, Dumnezeul Oștirilor,va fi cu voi, așa cum spuneți că este!	Căutați binele, și nu răul, ca să trăiți!Astfel, Domnul Dumnezeul Sabaótva fi cu voi, după cum spuneți.	0.9

• Loss: CosineSimilarityLoss with these parameters:

  {
      "loss_fct": "torch.nn.modules.loss.MSELoss"
  }
  

Evaluation Dataset

Romanian Paraphrase Bible dataset

• Dataset: Romanian Paraphrase Bible dataset
• Size: 56,246 evaluation samples
• Columns: text1, text2, and label
• Approximate statistics based on the first 1000 samples:

  	text1	text2	label
  type	string	string	float
  details	min: 6 tokens mean: 39.53 tokens max: 145 tokens	min: 9 tokens mean: 35.85 tokens max: 141 tokens	min: 0.1 mean: 0.75 max: 1.0

• Samples:

  text1	text2	label
  Cel ce le arde, să păzească Ce trebuie să împlinească:‘Nainte ca să intre iară, În tabără, să-și spele-afară, Trupul și straiele și-apoi, Să intre-n tabără-napoi. ”	Cel care le va arde, trebuie să își spele hainele și tot corpul în apă; apoi va putea reveni în tabără.	0.77
  Și nu cumva, când vin din nou, Dumnezeul meu să mă umilească printre voi și să deplâng pe mulți care au păcătuit deja și nu s-au pocăit de necurăția și curvia și desfrânarea pe care le-au practicat.	Mă tem ca nu cumva, atunci când vin din nou, Dumnezeul meu să mă smerească înaintea voastră și să trebuiască astfel să-i jelesc pe mulți care au păcătuit în trecut și nu s-au pocăit de necurăția, imoralitatea și depravarea în care au trăit.	0.82
  Nu suspina după noapte,care ia popoarele din locul lor.	Căci se vor ridica hristoși mincinoși și proroci mincinoși și vor face semne și minuni ca să ducă în rătăcire, dacă este cu putință, pe cei aleși.	0.27

• Loss: CosineSimilarityLoss with these parameters:

  {
      "loss_fct": "torch.nn.modules.loss.MSELoss"
  }
  

Training Hyperparameters

Non-Default Hyperparameters

• eval_strategy: steps
• per_device_train_batch_size: 156
• per_device_eval_batch_size: 256
• learning_rate: 2e-05
• num_train_epochs: 20
• warmup_ratio: 0.1
• bf16: True
• load_best_model_at_end: 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: 156
• per_device_eval_batch_size: 256
• 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: 20
• 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: 1
• 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: 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: no_duplicates
• multi_dataset_batch_sampler: proportional
• router_mapping: {}
• learning_rate_mapping: {}

Training Logs

Epoch	Step	Training Loss	Validation Loss	spearman_cosine	ro_similarity-test_spearman_cosine
0.3083	1000	0.0161	0.0053	0.8762	-
0.6165	2000	0.0044	0.0045	0.8992	-
0.9248	3000	0.0036	0.0036	0.9133	-
1.2330	4000	0.0031	0.0032	0.9212	-
1.5413	5000	0.0027	0.0028	0.9278	-
1.8496	6000	0.0023	0.0026	0.9319	-
2.1578	7000	0.002	0.0022	0.9381	-
2.4661	8000	0.0018	0.0021	0.9407	-
2.7744	9000	0.0015	0.0019	0.9451	-
3.0826	10000	0.0014	0.0018	0.9471	-
3.3909	11000	0.0012	0.0018	0.9496	-
3.6991	12000	0.0011	0.0016	0.9524	-
4.0074	13000	0.001	0.0017	0.9534	-
4.3157	14000	0.0009	0.0015	0.9534	-
4.6239	15000	0.0009	0.0014	0.9565	-
4.9322	16000	0.0008	0.0014	0.9574	-
5.2404	17000	0.0008	0.0014	0.9584	-
5.5487	18000	0.0007	0.0014	0.9597	-
5.8570	19000	0.0007	0.0013	0.9603	-
6.1652	20000	0.0006	0.0013	0.9602	-
6.4735	21000	0.0006	0.0013	0.9603	-
6.7818	22000	0.0006	0.0013	0.9626	-
7.0900	23000	0.0006	0.0013	0.9634	-
7.3983	24000	0.0005	0.0012	0.9634	-
7.7065	25000	0.0005	0.0012	0.9643	-
8.0148	26000	0.0005	0.0012	0.9651	-
8.3231	27000	0.0005	0.0012	0.9648	-
8.6313	28000	0.0005	0.0011	0.9664	-
8.9396	29000	0.0004	0.0012	0.9660	-
9.2478	30000	0.0004	0.0012	0.9659	-
9.5561	31000	0.0004	0.0011	0.9667	-
9.8644	32000	0.0004	0.0011	0.9677	-
10.1726	33000	0.0004	0.0011	0.9677	-
10.4809	34000	0.0004	0.0011	0.9678	-
10.7891	35000	0.0004	0.0011	0.9680	-
11.0974	36000	0.0004	0.0011	0.9680	-
11.4057	37000	0.0004	0.0011	0.9685	-
11.7139	38000	0.0003	0.0011	0.9691	-
12.0222	39000	0.0003	0.0011	0.9692	-
12.3305	40000	0.0003	0.0011	0.9690	-
12.6387	41000	0.0003	0.0011	0.9693	-
12.9470	42000	0.0003	0.0010	0.9698	-
13.2552	43000	0.0003	0.0010	0.9697	-
13.5635	44000	0.0003	0.0010	0.9704	-
13.8718	45000	0.0003	0.0010	0.9703	-
14.1800	46000	0.0003	0.0010	0.9703	-
14.4883	47000	0.0003	0.0010	0.9696	-
14.7965	48000	0.0003	0.0010	0.9707	-
15.1048	49000	0.0003	0.0010	0.9707	-
15.4131	50000	0.0003	0.0010	0.9711	-
15.7213	51000	0.0003	0.0010	0.9714	-
16.0296	52000	0.0003	0.0010	0.9716	-
16.3379	53000	0.0003	0.0010	0.9712	-
16.6461	54000	0.0003	0.0010	0.9718	-
16.9544	55000	0.0003	0.0010	0.9716	-
17.2626	56000	0.0002	0.0010	0.9717	-
17.5709	57000	0.0002	0.0010	0.9716	-
17.8792	58000	0.0002	0.0010	0.9719	-
18.1874	59000	0.0002	0.0010	0.9718	-
18.4957	60000	0.0002	0.0010	0.9719	-
18.8039	61000	0.0002	0.0010	0.9723	-
19.1122	62000	0.0002	0.0010	0.9723	-
19.4205	63000	0.0002	0.0010	0.9724	-
19.7287	64000	0.0002	0.0009	0.9724	-
-1	-1	-	-	-	0.9728

• The bold row denotes the saved checkpoint.

Framework Versions

• Python: 3.12.3
• Sentence Transformers: 5.0.0
• Transformers: 4.53.3
• PyTorch: 2.7.1+cu126
• Accelerate: 1.9.0
• 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",
}