This is a sentence-transformers model finetuned from sentence-transformers/all-MiniLM-L6-v2. It maps sentences & paragraphs to a 384-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: sentence-transformers/all-MiniLM-L6-v2
Maximum Sequence Length: 256 tokens
Output Dimensionality: 384 dimensions
Similarity Function: Cosine Similarity

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': 256, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 384, '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})
  (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.

python

from sentence_transformers import SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("GbrlOl/fine-tune_utilizando_la_MNRL")
# Run inference
sentences = [
    '¿Cuáles son las etapas para evaluar los riesgos de las instalaciones mineras analizadas?',
    'Las instalaciones que fueron analizadas comprenden Seis (6) Minas Subterráneas: Concordia, Doña \nRosa, Estatuas, Antolín-Zúñiga, San Antonio y Mallín Mónica; Cinco (5) Depósitos de Relaves: Doña \nRosa, La Leñera, El Toqui, Auxiliar y Confluencia. \nPara evaluar los riesgos de las instalaciones, se realizaron las siguientes etapas: \n● Identificación de los riesgos. \n● Análisis de la probabilidad de ocurrencia del hecho. \n● Análisis de la severidad de las consecuencias para las personas y para el medio ambiente. \n● Evaluación de riesgos, donde se determina si este es significativo o no. \nLa evaluación de riesgos (riesgo puro) asociados a las principales instalaciones de la Faena, sirve \npara identificar las instalaciones que presentan un riesgo significativo, previo a la adopción de las \nmedidas de cierre propuestas, y que por lo tanto requieren de medidas de control para el cierre \ntemporal. \nComo resultado de la evaluación de riesgos, se obtuvie ron las medidas de cierre para cada una de \nlas instalaciones que se presentan en la siguiente tabla.',
    '23 \n \n \n85/11382/13328     Proyecto de Cierre Tranque de Relave N°4 Planta Cabildo, Región de Valparaíso  \nPlan de Cierre \nprevio al inicio del periodo de lluvias, la cual consiste en desmalezados, raleos y limpieza de los \nelementos que pueden haber caído al interior del canal. \nPor otra parte, para interceptar toda la escorrentía generada por las aguas lluvias provenientes del \nexterior y evitar la entrada de aguas lluvias al tranque, se proyecta una extensión del canal perimetral, \ndesarrollándose desde el sur-poniente del depósito, hasta el canal actual, el cual debe transportar un \ncaudal de 0,17 m3/s, poseerá una pendiente de un 1% su sección será prefabricada de hormigón con la \ngeometría especificada en el apartado de Diseños Hidráulicos del presente informe. \n7.2.5 Cierre de Accesos. \nSe prohíbe  o restringe el acceso de personas al tranque, para evitar potenciales accidentes mediante \ncierres perimetrales. No obstante, se tendrá un ingreso restringido a personal dedicado a las actividades \ndel control y mantención, mientras MLC continúe con sus actividades. El cerco utilizado actualmente, \ncorresponde a postes de madera y alambre púa, éste será el mismo que se utilizará en el sector cerro \nque actualmente no cuenta con cerco, tal como se indica en el Plano N° 8511382_H002.  Por otro lado, \nse cercará el sector de la cubeta donde se encuentra el canal perimetral, equivalente a 1379 m. Para el \ncerco se utilizarán Polines Sulfatados de 3 a 4 pulgadas, la distancia entre estos será de 3 m. y contará \ncon 3 corridas de alambre púa, más una malla galvanizada.',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 384]

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

Training Details

Training Dataset

Unnamed Dataset

Size: 527 training samples
Columns: anchor and positive
Approximate statistics based on the first 527 samples:
anchor positive
type string string
details
min: 5 tokens
mean: 32.24 tokens
max: 69 tokens
min: 44 tokens
mean: 236.35 tokens
max: 256 tokens

Samples:

anchor	positive
`¿Cuántas minas componen las minas a rajo abierto en la Mina Guanaco?`	B ORRA DOR [object Object] [object Object] [object Object] [object Object]iii [object Object] [object Object]La Mina Guanaco, está ubicada en la Comuna de Taltal, Provincia de Antofagasta, a 220 km al [object Object]sureste de la ciudad de la ciudad homónima, a una altitud cercana a los 2.700 msnm. [object Object] [object Object]Cuenta con seis minas donde el tipo de explotación es a rajo abierto y subterránea. Las minas que [object Object]componen las minas a rajo abierto son cuatro y corresponden a: “Defensa, Dumbo, Perseverancia [object Object]y Quillota”. Las minas subterráneas son dos y corresponden a “Cachinalito y Salvadora”. [object Object] [object Object]El distrito minero El Guanaco es conocido desde fine s del siglo pasado, cuando habitantes del [object Object]poblado de la Aguada de Ca chinal, que surtían agua a las minas de Cachinal de la Sierra, [object Object]descubrieron evidencias de mineralización aurífera en vetas de baritina. El mineral producido a [object Object]partir de 1886 fue tratado por amalgamación en Taltal. Hasta el año 1890, se habrían producido [object Object]más de 6.000 kg de oro, transportando la producción en ferrocarril que unía El Guanaco con Taltal. [object Object] [object Object]La mayor parte de la acti...
`¿Altura máxima del depósito de relaves filtrado?`	`Plan de Cierre – Faena Salares [object Object]Norte [object Object] [object Object]Anexo 18 [object Object]Análisis de Estabilidad Botadero Sur y Depósito [object Object]de Relaves Filtrados [object Object] [object Object]Febrero, 2020`
`¿Cuál es el objetivo del análisis de estabilidad realizado para el diseño del rajo en Salares Norte?`	`Plan de Cierre - Faena Minera Salares Norte`

