This is a sentence-transformers model finetuned from google/embeddinggemma-300m. 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: google/embeddinggemma-300m
Maximum Sequence Length: 2048 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': 2048, 'do_lower_case': False, 'architecture': 'Gemma3TextModel'})
  (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})
  (2): Dense({'in_features': 768, 'out_features': 3072, 'bias': False, 'activation_function': 'torch.nn.modules.linear.Identity'})
  (3): Dense({'in_features': 3072, 'out_features': 768, 'bias': False, 'activation_function': 'torch.nn.modules.linear.Identity'})
  (4): 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("hienNguyen197/my-embedding-gemma_v1")
# Run inference
queries = [
    "Qu\u00e2n \u0111\u1ed9i \u0111\u1ea7u tri\u1ec1u L\u00ea \u0111\u01b0\u1ee3c chia th\u00e0nh nh\u1eefng lo\u1ea1i h\u00ecnh \u0111\u01a1n v\u1ecb ch\u00ednh n\u00e0o?",
]
documents = [
    'Đầu triều đại nhà Lê, binh chế được tổ chức thành các loại đơn vị nào?',
    'Chính sách tuyển quân của nhà Lê tập trung vào những đối tượng nào?',
    'Thông báo số 22 - TB/TW ban hành ngày 21-10-1980 đã đề cập đến những điểm cấp bách nào về phương thức quản lý hợp tác xã?',
]
query_embeddings = model.encode_query(queries)
document_embeddings = model.encode_document(documents)
print(query_embeddings.shape, document_embeddings.shape)
# [1, 768] [3, 768]

# Get the similarity scores for the embeddings
similarities = model.similarity(query_embeddings, document_embeddings)
print(similarities)
# tensor([[0.7388, 0.5888, 0.1010]])

Training Details

Training Dataset

Unnamed Dataset

Size: 2,295 training samples
Columns: anchor, positive, and negative
Approximate statistics based on the first 1000 samples:
anchor positive negative
type string string string
details
min: 15 tokens
mean: 33.7 tokens
max: 71 tokens
min: 13 tokens
mean: 34.1 tokens
max: 66 tokens
min: 12 tokens
mean: 26.37 tokens
max: 61 tokens

Samples:

anchor	positive	negative
`Trong 6 tháng đầu năm 1970, lực lượng vũ trang và nhân dân miền Nam đã đạt được những kết quả gì trong việc phá kế hoạch bình định của Mỹ và chính quyền Sài Gòn?`	`Trong nửa đầu năm 1970, lực lượng vũ trang và nhân dân miền Nam đã đạt được những thành tựu gì trong việc làm thất bại âm mưu bình định của Mỹ và chính quyền Sài Gòn?`	`Kế hoạch bình định của Mỹ và chính quyền Sài Gòn đã được triển khai như thế nào ở miền Nam vào năm 1970?`
`Những yếu tố nào đã được Nhà nước xem xét khi quyết định giá bán lẻ chuẩn một số mặt hàng thuộc nhu cầu cơ bản?`	`Nhà nước đã cân nhắc những yếu tố gì trong việc xác định giá bán lẻ tiêu chuẩn cho các mặt hàng thiết yếu?`	`Người tiêu dùng xem xét những yếu tố nào để quyết định mua các mặt hàng thiết yếu?`
`Mặc dù sôi nổi và lan rộng, những phong trào yêu nước và dân chủ ở Việt Nam sau Chiến tranh thế giới lần thứ nhất đã gặp phải những hạn chế gì về phạm vi hoạt động và tổ chức?`	`Những phong trào yêu nước và dân chủ tại Việt Nam sau Thế chiến thứ nhất, dù có sự sôi nổi và lan rộng, đã đối mặt với những giới hạn nào về quy mô và cách thức tổ chức?`	`Các phong trào yêu nước và dân chủ ở Việt Nam sau Chiến tranh thế giới lần thứ nhất đã đạt được những thành tựu đáng kể nào trong việc khơi dậy tinh thần dân tộc?`

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: 255 evaluation samples
Columns: anchor, positive, and negative
Approximate statistics based on the first 255 samples:
anchor positive negative
type string string string
details
min: 14 tokens
mean: 35.07 tokens
max: 72 tokens
min: 16 tokens
mean: 35.56 tokens
max: 75 tokens
min: 14 tokens
mean: 27.12 tokens
max: 48 tokens

Samples:

anchor	positive	negative
`Xã Vĩnh Thạnh (Long Thành - Đồng Nai) đã thoát khỏi tình trạng bị nước mặn bao vây nhờ hoạt động cụ thể nào của cộng đồng Công giáo?`	`Cộng đồng Công giáo tại xã Vĩnh Thạnh (Long Thành - Đồng Nai) đã thực hiện hoạt động gì để giải quyết vấn đề xâm nhập mặn?`	`Xã Vĩnh Thạnh (Long Thành - Đồng Nai) đang đối mặt với vấn đề nước ngọt khan hiếm do hạn hán kéo dài.`
`Kết quả của cuộc đấu tranh chống chủ trương 'chấn hưng Phật giáo' và các tổ chức phản động đội lốt tôn giáo là gì?`	`Cuộc đấu tranh nhằm chống lại chủ trương 'chấn hưng Phật giáo' và những tổ chức phản động núp bóng tôn giáo đã mang lại những kết quả gì?`	`Chủ trương 'chấn hưng Phật giáo' có những mục tiêu chính là gì?`
`Theo các nguồn tài liệu được đề cập, Lý Công Uẩn đã truy phong và ban tước hiệu cho những ai trong gia tộc sau khi lên ngôi?`	`Dựa trên các tài liệu, Lý Công Uẩn đã ban tước hiệu cho những thành viên nào trong gia tộc sau khi ông đăng cơ?`	`Sau khi lên ngôi, Lý Công Uẩn đã dời đô về Thăng Long.`

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

learning_rate: 2e-05
num_train_epochs: 5
warmup_ratio: 0.1
prompts: task: sentence similarity | query:

All Hyperparameters

Click to expand

overwrite_output_dir: False
do_predict: False
eval_strategy: no
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: 5
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: task: sentence similarity | query:
batch_sampler: batch_sampler
multi_dataset_batch_sampler: proportional
router_mapping: {}
learning_rate_mapping: {}

Training Logs

Epoch	Step	Training Loss
0.6969	200	0.0356
1.3937	400	0.0461
2.0906	600	0.021
2.7875	800	0.0056
3.4843	1000	0.0014
4.1812	1200	0.0003
4.8780	1400	0.0003

Framework Versions

Python: 3.12.12
Sentence Transformers: 5.1.2
Transformers: 4.57.0.dev0
PyTorch: 2.8.0+cu126
Accelerate: 1.11.0
Datasets: 4.0.0
Tokenizers: 0.22.1

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	negative
type	string	string	string
details	min: 15 tokens mean: 33.7 tokens max: 71 tokens	min: 13 tokens mean: 34.1 tokens max: 66 tokens	min: 12 tokens mean: 26.37 tokens max: 61 tokens