BounharAbdelaziz/ModernBERT-base-moroccan-arabic-epoch-2-lr-0.0005-batch-32

SentenceTransformer based on answerdotai/ModernBERT-base

This is a sentence-transformers model finetuned from answerdotai/ModernBERT-base on the al-atlas-moroccan-darija-pretraining-dataset 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: answerdotai/ModernBERT-base
• Maximum Sequence Length: 8192 tokens
• Output Dimensionality: 768 dimensions
• Similarity Function: Cosine Similarity
• Training Dataset:
  • al-atlas-moroccan-darija-pretraining-dataset

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("BounharAbdelaziz/ModernBERT-basemoroccan-arabic-epoch-2lr-0.0005batch-32")
# Run inference
sentences = [
    'شحال للمطار؟',
    'tachicart/mo_darija_merged',
    "{'ar': 'كم سأدفع للوصول إلى المطار ؟'}",
]
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

al-atlas-moroccan-darija-pretraining-dataset

• Dataset: al-atlas-moroccan-darija-pretraining-dataset at 6668961
• Size: 2,818,353 training samples
• Columns: text, dataset_source, and metadata
• Approximate statistics based on the first 1000 samples:

  	text	dataset_source	metadata
  type	string	string	string
  details	min: 3 tokens mean: 132.63 tokens max: 2469 tokens	min: 21 tokens mean: 21.0 tokens max: 21 tokens	min: 15 tokens mean: 25.5 tokens max: 29 tokens

• Samples:

  text	dataset_source	metadata
  سامي خضيرة : الكابيتان فوقتنا كان هو كاسياس ولكن كنا كنحسو باللي راموس هو القائد الفعلي كان فيه الروح و الغرينتا ديال الاسبان . ماتنساش كان معانا تا رونالدو كيهضر مع كولشي ويحفزنا ، و عادي تسمعو وسط الفيستير كيقول " خضيرة زير راسك وكون عدواني " ، " مسعود عطينا شوية من سحرك الكروي فالتيران " ونتا أدي ماريا حاول تشد الكرة وقصد المرمى " كان هادشي كيخلينا نعطيو كل ما فجهدنا و بطبيعة الحال كان مورينيو الخطير فهاد الضومين ، و كانت المشكلة الكبيرة ديما هي كيفاش نوقفو ميسي ماشي غير حنا ولكن كاع الفراقي فداك الوقت .	atlasia/facebook_darija_dataset	{'pageName': "Football B'darija - فوتبول بالداريجة"}
  الأحداث كاتتطور بسرعة رهيبة ف بريتوريا !! ميغيل كاردوزو المدرب السابق للترجي الرياضي التونسي وصل البارح بشكل مفاجئ لجنوب افريقيا.. وصباح اليوم الصحافة المحلية كاتأكد انو ماميلودي سانداونز غاتقيل المدرب ديالها اليوم و غاتعين كاردوزو ك بديل !	atlasia/facebook_darija_dataset	{'pageName': "Football B'darija - فوتبول بالداريجة"}
  الريال و تحدي جديد هاد الليلة باش يرجعو للمنافسة ف التشامبيانزليغ قدام خصم أقل ما يتقال عليه انو عتيد هو اتلانتا بيرغامو وليدات العبقري جيانبييرو غاسبيريني.. الريال مؤخرا ورغم الشكوك اللي دايرة على الفريق والمشاكل الدفاعية و الإصابات اللي زادت ف الهشاشة ديال الدفاع ديالو الا انو رجع بقوة للمنافسة فالليغا واستغل الفترة د الفراغ اللي تا تعيشها البارسا حاليا باش يرجع على بعد نقطتين من الصدارة و عندو ماتش مؤجل مرشح بقوة يفوز فيه على فالنسيا ويطلع للقمة .. الريال تانضن لا ربح اليوم غايمحي بشكل شبه كلي الغمامة اللي كاتطوف فوق منو من بدا الموسم و غايقوي ثقة الجمهور فيه و يرجع الثقة للمجموعة و غايرسم راسو ك رقم قوي ف المنافسة المفضلة ليه واحنا ديجا عارفين ان الريال diesel فرقة كاتديماري بشوية بشوية وفالفترات الحاسمة ف الموسم كاتورك على السانكيام فيتيس.	atlasia/facebook_darija_dataset	{'pageName': "Football B'darija - فوتبول بالداريجة"}

• Loss: CachedMultipleNegativesRankingLoss with these parameters:

  {
      "scale": 20.0,
      "similarity_fct": "cos_sim"
  }
  

Evaluation Dataset

al-atlas-moroccan-darija-pretraining-dataset

• Dataset: al-atlas-moroccan-darija-pretraining-dataset at 6668961
• Size: 1,875 evaluation samples
• Columns: text, dataset_source, and metadata
• Approximate statistics based on the first 1000 samples:

  	text	dataset_source	metadata
  type	string	string	string
  details	min: 4 tokens mean: 11.01 tokens max: 61 tokens	min: 18 tokens mean: 18.0 tokens max: 18 tokens	min: 12 tokens mean: 20.88 tokens max: 74 tokens

