This is a sentence-transformers model finetuned from BAAI/bge-m3. 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: 1024 tokens
Output Dimensionality: 1024 tokens
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': 1024, '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.

python

from sentence_transformers import SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("seongil-dn/bge-m3-kor-retrieval-bs1024-checkpoint-236")
# Run inference
sentences = [
    '전남지역의 석유와 화학제품은 왜 수출이 늘어나는 경향을 보였어',
    '(2) 전남지역\n2013년중 전남지역 수출은 전년대비 1.2% 감소로 전환하였다. 품목별로는 석유(+9.3% → +3.8%) 및 화학제품(+1.2% → +7.1%)이 중국 등 해외수요확대로 증가세를 지속하였으나 철강금속(+1.8% → -8.6%)은 글로벌 공급과잉 및 중국의 저가 철강수출 확대로, 선박(+7.6% → -49.2%)은 수주물량이 급격히 줄어들면서 감소로 전환하였다. 전남지역 수입은 원유, 화학제품, 철강금속 등의 수입이 줄면서 전년대비 7.4% 감소로 전환하였다.',
    '수출 증가세 지속\n1/4분기 중 수출은 전년동기대비 증가흐름을 지속하였다. 품목별로 보면 석유제품, 석유화학, 철강, 선박, 반도체, 자동차 등 대다수 품목에서 증가하였다. 석유제품은 글로벌 경기회복에 따른 에너지 수요 증가와 국제유가 급등으로 수출단가가 높은 상승세를 지속하면서 증가하였다. 석유화학도 중국, 아세안을 중심으로 합성수지, 고무 등의 수출이 큰 폭 증가한 데다 고유가로 인한 수출가격도 동반 상승하면서 증가세를 이어갔다. 철강은 건설, 조선 등 글로벌 전방산업의 수요 증대, 원자재가격 상승 및 중국 감산 등에 따른 수출단가 상승 등에 힘입어 증가세를 이어갔다. 선박은 1/4분기 중 인도물량이 확대됨에 따라 증가하였다. 반도체는 자동차 등 전방산업의 견조한 수요가 이어지는 가운데 전년동기대비로 높은 단가가 지속되면서 증가하였다. 자동차는 차량용 반도체 수급차질이 지속되었음에도 불구하고 글로벌 경기회복 흐름에 따라 수요가 늘어나면서 전년동기대비 소폭 증가하였다. 모니터링 결과 향후 수출은 증가세가 지속될 것으로 전망되었다. 석유화학 및 석유정제는 수출단가 상승과 전방산업의 수요확대 기조가 이어지면서 증가할 전망이다. 철강은 주요국 경기회복과 중국, 인도 등의 인프라 투자 확대 등으로 양호한 흐름을 이어갈 전망이다. 반도체는 글로벌 스마트폰 수요 회복, 디지털 전환 기조 등으로 견조한 증가세를 지속할 것으로 보인다. 자동차는 차량용 반도체 공급차질이 점차 완화되고 미국, 신흥시장을 중심으로 수요회복이 본격화됨에 따라 소폭 증가할 전망이다. 선박은 친환경 선박수요 지속, 글로별 교역 신장 등에도 불구하고 2021년 2/4분기 집중되었던 인도물량의 기저효과로 인해 감소할 것으로 보인다.',
]
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]

Training Details

Training Hyperparameters

Non-Default Hyperparameters

per_device_train_batch_size: 512
learning_rate: 3e-05
num_train_epochs: 5
warmup_ratio: 0.05
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: 512
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: 3e-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: 0.05
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: True
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: 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

