Inference-free SPLADE distilbert-base-multilingual-cased trained on Natural-Questions tuples

This is a Asymmetric Inference-free SPLADE Sparse Encoder model finetuned from distilbert/distilbert-base-multilingual-cased on the arabic-natural-questions dataset using the sentence-transformers library. It maps sentences & paragraphs to a 119547-dimensional sparse vector space and can be used for semantic search and sparse retrieval.

Colab Notebook

Model Details

Model Description

Model Type: Asymmetric Inference-free SPLADE Sparse Encoder
Base model: distilbert/distilbert-base-multilingual-cased
Maximum Sequence Length: 512 tokens
Output Dimensionality: 119547 dimensions
Similarity Function: Dot Product
Training Dataset:
- arabic-natural-questions
Language: ar
License: apache-2.0

Model Sources

Documentation: Sentence Transformers Documentation
Documentation: Sparse Encoder Documentation
Repository: Sentence Transformers on GitHub
Hugging Face: Sparse Encoders on Hugging Face

Full Model Architecture

SparseEncoder(
  (0): Router(
    (query_0_SparseStaticEmbedding): SparseStaticEmbedding({'frozen': False}, dim=119547, tokenizer=DistilBertTokenizerFast)
    (document_0_MLMTransformer): MLMTransformer({'max_seq_length': 512, 'do_lower_case': False, 'architecture': 'DistilBertForMaskedLM'})
    (document_1_SpladePooling): SpladePooling({'pooling_strategy': 'max', 'activation_function': 'relu', 'word_embedding_dimension': 119547})
  )
)

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 SparseEncoder
import numpy as np

def retrieve_top_k(model, queries, documents, top_k=3):
    """
    Given a SparseEncoder model, a list of queries and documents,
    returns for each query the top_k documents ranked by SPLADE score.
    """
    # 1) Encode all queries and documents
    query_embeddings    = model.encode_query(queries)       # shape: [n_queries, vocab_size]
    document_embeddings = model.encode_document(documents)  # shape: [n_docs,    vocab_size]
    
    # 2) Compute pairwise similarity
    #    result shape: [n_queries, n_docs]
    sims = model.similarity(query_embeddings, document_embeddings).cpu().numpy()
    
    # 3) For each query, pick top_k documents
    all_results = []
    for qi, query in enumerate(queries):
        scores = sims[qi]
        topk_idx = np.argsort(-scores)[:top_k]
        results = [(idx, float(scores[idx]), documents[idx]) for idx in topk_idx]
        all_results.append((query, results))
    return all_results

if __name__ == "__main__":
    # Load the SPLADE‐DistilBERT Arabic model
    model_name = "Omartificial-Intelligence-Space/inference-free-splade-distilbert-base-Arabic-cased-nq"
    print(f"Loading sparse model {model_name} …")
    model = SparseEncoder(model_name)
    
    # Example documents (could be paragraphs from your corpus)
    documents = [
        "ليونيل ميسي ولد وترعرع في وسط الأرجنتين، وتم تشخيصه بضعف هرمون النمو في طفولته.",
        "علم روسيا هناك تفسيرات مختلفة لما تعنيه الألوان: الأبيض للنبلاء، الأزرق للصدق، الأحمر للشجاعة.",
        "كانت جمهورية تكساس دولة مستقلة في أمريكا الشمالية من 1836 إلى 1846.",
        "تقع مكة المكرمة في غرب المملكة العربية السعودية، وهي أقدس مدن الإسلام.",
        "برج خليفة في دبي هو أطول بناء من صنع الإنسان في العالم بارتفاع 828 متراً."
    ]
    
    # Example queries
    queries = [
        "من هو ليونيل ميسي؟",
        "ما معنى ألوان علم روسيا؟",
        "ما هي جمهورية تكساس؟",
        "أين تقع مكة المكرمة؟",
        "ما هو أطول مبنى في العالم؟"
    ]
    
    # Retrieve top-3 docs per query
    results = retrieve_top_k(model, queries, documents, top_k=2)
    
    # Print nicely
    for query, hits in results:
        print(f"\nQuery: {query}")
        for rank, (doc_idx, score, doc_text) in enumerate(hits, start=1):
            print(f"  {rank}. (score={score:.4f}) {doc_text}")