• Samples:

  text	dataset_source	metadata
  كاين في اللاخر ديال هاد القاعة. انجيب ليك شويا دابا. و إلا حتاجيتي شي حاجا اخرى، قولها ليا.	tachicart/mo_darija_merged	{'ar': 'إنها في أخر القاعة . سوف آتي لك ببعض منها الآن . إذا أردت أي شيئاً آخر فقط أعلمني .'}
  واش كا دير التعديلات؟	tachicart/mo_darija_merged	{'ar': 'هل تقومون بعمل تعديلات ؟'}
  بغينا ناخدو طابلة حدا الشرجم.	tachicart/mo_darija_merged	{'ar': 'نريد مائدة بجانب النافذة .'}

• Loss: CachedMultipleNegativesRankingLoss with these parameters:

  {
      "scale": 20.0,
      "similarity_fct": "cos_sim"
  }
  

Training Hyperparameters

Non-Default Hyperparameters

• eval_strategy: steps
• per_device_train_batch_size: 32
• per_device_eval_batch_size: 32
• learning_rate: 0.0005
• num_train_epochs: 2
• warmup_ratio: 0.03
• bf16: 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: 32
• per_device_eval_batch_size: 32
• 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: 0.0005
• 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: 0.03
• 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: 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: batch_sampler
• multi_dataset_batch_sampler: proportional

