This is a sentence-transformers model finetuned from HiTZ/BERnaT_base. 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: HiTZ/BERnaT_base
Maximum Sequence Length: 512 tokens
Output Dimensionality: 768 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': 512, 'do_lower_case': False, 'architecture': 'RobertaModel'})
  (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.

python

from sentence_transformers import SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("aimarsg/bernat_all_domains_contrastive")
# Run inference
sentences = [
    'Zein da osasun-arloko profesionalak prestatzeko beken eta laguntzen deialdian eskabideak ebazteko ardura duen organoa?',
    'Osasun sailburuaren 2011ko uztailaren 20ko aginduaren bidez (2011ko abuztuaren 12ko EHAA), osasun-arloko profesionalak prestatzeko beketarako eta laguntzetarako deia egin zen.\nAgindu horren 13. artikuluan ezartzen duenez, Kalitate, Ikerketa eta Berrikuntza Sanitarioko sailburuordeak ebatziko ditu bekak eta laguntzak eskuratzeko eskabideak, EHAAn argitaratutako ebazpen baten bitartez, eta betiere, Osasun eta Kontsumoko sailburuak horretarako berariaz izendatutako Balorazio Batzordeak proposatutakoa aintzat hartuta.\nHori guztia kontuan izanik, deialdira bildutako eskabideak aztertuta, Balorazio Batzordeak proposatutakoa hartu da aintzakotzat, eta, horrenbestez, honako hau\nEBATZI DUT\n:\nLehenengoa. Osasun-arloko profesionalak prestatzeko bekak eta laguntzak honako pertsona hauei ematea (bakoitzari ondoan duen diru-zenbatekoa emango zaio):\nA modalitatea (Atzerriko zentroetan ikastaroak eta egonaldiak egiteko bekak eta laguntzak).\n(Ikus .PDF)\nB modalitatea (Osasunaren arloan ikerketako eta berrikuntzako prestakuntza-planak gauzatzeko bekak eta laguntzak).\n(Ikus .PDF)\nBigarrena. Honako eskatzaile hauei laguntza ukatzea; arrazoiak ere ematen dira:\nA modalitatea:\nCanales Arrasate, Maria Isabel.\nGalnares Cordero, Lorea.\nGómez Coloma, Alexander.\nLago García, Violeta.\nLlano Castresana, Oihane.\nMorales González, M.ª Celia.\nMorales López, Julio Ulises.\nMovilla Fernández, Soraya.\nSanta Maria-Amurrio Alustiza, Lander.\nUrdangarin Zumeta, Nerea.\nB modalitatea:\nAnton Ladislao, Ane.\nAurtenetxe Saez, Olaia.\nUrdampilleta Otegui, Aritz.\nBekak jaso nahi dituzten jarduerak deialdi-aginduko 1. artikuluan diru-laguntzetarako zehaztutako eremuan ez barne-hartuta egoteagatik (atzerrian egingo ez diren ikastaroak eta egonaldiak).\nB modalitatea:\nMaortua Olabe, Hiart.\nInteresunak berak berariaz uko egiteagatik.\nA modalitatea:\nAmo Herrero, Laura.\nOlabarria Larizgoitia, Markel.',
    'Ebazpena Euskal Herriko Agintaritzaren Aldizkarian argitaratuko da, eta, denek jakin dezaten, www.elankidetza.euskadi.net eta www.euskadi.net orrietan argitaratuko da beken esleipendunen zerrenda eta haien',
]
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, 0.7648, 0.2485],
#         [0.7648, 1.0000, 0.2295],
#         [0.2485, 0.2295, 1.0000]])

Evaluation

Metrics

Triplet

Dataset: multilingual-e5-large
Evaluated with TripletEvaluator

Metric	Value
cosine_accuracy	0.8655

Training Details

Training Dataset

Unnamed Dataset

Size: 19,544 training samples
Columns: anchor and positive
Approximate statistics based on the first 1000 samples:
anchor positive
type string string
details
min: 9 tokens
mean: 17.5 tokens
max: 43 tokens
min: 70 tokens
mean: 234.16 tokens
max: 512 tokens

