You can deploy this model and start earning money today!

Views

No views yet

BGE large Legal Spanish

Name: bge-m3-es-legal-tmp-1
Availability: InStock

This is a sentence-transformers model finetuned from BAAI/bge-m3 on the justicio-rag-embedding-qa-tmp-2 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 dimensions
Similarity Function: Cosine Similarity
Training Dataset:
- justicio-rag-embedding-qa-tmp-2
Language: es
License: apache-2.0

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': 8192, 'do_lower_case': False, 'architecture': '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("wilfoderek/bge-m3-es-legal-tmp-1")
# Run inference
queries = [
    "Art\u00edculo 6. Definiciones. 1. Discriminaci\u00f3n directa e indirecta. b) La discriminaci\u00f3n indirecta se produce cuando una disposici\u00f3n, criterio o pr\u00e1ctica aparentemente neutros ocasiona o puede ocasionar a una o varias personas una desventaja particular con respecto a otras por raz\u00f3n de las causas previstas en el apartado 1 del art\u00edculo 2.",
]
documents = [
    '¿Qué se considera discriminación indirecta?',
    '¿Qué tipo de información se considera veraz?',
    '¿Cuál es el papel del Consejo de Salud de Área?',
]
query_embeddings = model.encode_query(queries)
document_embeddings = model.encode_document(documents)
print(query_embeddings.shape, document_embeddings.shape)
# [1, 1024] [3, 1024]

# Get the similarity scores for the embeddings
similarities = model.similarity(query_embeddings, document_embeddings)
print(similarities)
# tensor([[0.7562, 0.1522, 0.0675]])

Evaluation

Metrics

Information Retrieval

Dataset: dim_1024
Evaluated with InformationRetrievalEvaluator with these parameters:
json
1{ 2 "truncate_dim": 1024 3}

Metric	Value
cosine_accuracy@1	0.5396
cosine_accuracy@3	0.8049
cosine_accuracy@5	0.8598
cosine_accuracy@10	0.9085
cosine_precision@1	0.5396
cosine_precision@3	0.2683
cosine_precision@5	0.172
cosine_precision@10	0.0909
cosine_recall@1	0.5396
cosine_recall@3	0.8049
cosine_recall@5	0.8598
cosine_recall@10	0.9085
cosine_ndcg@10	0.7335
cosine_mrr@10	0.6763
cosine_map@100	0.6798

Information Retrieval

Dataset: dim_768
Evaluated with InformationRetrievalEvaluator with these parameters:
json
1{ 2 "truncate_dim": 768 3}

Metric	Value
cosine_accuracy@1	0.5152
cosine_accuracy@3	0.8049
cosine_accuracy@5	0.8567
cosine_accuracy@10	0.9085
cosine_precision@1	0.5152
cosine_precision@3	0.2683
cosine_precision@5	0.1713
cosine_precision@10	0.0909
cosine_recall@1	0.5152
cosine_recall@3	0.8049
cosine_recall@5	0.8567
cosine_recall@10	0.9085
cosine_ndcg@10	0.7234
cosine_mrr@10	0.6628
cosine_map@100	0.6662

Information Retrieval

Dataset: dim_512
Evaluated with InformationRetrievalEvaluator with these parameters:
json
1{ 2 "truncate_dim": 512 3}

Metric	Value
cosine_accuracy@1	0.5427
cosine_accuracy@3	0.811
cosine_accuracy@5	0.8628
cosine_accuracy@10	0.9024
cosine_precision@1	0.5427
cosine_precision@3	0.2703
cosine_precision@5	0.1726
cosine_precision@10	0.0902
cosine_recall@1	0.5427
cosine_recall@3	0.811
cosine_recall@5	0.8628
cosine_recall@10	0.9024
cosine_ndcg@10	0.7337
cosine_mrr@10	0.6783
cosine_map@100	0.6821

Information Retrieval

Dataset: dim_256
Evaluated with InformationRetrievalEvaluator with these parameters:
json
1{ 2 "truncate_dim": 256 3}

Metric	Value
cosine_accuracy@1	0.5366
cosine_accuracy@3	0.7957
cosine_accuracy@5	0.8567
cosine_accuracy@10	0.8872
cosine_precision@1	0.5366
cosine_precision@3	0.2652
cosine_precision@5	0.1713
cosine_precision@10	0.0887
cosine_recall@1	0.5366
cosine_recall@3	0.7957
cosine_recall@5	0.8567
cosine_recall@10	0.8872
cosine_ndcg@10	0.7246
cosine_mrr@10	0.6708
cosine_map@100	0.6753