Training Logs

Click to expand

Epoch	Step	Training Loss	Validation Loss
0.0114	1000	3.2165	3.9089
0.0227	2000	3.0702	3.4543
0.0341	3000	3.0376	3.5355
0.0454	4000	3.0205	3.4417
0.0568	5000	3.0262	3.4540
0.0681	6000	3.0141	3.4423
0.0795	7000	3.0152	3.4597
0.0908	8000	3.0089	3.4972
0.1022	9000	3.0201	3.4511
0.1135	10000	3.0043	3.4342
0.1249	11000	2.9931	3.4398
0.1362	12000	2.9955	3.4332
0.1476	13000	3.0002	3.4291
0.1590	14000	2.9924	3.4298
0.1703	15000	3.0046	3.4330
0.1817	16000	2.9917	3.4301
0.1930	17000	3.0091	3.4520
0.2044	18000	3.0021	3.4260
0.2157	19000	2.9968	3.4222
0.2271	20000	2.9966	3.4202
0.2384	21000	3.0037	3.4315
0.2498	22000	3.0024	3.4155
0.2611	23000	2.9916	3.4174
0.2725	24000	2.9891	3.4384
0.2839	25000	2.9956	3.4443
0.2952	26000	2.9966	3.4174
0.3066	27000	2.9927	3.4233
0.3179	28000	2.9895	3.4133
0.3293	29000	2.9924	3.4124
0.3406	30000	2.9879	3.4154
0.3520	31000	2.9952	3.4209
0.3633	32000	2.9901	3.4177
0.3747	33000	2.9913	3.4140
0.3860	34000	2.9985	3.4130
0.3974	35000	2.9953	3.4131
0.4087	36000	2.9987	3.4167
0.4201	37000	2.9917	3.4165
0.4315	38000	2.9908	3.4154
0.4428	39000	2.9866	3.4103
0.4542	40000	2.9931	3.4115
0.4655	41000	2.9807	3.4100
0.4769	42000	3.0011	3.4124
0.4882	43000	3.0037	3.4098
0.4996	44000	2.993	3.4082
0.5109	45000	3.0012	3.4181
0.5223	46000	3.0004	3.4117
0.5336	47000	3.0003	3.4090
0.5450	48000	2.9915	3.4055
0.5564	49000	2.9992	3.4034
0.5677	50000	2.9915	3.4061
0.5791	51000	3.0028	3.4055
0.5904	52000	2.9928	3.4027
0.6018	53000	2.9899	3.4076
0.6131	54000	2.9875	3.4032
0.6245	55000	2.9956	3.4044
0.6358	56000	2.9797	3.4011
0.6472	57000	2.988	3.4050
0.6585	58000	2.9832	3.4071
0.6699	59000	2.9889	3.4134
0.6812	60000	2.987	3.4057
0.6926	61000	3.0046	3.4094
0.7040	62000	2.984	3.4076
0.7153	63000	2.9834	3.4090
0.7267	64000	2.9932	3.4038
0.7380	65000	2.9829	3.4009
0.7494	66000	2.9976	3.4053
0.7607	67000	2.9868	3.3996
0.7721	68000	2.9925	3.3988
0.7834	69000	2.9935	3.4042
0.7948	70000	2.9877	3.4072
0.8061	71000	2.995	3.4045
0.8175	72000	2.9949	3.3988
0.8288	73000	2.9969	3.4013
0.8402	74000	3.0033	3.4027
0.8516	75000	2.99	3.4041
0.8629	76000	3.0038	3.3999
0.8743	77000	3.0072	3.4022
0.8856	78000	2.9878	3.4001
0.8970	79000	2.9821	3.3992
0.9083	80000	2.9921	3.3995
0.9197	81000	2.9959	3.3977
0.9310	82000	3.0004	3.3963
0.9424	83000	2.9784	3.4021
0.9537	84000	2.9923	3.3998
0.9651	85000	2.9836	3.3972
0.9765	86000	2.9949	3.3971
0.9878	87000	2.9925	3.3968
0.9992	88000	2.9777	3.3947
1.0105	89000	2.9785	3.3975
1.0219	90000	2.9988	3.3974
1.0332	91000	2.9898	3.3954
1.0446	92000	2.9866	3.3943
1.0559	93000	2.9909	3.3936
1.0673	94000	2.9843	3.3942
1.0786	95000	2.9858	3.3924
1.0900	96000	2.9942	3.3927
1.1013	97000	2.9955	3.3936
1.1127	98000	3.0003	3.3921
1.1241	99000	2.9878	3.3947
1.1354	100000	2.9972	3.3951
1.1468	101000	2.9874	3.3999
1.1581	102000	2.9828	3.3950
1.1695	103000	2.9956	3.3929
1.1808	104000	2.9886	3.3935
1.1922	105000	2.982	3.3921
1.2035	106000	2.9913	3.3916
1.2149	107000	2.9831	3.3924
1.2262	108000	2.9958	3.3926
1.2376	109000	2.9969	3.3924
1.2489	110000	2.9893	3.3920
1.2603	111000	2.9888	3.3936
1.2717	112000	2.9885	3.3925
1.2830	113000	2.9866	3.3913
1.2944	114000	2.9885	3.3907
1.3057	115000	2.9782	3.3917
1.3171	116000	2.9816	3.3907
1.3284	117000	2.9857	3.3923
1.3398	118000	2.9824	3.3925
1.3511	119000	2.9966	3.3911
1.3625	120000	2.9951	3.3923
1.3738	121000	2.9914	3.3907
1.3852	122000	2.9745	3.3916
1.3966	123000	3.0008	3.3928
1.4079	124000	2.9787	3.3942
1.4193	125000	2.9789	3.3929
1.4306	126000	2.9845	3.3928
1.4420	127000	2.9792	3.3919
1.4533	128000	2.9847	3.3911
1.4647	129000	2.9905	3.3910
1.4760	130000	2.9878	3.3916
1.4874	131000	2.987	3.3918
1.4987	132000	3.0025	3.3915
1.5101	133000	2.9829	3.3911
1.5214	134000	2.982	3.3914
1.5328	135000	2.9923	3.3912
1.5442	136000	2.9849	3.3918
1.5555	137000	3.0002	3.3917
1.5669	138000	2.9845	3.3918
1.5782	139000	2.9906	3.3923
1.5896	140000	2.9897	3.3921
1.6009	141000	2.9813	3.3919
1.6123	142000	2.9992	3.3919
1.6236	143000	2.9872	3.3919
1.6350	144000	2.9847	3.3919
1.6463	145000	2.994	3.3917
1.6577	146000	2.982	3.3916
1.6691	147000	2.9994	3.3914
1.6804	148000	2.9817	3.3914
1.6918	149000	2.9889	3.3914
1.7031	150000	2.9864	3.3914
1.7145	151000	2.9912	3.3913
1.7258	152000	2.9852	3.3912
1.7372	153000	2.987	3.3912
1.7485	154000	2.9762	3.3912
1.7599	155000	2.9864	3.3912
1.7712	156000	2.9947	3.3912
1.7826	157000	2.9937	3.3911
1.7939	158000	3.004	3.3912
1.8053	159000	2.9804	3.3912
1.8167	160000	2.9928	3.3912
1.8280	161000	2.9966	3.3912
1.8394	162000	2.9902	3.3912
1.8507	163000	2.9807	3.3912
1.8621	164000	2.9782	3.3911
1.8734	165000	2.9963	3.3912
1.8848	166000	2.9911	3.3911
1.8961	167000	2.9969	3.3911
1.9075	168000	2.9951	3.3911
1.9188	169000	2.9948	3.3911
1.9302	170000	2.9931	3.3911
1.9415	171000	2.9895	3.3911
1.9529	172000	2.9846	3.3911
1.9643	173000	2.9888	3.3911
1.9756	174000	2.9833	3.3911
1.9870	175000	2.9816	3.3911
1.9983	176000	2.9929	3.3911

Framework Versions

• Python: 3.12.3
• Sentence Transformers: 3.3.1
• Transformers: 4.48.0.dev0
• PyTorch: 2.5.1+cu124
• Accelerate: 1.1.1
• Datasets: 3.1.0
• 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",
}

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}
}