Samples:

anchor	positive
`Nork izendatu du Osakidetzako Teknikari Espezialista sanitarioen lanbide-taldeko lekualdatze-lehiaketa kalifikatuko duen epaimahaia?`	Osakidetza-Euskal osasun zerbitzuko zuzendari nagusiaren azaroaren 10eko 1401/2017 Ebazpenaren bidez, Teknikari Espezialista sanitarioen lanbide-taldeko lekualdatze-lehiaketa deitu zen. Ebazpena 2017ko azaroaren 28ko EHAAn (227. zenbakia) argitaratu zen.[object Object]Aurreko paragrafoan aipatutako ebazpenaren 7. oinarrian aurreikusitakoaren bat etorriz, Osakidetzako zuzendari nagusiak aipatutako lekualdatze-lehiaketa kalifikatuko duen epaimahaia izendatuko du.[object Object]Horiek guztiak horrela, eta indarrean dagoen legedian pertsonaleko gaietan aitortuta ditudan eskumenez baliatuta, honako hau[object Object]EBAZTEN DUT[object Object]:[object Object]Lehenengoa. Osakidetza-Euskal osasun zerbitzuko zuzendari nagusiaren azaroaren 10eko 1401/2017 Ebazpenaren bidez deitutako Teknikari Espezialista sanitarioen lanbide-taldeko lekualdatze-lehiaketako epaimahai kalifikatzailea izendatzea. Epaimahaia osatuko duten kideak ebazpen honen I. eranskinean jasotzen dira.[object Object]Bigarrena. Ebazpen honek duen egunetik aurrera emango ditu ondorioak.[object Object]Hirugarrena. Ebazpen hau EH...
`Zein urtetan sortu zen UPyD alderdia?`	[TOPIC: Galdera, Gorka Maneiro Labayen Mistoa-UPyD taldeko legebiltzarkideak lehendakariari egina, euskal unibertsitate publikoan ETAko kideen espediente faltsuak izateari buruz][object Object][MANEIRO LABAYEN, (Mixto-UPyD)]:[object Object]nor izango zen–, EHUk unibertsitate-tituluak eman ahal izan zitzan. Kontu honek, hain zuzen, irismen handia du, eta ibilbide luzea izango du, eta guk nahi dugu Legebiltzar honetan ere bidea egin dezan. Beraz, ni neu jarriko naiz harremanetan Legebiltzar honetako talde demokratikoekin ikerketa-batzorde bat abiarazten saiatzeko, zehazki jakin dezagun zer gertatu den EHUn. Albiste oso biribilak izango dituzu laster, sailburu andrea. Erabateko eskandalua da. (Date: 24.04.2015)
`Arrasateko ospitale berrian erresonantzia magnetikoetarako unitate bat irekitzea aurreikusita al dago?`	[TOPIC: Galdera, Rebeka Ubera Aranzeta EH Bildu taldeko legebiltzarkideak Osasuneko sailburuari egina, Arrasateko ospitalean erresonantzia magnetikoetarako unitatea irekitzeari buruz][object Object][UBERA ARANZETA, (EH Bildu)]:[object Object]ospitale berriaren jarduera ez dela behar bestekoa; aktibitatea, errendimendua, jaitsi egin dela. Eta iruditzen zaigu pena dela. Ospitale berri bat daukagu, ikaragarrizko espazioak, probetxu handiagoa atera ahal zaienak, eta ulertezina iruditzen zaigu oraindik ere kamioi bat edukitzea bertan erresonantzia magnetikoak egiteko. Uler genezake trantsizio-fase batean kamioia erabiltzea, baina momentu honetan nahiko ulertezina egiten zaigu, ospitale berria hor daukagunean. Iruditzen zaigu dauden espazioak aprobetxatu daitezkeela unitate bat irekitzeko (Date: 29.05.2015)

Loss: MultipleNegativesRankingLoss with these parameters:
json
1{ 2 "scale": 20.0, 3 "similarity_fct": "cos_sim", 4 "gather_across_devices": false 5}

Evaluation Dataset

Unnamed Dataset

Size: 19,560 evaluation samples
Columns: anchor, positive, and negative
Approximate statistics based on the first 1000 samples:
anchor positive negative
type string string string
details
min: 8 tokens
mean: 17.49 tokens
max: 53 tokens
min: 73 tokens
mean: 238.52 tokens
max: 512 tokens
min: 6 tokens
mean: 112.87 tokens
max: 512 tokens

