sqv-v2 / README.md
adriansanz's picture
Add new SentenceTransformer model.
182d2f5 verified
metadata
base_model: BAAI/bge-m3
library_name: sentence-transformers
metrics:
  - cosine_accuracy@1
  - cosine_accuracy@3
  - cosine_accuracy@5
  - cosine_accuracy@10
  - cosine_precision@1
  - cosine_precision@3
  - cosine_precision@5
  - cosine_precision@10
  - cosine_recall@1
  - cosine_recall@3
  - cosine_recall@5
  - cosine_recall@10
  - cosine_ndcg@10
  - cosine_mrr@10
  - cosine_map@100
pipeline_tag: sentence-similarity
tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - generated_from_trainer
  - dataset_size:6749
  - loss:MatryoshkaLoss
  - loss:MultipleNegativesRankingLoss
widget:
  - source_sentence: >-
      La presentació de la comunicació prèvia, acompanyada de la documentació
      exigida, habilita a la persona interessada a executar els actes que s'hi
      descriuen, des del dia de la seva presentació, sens perjudici de les
      facultats de comprovació, control i inspecció de l'Ajuntament.
    sentences:
      - >-
        Quin és el resultat de la llicència d'usos i obres provisionals en
        relació amb altres autoritzacions administratives?
      - Quin és el paper de la persona interessada en aquest tràmit?
      - Quin és el tipus d'impost que es beneficia d'aquest tràmit?
  - source_sentence: >-
      L'aportació de residus a la Deixalleria municipal us permet obtenir una
      bonificació de la taxa de residus del 15%.
    sentences:
      - Quin és el benefici de la Deixalleria municipal?
      - Quin és el benefici de tenir un volant de convivència?
      - >-
        Quin és el benefici de tenir el certificat del nombre d’habitants i
        habitatges del Padró d’Habitants?
  - source_sentence: >-
      La presentació de la comunicació prèvia, acompanyada de la documentació
      exigida, habilita a la persona interessada a executar els actes que s'hi
      descriuen, des del dia de la seva presentació, sens perjudici de les
      facultats de comprovació, control i inspecció de l’Ajuntament.
    sentences:
      - Quin és el resultat de la presentació de la documentació exigida?
      - Quina és la condició per a la concessió de la bonificació?
      - On es troben els drets funeraris que es volen canviar?
  - source_sentence: Renovació de concessió de drets funeraris a llarg termini (cementiri)
    sentences:
      - >-
        Quin és el requisit per aturar o estacionar el vehicle amb la targeta
        d'aparcament de transport col·lectiu?
      - Quin és el benefici de la concessió de drets funeraris a llarg termini?
      - Quin és el tipus de residus que es requereixen per a la bonificació?
  - source_sentence: La presentació de la sol·licitud no dona dret al muntatge de la parada.
    sentences:
      - Quin és el motiu per canviar la persona titular dels drets funeraris?
      - Quin és el propòsit de la reunió informativa i de coordinació?
      - >-
        Quin és el requisit per a la presentació de la sol·licitud
        d’autorització?
model-index:
  - name: SentenceTransformer based on BAAI/bge-m3
    results:
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: dim 1024
          type: dim_1024
        metrics:
          - type: cosine_accuracy@1
            value: 0.044
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.116
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.18
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.3506666666666667
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.044
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.03866666666666667
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.036
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.03506666666666667
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.044
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.116
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.18
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.3506666666666667
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.16592235166459846
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.11099682539682543
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.13414156200645738
            name: Cosine Map@100
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: dim 768
          type: dim_768
        metrics:
          - type: cosine_accuracy@1
            value: 0.04133333333333333
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.116
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.17866666666666667
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.3626666666666667
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.04133333333333333
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.03866666666666666
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.03573333333333333
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.03626666666666667
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.04133333333333333
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.116
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.17866666666666667
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.3626666666666667
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.16902152680215465
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.11157989417989429
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.13412743689937764
            name: Cosine Map@100
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: dim 512
          type: dim_512
        metrics:
          - type: cosine_accuracy@1
            value: 0.04666666666666667
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.116
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.17866666666666667
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.356
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.04666666666666667
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.03866666666666667
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.03573333333333333
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.03560000000000001
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.04666666666666667
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.116
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.17866666666666667
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.356
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.16772455344289713
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.11209576719576728
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.13459804045251053
            name: Cosine Map@100
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: dim 256
          type: dim_256
        metrics:
          - type: cosine_accuracy@1
            value: 0.03866666666666667
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.10666666666666667
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.17066666666666666
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.3413333333333333
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.03866666666666667
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.035555555555555556
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.034133333333333335
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.034133333333333335
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.03866666666666667
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.10666666666666667
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.17066666666666666
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.3413333333333333
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.15868936356762114
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.10455608465608475
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.12901246498692368
            name: Cosine Map@100
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: dim 128
          type: dim_128
        metrics:
          - type: cosine_accuracy@1
            value: 0.04933333333333333
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.12266666666666666
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.19866666666666666
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.36666666666666664
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.04933333333333333
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.040888888888888884
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.039733333333333336
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.03666666666666667
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.04933333333333333
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.12266666666666666
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.19866666666666666
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.36666666666666664
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.17594327999948436
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.11901798941798955
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.14198426639116846
            name: Cosine Map@100
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: dim 64
          type: dim_64
        metrics:
          - type: cosine_accuracy@1
            value: 0.037333333333333336
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.09466666666666666
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.15733333333333333
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.34
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.037333333333333336
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.03155555555555555
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.03146666666666667
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.034
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.037333333333333336
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.09466666666666666
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.15733333333333333
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.34
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.1535334048621682
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.09865185185185205
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.12262604132052936
            name: Cosine Map@100