Training Details

Training Dataset

arabic-natural-questions

Dataset: arabic-natural-questions at 2a52bde
Size: 99,000 training samples
Columns: query and answer
Approximate statistics based on the first 1000 samples:
query answer
type string string
details
min: 7 tokens
mean: 15.69 tokens
max: 35 tokens

min: 10 tokens
mean: 166.92 tokens
max: 512 tokens

	query	answer
type	string	string
details	min: 7 tokens mean: 15.69 tokens max: 35 tokens	min: 10 tokens mean: 166.92 tokens max: 512 tokens

Samples:

query	answer
`الذي لعب دور الأب في أبي لا يُوعَظ`	`أليكس ماك آرثر (بالإنجليزية: Alex McArthur) (ولد في 6 مارس 1957) هو ممثل أمريكي.`
`أين كان موقع معركة هستيينغز`	معركة هستنغز معركة هستنغز[1] عُقدت في 14 أكتوبر 1066 بين الجيش النورماندي الفرنسي لويليام دوق نورماندي والجيش الإنجليزي بقيادة الملك الأنجلو ساكسوني هارولد غودوينسون، وبدأت بذلك الفتح النورماني لإنجلترا. وقعت على بعد حوالي 7 أميال (11 كيلومتر) شمال غرب هستنغز، بالقرب من بلدة باتل الحالية في شرق ساسكس، وكانت انتصاراً نورماندياً حاسماً.
`كم عدد الجراء الذي يمكن أن يولدها الكلب`	`التكاثر الكلابي تم تحديد أكبر حجم للقمامة حتى الآن من قبل مستطيل نابولي في مانيا ، كامبريدجشير ، المملكة المتحدة في 29 نوفمبر 2004 ؛ كان القمامة 24 جروًا. [1]`

Loss: SpladeLoss with these parameters:

{
    "loss": "SparseMultipleNegativesRankingLoss(scale=1.0, similarity_fct='dot_score')",
    "document_regularizer_weight": 0.003,
    "query_regularizer_weight": 0
}

Evaluation Dataset

arabic-natural-questions

Dataset: arabic-natural-questions at 2a52bde
Size: 1,000 evaluation samples
Columns: query and answer
Approximate statistics based on the first 1000 samples:
query answer
type string string
details
min: 6 tokens
mean: 15.74 tokens
max: 30 tokens

min: 21 tokens
mean: 170.43 tokens
max: 512 tokens

	query	answer
type	string	string
details	min: 6 tokens mean: 15.74 tokens max: 30 tokens	min: 21 tokens mean: 170.43 tokens max: 512 tokens

Samples:

query	answer
`أين نهر تيبر في إيطاليا`	التايبر (/ taɪbər /، اللاتينية: Tiberis، [1] الإيطالية: Tevere [teːvere]) [2] هو ثالث أطول نهر في إيطاليا، يرتفع في جبال أبينين في إيميليا-رومانيا ويتدفق 406 كيلومتر (252 ميل) عبر توسكانا وأومبريا ولاتسيو، حيث ينضم إليه نهر أنين، إلى بحر تيرينيان، بين أوستيا وفيوميسينو. [3] يستنزف حوض يقدر بنحو 17،375 كيلومتر مربع (6،709 ميل مربع). حقق النهر شهرة دائمة باعتباره مجرى المياه الرئيسي لمدينة روما، التي تأسست على ضفافها الشرقية.
`ما نوع السيارة التي يقودها جاي غاتسبي`	جي غاتسبي في منزل بيوكانان ، قرر جوردان بيكر ، نيك ، جي ، والبيوكانانز زيارة مدينة نيويورك. استعار توم سيارة رولز رويس الصفراء من غاتسبي للقيادة إلى المدينة. في الطريق إلى مدينة نيويورك ، قام توم بتحويل محطة بنزين في "وادي الرماد" ، وهو جزء من لونغ آيلاند. يشارك المالك ، جورج ويلسون ، قلقه من أن زوجته ، ميرتل ، قد تكون على علاقة غرامية. هذا يزعج توم ، الذي كان على علاقة غرامية مع ميرتل ، ويغادر في عجلة من أمره.
`من يغني إذا كنت أستطيع أن أحلم بك`	`"I Can Dream About You" هي أغنية أداءها المغني الأمريكي دان هارتمان في ألبوم الموسيقى الصوتية لفيلم Streets of Fire. تم إصداره في عام 1984 كأغنية فردية من الموسيقى الصوتية ، وشملت في ألبوم هارتمان I Can Dream About You ، حيث وصلت إلى المركز السادس في Billboard Hot 100. [1]`