Samples:

anchor	positive	negative
`Zein da LABen iritzia euskal sindikalismoaren egoerari buruz?`	Erronka handiak direla onartu du LABek, are gehiago munduan inposatzen ari diren «errezeta neoliberal eta autoritarioak» kontuan hartuta, baina, sindikatuaren iritziz, Euskal Herrian bada beste norabidean jotzeko moduko «orube» sindikal, sozial eta politikorik. Aldaketa sozialaren eta burujabetasunaren alde dauden eragileen arteko «euskal agenda sozial partekatua» beharrezkoa dela nabarmendu du, «estatuekiko» autonomoa izango dena.[object Object][object Object]30 urte dira lan esparru propioaren aldeko lehe manifestazioa egin zenetik, eta, LABen ustez, gaiak «zentralitate» osoa merezi du oraindik[object Object][object Object]Hori bai, jakina da LABen eta ELAren arteko harremanak garai txarrak bizi dituela, ez duela 30 urte bezala. Gauzak hala, LABen ustez, agenda horren osaketan oinarrizko printzipio bat lortu beharko liratekeela uste du, mugimendu feministaren ekimenez zaintzaren inguruan proposatu den herri ekimenarekin eta lan istripuei erantzuteko elkarlanarekin gertatu bezala.[object Object][object Object]«Elkarlan sendoago» baten premia[object Object][object Object]Agirian, LABek euskal si...	`Azaldu duenez, lan munduan izandako aldaketek sindikalismoaren krisia ekarri dute, eta pitzadurak eragin ditu sindikatuen botere iturrietan.`
`Zer neurri hartu ditu Txinako gobernuak Pekingo zarata eta nahasmena murrizteko?`	Munduko bigarren potentziaren hiriburua aldatzen[object Object][object Object]Pekinera iritsi berri diren atzerritarren lehen inpresioa sarritan bera izaten da: kontrastea, kaosa; etxe orratz modernoenak kale batean eta metro gutxi barnerago pisu bakar bateko etxe zahar tradizionalak; Porsche garestienak, eta ondoko kalean bat-batean oilar bat. Herritarrentzat hori ondo dago, baina gobernuak uste du munduko bigarren potentziaren hiriburua garbitzeko ordua iritsi dela, eta azken urteotan zarata eta nahasmen hori guztia ezabatu nahian ari dira.[object Object][object Object]Su artifizialen debekua eman diren hamarnaka pausoetako bat besterik ez da. Zerrenda luzea da: kaleak poliziaz bete dituzte eroen moduan gidatzen duten motor elektrikoak kontrolatzeko; kalean inprobisatuta ireki ziren jatetxe eta denda txiki horiek guztiak itxi dituzte, segurtasun neurriak betetzen ez dituzten milaka eraikin bota dituzte.[object Object][object Object]Hartu diren erabaki asko garrantzitsuak izan dira bizi kalitatea hobetzeko, baina bide horretan kolore batzuk galdu dira eta urte berria...	`Pekingo gobernuak adierazi du interes tasak murrizteko gaitasuna baduela oraindik, halakorik egitea beharrezkoa balitz.`
`Zein da Eusko Jaurlaritzaren jarrera Forondako aireportua bultzatzeari dagokionez?`	[TOPIC: Galdera, Igor López de Munain Ganuza EH Bildu taldeko legebiltzarkideak Ingurumen eta Lurralde Politikako sailburuari egina, Forondako aireportua bultzatzeari buruz][object Object][LÓPEZ DE MUNAIN GANUZA, (EH Bildu)]:[object Object]gain erantzukizuna Madrilena dela eta haiek ez dutela borondaterik? Hemen akordio bat sinatu genuen alderdi politiko guztiok. Zer ari zarete egiten akordio horri dagokionez? Pasatuko zarete hitzetatik ekintzetara? Hartuko duzue Foronda lehentasun gisa, beste helburu batzuk, hala nola abiadura handiko trena eraikitzea, zuen agenda politikotik kanpo utzita? Emango diozue lehentasuna jada existitzen denari, non langileak baitaude jada, non AHTa 2019rako ez eraikitzeagatik galduko genukeena baino askoz gehiago gal (Date: 13.02.2015)	[TOPIC: Interpelazioa, Rebeka Ubera Aranzeta EH Bildu taldeko legebiltzarkideak Hezkuntzako sailburuari egina, Haurreskolak partzuergoan doakotasunaren bidean 18.000 euro baino gutxiagoko familiei doakotasuna ezartzeari buruz][object Object][UBERA ARANZETA, (EH Bildu)]:[object Object]igo duzue (0,7), baina ez zarete iritsi 2012ko inbertsiomailara ere. Ikustea besterik ez dago zer eskaintza egin duzuen: murrizketak, murrizketak eta murrizketak, etengabeak. Aipatu dituzun beste neurri horiek… Begira, bekak aipatu dituzu. Bekak, ez Haurreskolak partzuergoan, bekak ikasmaterialari dagokionez, eta gaur aldarrikatu duzun proposamena EH Bilduk ekarri du. EH Bilduk ekarri du behin eta berriro etxe honetara, eta azkenean lortu dugu zuek onartzea. Zuek ez zarete gai (Date: 11.05.2018)