SentenceTransformer based on BAAI/bge-m3

This is a sentence-transformers model finetuned from BAAI/bge-m3 on the json dataset. It maps sentences & paragraphs to a 1024-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: BAAI/bge-m3
  • Maximum Sequence Length: 8192 tokens
  • Output Dimensionality: 1024 tokens
  • Similarity Function: Cosine Similarity
  • Training Dataset:
    • json

Model Sources

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 8192, 'do_lower_case': False}) with Transformer model: XLMRobertaModel 
  (1): Pooling({'word_embedding_dimension': 1024, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
  (2): Normalize()
)

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("adriansanz/sqv2")
# Run inference
sentences = [
    'La presentació de la sol·licitud no dona dret al muntatge de la parada.',
    'Quin és el requisit per a la presentació de la sol·licitud d’autorització?',
    'Quin és el motiu per canviar la persona titular dels drets funeraris?',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 1024]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]

Evaluation

Metrics

Information Retrieval

Metric Value
cosine_accuracy@1 0.044
cosine_accuracy@3 0.116
cosine_accuracy@5 0.18
cosine_accuracy@10 0.3507
cosine_precision@1 0.044
cosine_precision@3 0.0387
cosine_precision@5 0.036
cosine_precision@10 0.0351
cosine_recall@1 0.044
cosine_recall@3 0.116
cosine_recall@5 0.18
cosine_recall@10 0.3507
cosine_ndcg@10 0.1659
cosine_mrr@10 0.111
cosine_map@100 0.1341

Information Retrieval

Metric Value
cosine_accuracy@1 0.0413
cosine_accuracy@3 0.116
cosine_accuracy@5 0.1787
cosine_accuracy@10 0.3627
cosine_precision@1 0.0413
cosine_precision@3 0.0387
cosine_precision@5 0.0357
cosine_precision@10 0.0363
cosine_recall@1 0.0413
cosine_recall@3 0.116
cosine_recall@5 0.1787
cosine_recall@10 0.3627
cosine_ndcg@10 0.169
cosine_mrr@10 0.1116
cosine_map@100 0.1341

Information Retrieval

Metric Value
cosine_accuracy@1 0.0467
cosine_accuracy@3 0.116
cosine_accuracy@5 0.1787
cosine_accuracy@10 0.356
cosine_precision@1 0.0467
cosine_precision@3 0.0387
cosine_precision@5 0.0357
cosine_precision@10 0.0356
cosine_recall@1 0.0467
cosine_recall@3 0.116
cosine_recall@5 0.1787
cosine_recall@10 0.356
cosine_ndcg@10 0.1677
cosine_mrr@10 0.1121
cosine_map@100 0.1346

Information Retrieval

Metric Value
cosine_accuracy@1 0.0387
cosine_accuracy@3 0.1067
cosine_accuracy@5 0.1707
cosine_accuracy@10 0.3413
cosine_precision@1 0.0387
cosine_precision@3 0.0356
cosine_precision@5 0.0341
cosine_precision@10 0.0341
cosine_recall@1 0.0387
cosine_recall@3 0.1067
cosine_recall@5 0.1707
cosine_recall@10 0.3413
cosine_ndcg@10 0.1587
cosine_mrr@10 0.1046
cosine_map@100 0.129

Information Retrieval

Metric Value
cosine_accuracy@1 0.0493
cosine_accuracy@3 0.1227
cosine_accuracy@5 0.1987
cosine_accuracy@10 0.3667
cosine_precision@1 0.0493
cosine_precision@3 0.0409
cosine_precision@5 0.0397
cosine_precision@10 0.0367
cosine_recall@1 0.0493
cosine_recall@3 0.1227
cosine_recall@5 0.1987
cosine_recall@10 0.3667
cosine_ndcg@10 0.1759
cosine_mrr@10 0.119
cosine_map@100 0.142

Information Retrieval

Metric Value
cosine_accuracy@1 0.0373
cosine_accuracy@3 0.0947
cosine_accuracy@5 0.1573
cosine_accuracy@10 0.34
cosine_precision@1 0.0373
cosine_precision@3 0.0316
cosine_precision@5 0.0315
cosine_precision@10 0.034
cosine_recall@1 0.0373
cosine_recall@3 0.0947
cosine_recall@5 0.1573
cosine_recall@10 0.34
cosine_ndcg@10 0.1535
cosine_mrr@10 0.0987
cosine_map@100 0.1226