Information Retrieval

Dataset: dim_128
Evaluated with InformationRetrievalEvaluator with these parameters:
json
1{ 2 "truncate_dim": 128 3}

Metric	Value
cosine_accuracy@1	0.5305
cosine_accuracy@3	0.7713
cosine_accuracy@5	0.8232
cosine_accuracy@10	0.872
cosine_precision@1	0.5305
cosine_precision@3	0.2571
cosine_precision@5	0.1646
cosine_precision@10	0.0872
cosine_recall@1	0.5305
cosine_recall@3	0.7713
cosine_recall@5	0.8232
cosine_recall@10	0.872
cosine_ndcg@10	0.7121
cosine_mrr@10	0.6597
cosine_map@100	0.6643

Information Retrieval

Dataset: dim_64
Evaluated with InformationRetrievalEvaluator with these parameters:
json
1{ 2 "truncate_dim": 64 3}

Metric	Value
cosine_accuracy@1	0.503
cosine_accuracy@3	0.7317
cosine_accuracy@5	0.7835
cosine_accuracy@10	0.8689
cosine_precision@1	0.503
cosine_precision@3	0.2439
cosine_precision@5	0.1567
cosine_precision@10	0.0869
cosine_recall@1	0.503
cosine_recall@3	0.7317
cosine_recall@5	0.7835
cosine_recall@10	0.8689
cosine_ndcg@10	0.6887
cosine_mrr@10	0.631
cosine_map@100	0.6349

Training Details

Training Dataset

justicio-rag-embedding-qa-tmp-2

Dataset: justicio-rag-embedding-qa-tmp-2 at 72c1e63
Size: 2,947 training samples
Columns: context and question
Approximate statistics based on the first 1000 samples:
context question
type string string
details
min: 22 tokens
mean: 63.25 tokens
max: 222 tokens
min: 8 tokens
mean: 20.31 tokens
max: 53 tokens

Samples:

context	question
`La ley debe entenderse, por tanto, en el contexto del cumplimiento por parte del Estado de la obligación que, en el marco de sus competencias constitucionales, le incumbe en la protección del derecho a acceder a una vivienda digna y adecuada y a su disfrute.`	`¿Cuál es el objetivo de la ley en cuanto a la vivienda?`
`JUAN CARLOS I REY DE ESPAÑA A todos los que la presente vieren y entendieren. Sabed: Que las Cortes Generales han aprobado y Yo vengo en sancionar la siguiente Ley Orgánica.`	`¿Quién sanciona la Ley Orgánica?`
A esta finalidad responde la modificación del artículo 37 de la Ley 8/2018, de 8 de octubre, de medidas frente al cambio climático y para la transición hacia un modelo energético en Andalucía, con el objetivo de incluir la posibilidad de que se puedan articular la ejecución de proyectos de absorción de emisiones a través de la suscripción por la Consejería competente en materia de medio ambiente de convenios de colaboración público-privada, los cuales podrán tener una duración acorde a la vida útil de dichos proyectos, en función de sus distintas tipologías, atendiendo así la demanda de organizaciones y empresas que, de manera voluntaria, dentro de sus programas de responsabilidad corporativa, quieren reducir sus emisiones de gases de efecto invernadero y están interesadas en la ejecución de estos proyectos bajo esta fórmula para la compensación que ha crecido exponencialmente en los últimos años.	`¿Cuál es el objetivo de la modificación del artículo 37 de la Ley 8/2018?`

Loss: MatryoshkaLoss with these parameters:
json
1{ 2 "loss": "MultipleNegativesRankingLoss", 3 "matryoshka_dims": [ 4 1024, 5 768, 6 512, 7 256, 8 128, 9 64 10 ], 11 "matryoshka_weights": [ 12 1, 13 1, 14 1, 15 1, 16 1, 17 1 18 ], 19 "n_dims_per_step": -1 20}