Loss: SpladeLoss with these parameters:

{
    "loss": "SparseMultipleNegativesRankingLoss(scale=1.0, similarity_fct='dot_score')",
    "document_regularizer_weight": 0.003,
    "query_regularizer_weight": 0
}

Training Hyperparameters

Non-Default Hyperparameters

eval_strategy: steps
per_device_train_batch_size: 16
per_device_eval_batch_size: 16
learning_rate: 2e-05
num_train_epochs: 1
warmup_ratio: 0.1
fp16: True
batch_sampler: no_duplicates
router_mapping: {'query': 'query', 'answer': 'document'}
learning_rate_mapping: {'SparseStaticEmbedding\.weight': 0.001}

All Hyperparameters

Click to expand

overwrite_output_dir: False
do_predict: False
eval_strategy: steps
prediction_loss_only: True
per_device_train_batch_size: 16
per_device_eval_batch_size: 16
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: 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: no_duplicates
multi_dataset_batch_sampler: proportional
router_mapping: {'query': 'query', 'answer': 'document'}
learning_rate_mapping: {'SparseStaticEmbedding\.weight': 0.001}

Training Logs

Epoch	Step	Training Loss	Validation Loss
0.0323	200	1.1587	-
0.0646	400	0.6549	-
0.0970	600	0.5782	-
0.1293	800	0.477	-
0.1616	1000	0.4708	0.4608
0.1939	1200	0.4667	-
0.2262	1400	0.4701	-
0.2586	1600	0.448	-
0.2909	1800	0.4574	-
0.3232	2000	0.4382	0.4126
0.3555	2200	0.4608	-
0.3878	2400	0.4083	-
0.4202	2600	0.4296	-
0.4525	2800	0.4295	-
0.4848	3000	0.4093	0.3794
0.5171	3200	0.4323	-
0.5495	3400	0.3924	-
0.5818	3600	0.3609	-
0.6141	3800	0.3817	-
0.6464	4000	0.377	0.3553
0.6787	4200	0.3631	-
0.7111	4400	0.3668	-
0.7434	4600	0.372	-
0.7757	4800	0.3525	-
0.8080	5000	0.3732	0.3492
0.8403	5200	0.3669	-
0.8727	5400	0.368	-
0.9050	5600	0.3149	-
0.9373	5800	0.3446	-
0.9696	6000	0.3468	0.3380

Framework Versions

Python: 3.10.13
Sentence Transformers: 5.0.0
Transformers: 4.47.1
PyTorch: 2.4.1+cu121
Accelerate: 1.2.1
Datasets: 2.21.0
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",
}

SpladeLoss

@misc{formal2022distillationhardnegativesampling,
      title={From Distillation to Hard Negative Sampling: Making Sparse Neural IR Models More Effective},
      author={Thibault Formal and Carlos Lassance and Benjamin Piwowarski and Stéphane Clinchant},
      year={2022},
      eprint={2205.04733},
      archivePrefix={arXiv},
      primaryClass={cs.IR},
      url={https://arxiv.org/abs/2205.04733},
}

SparseMultipleNegativesRankingLoss

@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}
}

FlopsLoss

@article{paria2020minimizing,
    title={Minimizing flops to learn efficient sparse representations},
    author={Paria, Biswajit and Yeh, Chih-Kuan and Yen, Ian EH and Xu, Ning and Ravikumar, Pradeep and P{'o}czos, Barnab{'a}s},
    journal={arXiv preprint arXiv:2004.05665},
    year={2020}
}

Downloads last month: -; Downloads are not tracked for this model. How to track

Model tree for Omartificial-Intelligence-Space/inference-free-splade-distilbert-base-Arabic-cased-nq

Base model

distilbert/distilbert-base-multilingual-cased

Finetuned

(441)

this model

Dataset used to train Omartificial-Intelligence-Space/inference-free-splade-distilbert-base-Arabic-cased-nq

Papers for Omartificial-Intelligence-Space/inference-free-splade-distilbert-base-Arabic-cased-nq

From Distillation to Hard Negative Sampling: Making Sparse Neural IR Models More Effective

Paper • 2205.04733 • Published May 10, 2022 • 3