Training Details

Training Dataset

json

  • Dataset: json
  • Size: 6,749 training samples
  • Columns: positive and anchor
  • Approximate statistics based on the first 1000 samples:
    positive anchor
    type string string
    details
    • min: 6 tokens
    • mean: 42.03 tokens
    • max: 106 tokens
    • min: 10 tokens
    • mean: 20.32 tokens
    • max: 54 tokens
  • Samples:
    positive anchor
    Aquest tràmit us permet compensar deutes de naturalesa pública a favor de l'Ajuntament, sigui quin sigui el seu estat (voluntari/executiu), amb crèdits reconeguts per aquest a favor del mateix deutor, i que el seu estat sigui pendent de pagament. Quin és el benefici de la compensació de deutes amb crèdits?
    El seu objecte és que -prèviament a la seva execució material- l'Ajuntament comprovi l'adequació de l’actuació a la normativa i planejament, així com a les ordenances municipals sobre l’ús del sòl i edificació. Quin és el paper de les ordenances municipals en aquest tràmit?
    Comunicació prèvia del manteniment en espais, zones o instal·lacions comunitàries interiors dels edificis (reparació i/o millora de materials). Quin és el límit del manteniment en espais comunitaris interiors dels edificis?
  • Loss: MatryoshkaLoss with these parameters:
    {
        "loss": "MultipleNegativesRankingLoss",
        "matryoshka_dims": [
            1024,
            768,
            512,
            256,
            128,
            64
        ],
        "matryoshka_weights": [
            1,
            1,
            1,
            1,
            1,
            1
        ],
        "n_dims_per_step": -1
    }
    

Training Hyperparameters

Non-Default Hyperparameters

  • eval_strategy: epoch
  • per_device_train_batch_size: 16
  • per_device_eval_batch_size: 16
  • gradient_accumulation_steps: 16
  • learning_rate: 2e-05
  • num_train_epochs: 5
  • lr_scheduler_type: cosine
  • warmup_ratio: 0.2
  • bf16: True
  • tf32: True
  • load_best_model_at_end: True
  • optim: adamw_torch_fused
  • batch_sampler: no_duplicates

All Hyperparameters

Click to expand
  • overwrite_output_dir: False
  • do_predict: False
  • eval_strategy: epoch
  • 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: 16
  • 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: 5
  • max_steps: -1
  • lr_scheduler_type: cosine
  • lr_scheduler_kwargs: {}
  • warmup_ratio: 0.2
  • 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: True
  • 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: 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_fused
  • 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: False
  • hub_always_push: False
  • gradient_checkpointing: False
  • gradient_checkpointing_kwargs: None
  • include_inputs_for_metrics: False
  • 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
  • eval_use_gather_object: False
  • batch_sampler: no_duplicates
  • multi_dataset_batch_sampler: proportional

Training Logs

Epoch Step Training Loss dim_1024_cosine_map@100 dim_128_cosine_map@100 dim_256_cosine_map@100 dim_512_cosine_map@100 dim_64_cosine_map@100 dim_768_cosine_map@100
0.3791 10 3.0867 - - - - - -
0.7583 20 2.4414 - - - - - -
0.9858 26 - 0.1266 0.1255 0.1232 0.1257 0.1091 0.1345
1.1351 30 1.7091 - - - - - -
1.5142 40 1.2495 - - - - - -
1.8934 50 0.9813 - - - - - -
1.9692 52 - 0.1315 0.1325 0.1285 0.1328 0.1218 0.1309
2.2701 60 0.6918 - - - - - -
2.6493 70 0.7146 - - - - - -
2.9905 79 - 0.1370 0.1344 0.1355 0.1338 0.1269 0.1363
3.0261 80 0.6002 - - - - - -
3.4052 90 0.4816 - - - - - -
3.7844 100 0.4949 - - - - - -
3.9739 105 - 0.1357 0.1393 0.1302 0.1347 0.1204 0.1354
4.1611 110 0.474 - - - - - -
4.5403 120 0.4692 - - - - - -
4.9194 130 0.4484 0.1341 0.142 0.129 0.1346 0.1226 0.1341
  • The bold row denotes the saved checkpoint.

Framework Versions

  • Python: 3.10.12
  • Sentence Transformers: 3.1.0
  • Transformers: 4.44.2
  • PyTorch: 2.4.0+cu121
  • Accelerate: 0.35.0.dev0
  • Datasets: 3.0.0
  • Tokenizers: 0.19.1

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",
}

MatryoshkaLoss

@misc{kusupati2024matryoshka,
    title={Matryoshka Representation Learning},
    author={Aditya Kusupati and Gantavya Bhatt and Aniket Rege and Matthew Wallingford and Aditya Sinha and Vivek Ramanujan and William Howard-Snyder and Kaifeng Chen and Sham Kakade and Prateek Jain and Ali Farhadi},
    year={2024},
    eprint={2205.13147},
    archivePrefix={arXiv},
    primaryClass={cs.LG}
}

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}
}