Evaluation Dataset

justicio-rag-embedding-qa-tmp-2

Dataset: justicio-rag-embedding-qa-tmp-2 at 72c1e63
Size: 328 evaluation samples
Columns: context and question
Approximate statistics based on the first 328 samples:
context question
type string string
details
min: 20 tokens
mean: 64.15 tokens
max: 187 tokens
min: 9 tokens
mean: 19.64 tokens
max: 50 tokens

Samples:

context	question
`Con el fin de lograr un mejor aprovechamiento de los recursos humanos, que garantice la eficacia del servicio que se preste a los ciudadanos, la Administración General del Estado y las comunidades autónomas y las entidades locales establecerán medidas de movilidad interadministrativa, preferentemente mediante convenio de Conferencia Sectorial u otros instrumentos de colaboración.`	`¿Cuál es el objetivo de la movilidad interadministrativa?`
`Las Administraciones públicas, en el ámbito de sus competencias, continuarán impartiendo formación inicial y continuada al personal a su servicio sobre diversidad en materia de orientación sexual, identidad sexual, expresión de género y características sexuales, sobre diversidad familiar y sobre igualdad y no discriminación de las personas LGTBI.`	`¿Qué tipo de formación se impartirá al personal al servicio de las Administraciones públicas?`
`En los contratos de carácter temporal cuya duración efectiva sea inferior a siete días, la cuota empresarial a la Seguridad Social por contingencias comunes se incrementará en un 36 por ciento.`	`¿Qué sucede con la cotización en contratos de carácter temporal cuya duración efectiva sea inferior a siete días?`

Loss: MatryoshkaLoss with these parameters:
json
1{ 2 "loss": "MultipleNegativesRankingLoss", 3 "matryoshka_dims": [ 4 1024, 5 768, 6 512, 7 256, 8 128, 9 64 10 ], 11 "matryoshka_weights": [ 12 1, 13 1, 14 1, 15 1, 16 1, 17 1 18 ], 19 "n_dims_per_step": -1 20}

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: 6
lr_scheduler_type: cosine
warmup_ratio: 0.1
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: 6
max_steps: -1
lr_scheduler_type: cosine
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: 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: 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	dim_1024_cosine_ndcg@10	dim_768_cosine_ndcg@10	dim_512_cosine_ndcg@10	dim_256_cosine_ndcg@10	dim_128_cosine_ndcg@10	dim_64_cosine_ndcg@10
0.4324	5	1.6474	-	-	-	-	-	-	-
0.8649	10	1.1634	-	-	-	-	-	-	-
1.0	12	-	0.7731	0.7239	0.7134	0.7226	0.7259	0.6998	0.6529
1.2595	15	0.8271	-	-	-	-	-	-	-
1.6919	20	0.5396	-	-	-	-	-	-	-
2.0	24	-	0.649	0.7274	0.7221	0.7319	0.7322	0.7139	0.669
2.0865	25	0.5425	-	-	-	-	-	-	-
2.5189	30	0.3327	-	-	-	-	-	-	-
2.9514	35	0.2893	-	-	-	-	-	-	-
3.0	36	-	0.6038	0.7266	0.7241	0.7323	0.7266	0.7094	0.6762
3.3459	40	0.214	-	-	-	-	-	-	-
3.7784	45	0.2363	-	-	-	-	-	-	-
4.0	48	-	0.5849	0.7247	0.7246	0.7307	0.7230	0.7117	0.6859
4.1730	50	0.2066	-	-	-	-	-	-	-
4.6054	55	0.1616	-	-	-	-	-	-	-
5.0	60	0.2014	0.5632	0.7322	0.7237	0.7331	0.7240	0.7133	0.6889
5.4324	65	0.1772	-	-	-	-	-	-	-
5.8649	70	0.1806	-	-	-	-	-	-	-
6.0	72	-	0.5578	0.7335	0.7234	0.7337	0.7246	0.7121	0.6887

The bold row denotes the saved checkpoint.

Framework Versions

Python: 3.11.13
Sentence Transformers: 5.1.0
Transformers: 4.55.0
PyTorch: 2.6.0+cu124
Accelerate: 1.10.0
Datasets: 4.0.0
Tokenizers: 0.21.4

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",
}

MatryoshkaLoss

bibtex

@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

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}
}

	context	question
type	string	string
details	min: 22 tokens mean: 63.25 tokens max: 222 tokens	min: 8 tokens mean: 20.31 tokens max: 53 tokens