Click to expand

Epoch	Step	Training Loss
0.0085	1	2.0476
0.0171	2	2.0595
0.0256	3	2.0267
0.0342	4	2.0971
0.0427	5	2.2171
0.0513	6	2.287
0.0598	7	2.0867
0.0684	8	1.9498
0.0769	9	1.569
0.0855	10	1.3313
0.0940	11	1.4122
0.1026	12	1.3425
0.1111	13	1.1936
0.1197	14	0.8012
0.1282	15	0.8862
0.1368	16	1.193
0.1453	17	0.9771
0.1538	18	0.3887
0.1624	19	0.363
0.1709	20	0.3092
0.1795	21	0.2692
0.1880	22	0.2386
0.1966	23	0.2266
0.2051	24	0.233
0.2137	25	0.2214
0.2222	26	0.2038
0.2308	27	0.2015
0.2393	28	0.1772
0.2479	29	0.1697
0.2564	30	0.1718
0.2650	31	0.2456
0.2735	32	0.5238
0.2821	33	0.5308
0.2906	34	0.5111
0.2991	35	0.3931
0.3077	36	0.3414
0.3162	37	0.2704
0.3248	38	0.2949
0.3333	39	0.3082
0.3419	40	0.3755
0.3504	41	0.3127
0.3590	42	0.3756
0.3675	43	0.3564
0.3761	44	0.3905
0.3846	45	0.377
0.3932	46	0.3043
0.4017	47	0.3237
0.4103	48	0.4035
0.4188	49	0.4522
0.4274	50	0.4392
0.4359	51	0.4482
0.4444	52	0.3586
0.4530	53	0.3154
0.4615	54	0.4053
0.4701	55	0.5846
0.4786	56	0.4372
0.4872	57	0.6201
0.4957	58	0.5278
0.5043	59	0.4844
0.5128	60	0.5817
0.5214	61	0.3765
0.5299	62	0.4785
0.5385	63	0.5724
0.5470	64	0.5375
0.5556	65	0.5362
0.5641	66	0.4731
0.5726	67	0.4514
0.5812	68	0.4563
0.5897	69	0.4198
0.5983	70	0.4086
0.6068	71	0.3612
0.6154	72	0.3463
0.6239	73	0.6261
0.6325	74	0.6283
0.6410	75	0.4635
0.6496	76	0.463
0.6581	77	0.4075
0.6667	78	0.3797
0.6752	79	0.2769
0.6838	80	0.3353
0.6923	81	0.2295
0.7009	82	0.4316
0.7094	83	0.9861
0.7179	84	0.9684
0.7265	85	0.9883
0.7350	86	0.8865
0.7436	87	0.8248
0.7521	88	0.7973
0.7607	89	0.8465
0.7692	90	0.7664
0.7778	91	0.7643
0.7863	92	0.7665
0.7949	93	0.7348
0.8034	94	0.7493
0.8120	95	0.6115
0.8205	96	0.6233
0.8291	97	0.6435
0.8376	98	0.5581
0.8462	99	0.542
0.8547	100	0.5571
0.8632	101	0.502
0.8718	102	0.5375
0.8803	103	0.4952
0.8889	104	0.4873
0.8974	105	0.4599
0.9060	106	0.4536
0.9145	107	0.4479
0.9231	108	0.384
0.9316	109	0.3523
0.9402	110	0.369
0.9487	111	0.3422
0.9573	112	0.3698
0.9658	113	0.3625
0.9744	114	0.3736
0.9829	115	0.4313
0.9915	116	0.4605
1.0	117	0.2948
1.0085	118	0.7391
1.0171	119	0.6622
1.0256	120	0.6917
1.0342	121	0.7963
1.0427	122	0.7815
1.0513	123	0.6719
1.0598	124	0.6098
1.0684	125	0.549
1.0769	126	0.7212
1.0855	127	0.6381
1.0940	128	0.7424
1.1026	129	0.6822
1.1111	130	0.6921
1.1197	131	0.5022
1.1282	132	0.578
1.1368	133	0.8139
1.1453	134	0.6167
1.1538	135	0.1836
1.1624	136	0.1853
1.1709	137	0.1628
1.1795	138	0.1464
1.1880	139	0.1308
1.1966	140	0.1273
1.2051	141	0.1414
1.2137	142	0.138
1.2222	143	0.1268
1.2308	144	0.1348
1.2393	145	0.111
1.2479	146	0.1069
1.2564	147	0.1122
1.2650	148	0.1703
1.2735	149	0.405
1.2821	150	0.3876
1.2906	151	0.378
1.2991	152	0.2633
1.3077	153	0.2263
1.3162	154	0.1748
1.3248	155	0.2016
1.3333	156	0.2166
1.3419	157	0.2798
1.3504	158	0.2295
1.3590	159	0.2805
1.3675	160	0.2619
1.3761	161	0.3006
1.3846	162	0.2843
1.3932	163	0.2244
1.4017	164	0.2361
1.4103	165	0.3025
1.4188	166	0.3443
1.4274	167	0.3329
1.4359	168	0.3467
1.4444	169	0.2748
1.4530	170	0.2304
1.4615	171	0.3125
1.4701	172	0.478
1.4786	173	0.3085
1.4872	174	0.4337
1.4957	175	0.3936
1.5043	176	0.3455
1.5128	177	0.4205
1.5214	178	0.2752
1.5299	179	0.36
1.5385	180	0.4347
1.5470	181	0.3949
1.5556	182	0.4072
1.5641	183	0.3633
1.5726	184	0.3532
1.5812	185	0.3451
1.5897	186	0.3242
1.5983	187	0.3122
1.6068	188	0.2845
1.6154	189	0.2815
1.6239	190	6.9159
1.6325	191	7.9604
1.6410	192	6.5821
1.6496	193	3.9177
1.6581	194	1.6951
1.6667	195	0.5367
1.6752	196	0.2935
1.6838	197	0.3295
1.6923	198	0.2212
1.7009	199	0.335
1.7094	200	0.7829
1.7179	201	0.7884
1.7265	202	0.7921
1.7350	203	0.7342
1.7436	204	0.6092
1.7521	205	0.6014
1.7607	206	0.6414
1.7692	207	0.5842
1.7778	208	0.5916
1.7863	209	0.5993
1.7949	210	0.5658
1.8034	211	0.6013
1.8120	212	0.4769
1.8205	213	0.4801
1.8291	214	0.5087
1.8376	215	0.436
1.8462	216	0.4398
1.8547	217	0.4391
1.8632	218	0.419
1.8718	219	0.4338
1.8803	220	0.395
1.8889	221	0.4063
1.8974	222	0.375
1.9060	223	0.3655
1.9145	224	0.3637
1.9231	225	0.3098
1.9316	226	0.2782
1.9402	227	0.2941
1.9487	228	0.275
1.9573	229	0.3018
1.9658	230	0.2971
1.9744	231	0.3108
1.9829	232	0.3808
1.9915	233	0.4067
2.0	234	0.2424
2.0085	235	0.6453
2.0171	236	0.5577

Framework Versions

Python: 3.10.12
Sentence Transformers: 3.2.1
Transformers: 4.44.2
PyTorch: 2.3.1+cu121
Accelerate: 1.1.1
Datasets: 2.21.0
Tokenizers: 0.19.1

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",
}

CachedMultipleNegativesRankingLoss

bibtex

@misc{gao2021scaling,
    title={Scaling Deep Contrastive Learning Batch Size under Memory Limited Setup},
    author={Luyu Gao and Yunyi Zhang and Jiawei Han and Jamie Callan},
    year={2021},
    eprint={2101.06983},
    archivePrefix={arXiv},
    primaryClass={cs.LG}
}