Loss: MultipleNegativesRankingLoss with these parameters:
json
1{ 2 "scale": 20.0, 3 "similarity_fct": "cos_sim" 4}

Evaluation Dataset

Unnamed Dataset

Size: 132 evaluation samples
Columns: anchor and positive
Approximate statistics based on the first 132 samples:
anchor positive
type string string
details
min: 14 tokens
mean: 32.58 tokens
max: 69 tokens
min: 54 tokens
mean: 226.33 tokens
max: 256 tokens

Samples:

anchor	positive
`¿Cuáles son las características que deben ser evaluadas en un rango de 1 a 5 según la Guía mencionada en el texto?`	La Guía establece una serie de características, las cuales deben ser evaluadas en un rango de 1 a 5, y además establece [object Object]las condiciones que se deben dar para establecer el rango. [object Object]En la Tabla 7-1 se presentan las características de las personas y los rangos para la evaluación. [object Object]Por otro lado, al igual que en la det erminación de la probabilidad de ocurrencia, también se ha considerado como [object Object]parte del análisis de la severidad de las consecuencias, la efectividad de las medidas de cierre comprometidas en la [object Object]evaluación ambiental. [object Object]Así, la severidad de las consecuencias a las personas estará determinada por la sumatoria de los rangos de las [object Object]características de las personas combinada con la efectividad de las medidas de cierre propuestas, si existieran. [object Object]De la misma forma, la Severidad de las Consecuencias al Medio Ambiente se determina a partir de las características [object Object]del entorno (selección de un rango) y de la efectividad de las medidas de cierre comprometidas en la evaluación [object Object]ambient...
`¿Cuál es el ángulo de banco o de terraza del depósito de relaves filtrado?`	A continuación, se presenta un resumen de los análisis d esarrollados para el botadero Sur. [object Object]Al igual que en el análisis del botadero Norte, las secciones para analizar en el botadero Sur fueron definidas en base [object Object]la estimación de perfiles más críticos, escogiendo aquellos con mayor altura y/o mayor ángulo global. Se utilizó la [object Object]configuración de suelo de fundación más desfavorable (11,5 m de material aluvial sobre 5 m de material piroclástico) [object Object]en todas las secciones. Este escenario no es necesariamente real a lo largo de la sección, pero es un criterio más [object Object]conservador. [object Object]Dado que el botadero Sur servirá de plataforma para el depósito de relaves filtrados, se analizaron dos secciones [object Object]para la configuración final del botadero Sur en conjunto con el depósito de relaves filtrados en su condición final, [object Object]denominadas Sección 1 y Sección 2. Una vista general del botadero Sur y el depósito de relaves filtrados, junto a las [object Object]dos secciones nombradas anteriormente, se presentan en la Figura 8-...
`¿Qué medidas se están tomando para mejorar el drenaje y minimizar la erosión en las piscinas del sector Pilas Estáticas y del sector SX?`	`(RNP) [object Object]Manejo de residuos peligrosos (RP) [object Object]Piscinas ILS-PLS (sector Pilas Estáticas) [object Object]Cubrimiento de piscinas con suelo de valor edafológico [object Object]Reperfilamiento del área para mejorar drenaje y minimizar erosión [object Object]Piscina refino (sector SX) [object Object]Cubrimiento de piscinas con suelo de valor edafológico [object Object]Reperfilamiento del área para mejorar drenaje y minimizar erosión`

Loss: MultipleNegativesRankingLoss with these parameters:
json
1{ 2 "scale": 20.0, 3 "similarity_fct": "cos_sim" 4}

Training Hyperparameters

Non-Default Hyperparameters

per_device_train_batch_size: 16
per_device_eval_batch_size: 16
learning_rate: 2e-05
num_train_epochs: 100
warmup_ratio: 0.1
fp16: True
batch_sampler: no_duplicates

All Hyperparameters

Click to expand

overwrite_output_dir: False
do_predict: False
eval_strategy: no
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: 100
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}
tp_size: 0
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
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

Training Logs

Epoch	Step	Training Loss
5.8824	100	1.1853
11.7647	200	0.2591
17.6471	300	0.1023
23.5294	400	0.0656
29.4118	500	0.0575
35.2941	600	0.0478
41.1765	700	0.0386
47.0588	800	0.0347
52.9412	900	0.0397
58.8235	1000	0.0334
64.7059	1100	0.0317
70.5882	1200	0.0353
76.4706	1300	0.0336
82.3529	1400	0.032
88.2353	1500	0.0313
94.1176	1600	0.0345
100.0	1700	0.0279

Framework Versions

Python: 3.10.16
Sentence Transformers: 4.1.0
Transformers: 4.51.3
PyTorch: 2.6.0+cu124
Accelerate: 1.6.0
Datasets: 3.5.0
Tokenizers: 0.21.1

	anchor	positive
type	string	string
details	min: 5 tokens mean: 32.24 tokens max: 69 tokens	min: 44 tokens mean: 236.35 tokens max: 256 tokens