Loss: MultipleNegativesRankingLoss with these parameters:
json
1{ 2 "scale": 20.0, 3 "similarity_fct": "cos_sim", 4 "gather_across_devices": false 5}

Training Hyperparameters

Non-Default Hyperparameters

eval_strategy: epoch
learning_rate: 2e-05
warmup_ratio: 0.1
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: 8
per_device_eval_batch_size: 8
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: 3
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: 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}
parallelism_config: 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: 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	multilingual-e5-large_cosine_accuracy
0.0409	100	1.5839	-	-
0.0819	200	0.3913	-	-
0.1228	300	0.1506	-	-
0.1637	400	0.1704	-	-
0.2047	500	0.0915	-	-
0.2456	600	0.0901	-	-
0.2865	700	0.105	-	-
0.3275	800	0.0687	-	-
0.3684	900	0.0589	-	-
0.4093	1000	0.0646	-	-
0.4503	1100	0.0885	-	-
0.4912	1200	0.0616	-	-
0.5321	1300	0.0517	-	-
0.5731	1400	0.0333	-	-
0.6140	1500	0.0601	-	-
0.6549	1600	0.0372	-	-
0.6959	1700	0.0487	-	-
0.7368	1800	0.047	-	-
0.7777	1900	0.0391	-	-
0.8187	2000	0.0421	-	-
0.8596	2100	0.0414	-	-
0.9005	2200	0.0413	-	-
0.9415	2300	0.0271	-	-
0.9824	2400	0.0332	-	-
1.0	2443	-	0.4724	0.8315
1.0233	2500	0.0338	-	-
1.0643	2600	0.019	-	-
1.1052	2700	0.0308	-	-
1.1461	2800	0.0148	-	-
1.1871	2900	0.0229	-	-
1.2280	3000	0.0214	-	-
1.2689	3100	0.0296	-	-
1.3099	3200	0.0158	-	-
1.3508	3300	0.0177	-	-
1.3917	3400	0.0281	-	-
1.4327	3500	0.0299	-	-
1.4736	3600	0.0175	-	-
1.5145	3700	0.0193	-	-
1.5555	3800	0.0119	-	-
1.5964	3900	0.0307	-	-
1.6373	4000	0.0276	-	-
1.6783	4100	0.027	-	-
1.7192	4200	0.0243	-	-
1.7601	4300	0.0127	-	-
1.8011	4400	0.0178	-	-
1.8420	4500	0.0076	-	-
1.8829	4600	0.0189	-	-
1.9239	4700	0.014	-	-
1.9648	4800	0.0109	-	-
2.0	4886	-	0.4039	0.8494
2.0057	4900	0.0129	-	-
2.0467	5000	0.0163	-	-
2.0876	5100	0.01	-	-
2.1285	5200	0.0107	-	-
2.1695	5300	0.0109	-	-
2.2104	5400	0.0105	-	-
2.2513	5500	0.0106	-	-
2.2923	5600	0.011	-	-
2.3332	5700	0.0177	-	-
2.3741	5800	0.0112	-	-
2.4151	5900	0.0091	-	-
2.4560	6000	0.0204	-	-
2.4969	6100	0.0051	-	-
2.5379	6200	0.0091	-	-
2.5788	6300	0.0104	-	-
2.6197	6400	0.0102	-	-
2.6607	6500	0.0081	-	-
2.7016	6600	0.0066	-	-
2.7425	6700	0.0049	-	-
2.7835	6800	0.0038	-	-
2.8244	6900	0.005	-	-
2.8653	7000	0.0139	-	-
2.9063	7100	0.0069	-	-
2.9472	7200	0.0066	-	-
2.9881	7300	0.0094	-	-
3.0	7329	-	0.3533	0.8655

Framework Versions

Python: 3.10.8
Sentence Transformers: 5.1.0
Transformers: 4.56.0
PyTorch: 2.8.0+cu128
Accelerate: 1.10.1
Datasets: 4.0.0
Tokenizers: 0.22.0

Citation

BibTeX

Sentence Transformers

bibtex

@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",
}

MultipleNegativesRankingLoss

bibtex

@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}
}

	anchor	positive
type	string	string
details	min: 9 tokens mean: 17.5 tokens max: 43 tokens	min: 70 tokens mean: 234.16 tokens max: 512 tokens