This is a sentence-transformers model finetuned from BM-K/KoSimCSE-roberta. 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: BM-K/KoSimCSE-roberta
Maximum Sequence Length: 256 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': 256, '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("Bossssss/ccm-retriever")
# Run inference
sentences = [
    '때로는 너의 앞에',
    'none',
    '매일 주와 함께\n어제보다 더 새롭게\n매일 주와 함께\n어제보다 더 새롭게\n아침에 주 경배하며\n저녁에 주높이리\n나 매일 사랑스런 주와\n날마다 더 새롭게 해\n매일 주와 함께\n어제보다 더 새롭게\n매일 주와 함께\n어제보다 더 새롭게\n아침에 주 경배하며\n저녁에 주높이리\n나 매일 사랑스런 주와\n날마다 더 새롭게 해\n주를 더욱 아는것 놀라워라\n나를 사랑하신 주\n존귀하신 주님께 경배하리\n자유케하신 주를\n해가 뜨는데부터\n해가 지는데까지\n매일 주와 함께\n어제보다 더 새롭게\n매일 주와 함께\n어제보다 더 새롭게\n아침에 주 경배하며\n저녁에 주높이리\n나 매일 사랑스런 주와\n날마다 더 새롭게 해\n주와 함께 사는 것\n놀라워라 모든 것을 이기네\n합당하신 주님께 다드리리\n날마다 내 전부를\n해가 뜨는데부터\n해가 지는데까지\n매일 주와 함께\n어제보다 더 새롭게\n매일 주와 함께\n어제보다 더 새롭게\n아침에 주 경배하며\n저녁에 주높이리\n나 매일 사랑스런 주와\n날마다 더 새롭게\n날마다 날마다 더 새롭게\n날마다 날마다 더 새롭게\n날마다 어제보다 더 새롭게\n날마다 어제보다 더 새롭게\n날마다 날마다 더 새롭게\n날마다 날마다 더 새롭게\n날마다 어제보다 더 새롭게\n날마다 어제보다 더 새롭게\n날마다 날마다 더 새롭게\n날마다 날마다 더 새롭게\n날마다 어제보다 더 새롭게\n날마다 새롭게\n매일 주와 함께\n어제보다 더 새롭게\n매일 주와 함께\n어제보다 더 새롭게\n아침에 주 경배하며\n저녁에 주높이리\n나 매일 사랑스런 주와\n날마다 더 새롭게\n날마다 더 새롭게\n날마다 날마다 더 새롭게\n날마다 날마다 더 새롭게\n날마다 어제보다 더 새롭게\n날마다 어제보다 더 새롭게\n날마다 날마다 더 새롭게\n날마다 날마다 더 새롭게\n날마다 어제보다 더 새롭게\n날마다 어제보다 더 새롭게\n날마다 날마다 더 새롭게\n날마다 날마다 더 새롭게\n날마다 어제보다 더 새롭게\n날마다 어제보다 더 새롭게\n날마다 날마다 더 새롭게\n날마다 날마다 더 새롭게\n날마다 어제보다 더 새롭게',
]
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,  0.1449,  0.2342],
#         [ 0.1449,  1.0000, -0.0180],
#         [ 0.2342, -0.0180,  1.0000]])

Training Details

Training Dataset

Unnamed Dataset

Size: 1,500 training samples
Columns: sentence_0 and sentence_1
Approximate statistics based on the first 1000 samples:
sentence_0 sentence_1
type string string
details
min: 3 tokens
mean: 7.2 tokens
max: 27 tokens
min: 4 tokens
mean: 201.36 tokens
max: 256 tokens

Samples:

sentence_0	sentence_1
`최고의 시간에`	고난과 시련속에[object Object]사람들은 나를 떠나도[object Object]신실한 그분의 사랑이[object Object]내 삶을 지키셨네[object Object][object Object]지난날 돌아보면[object Object]수많은 연단을 통하여[object Object]나를 크게 사용하실[object Object]그분의 뜻이였음을 알았네[object Object][object Object]최고의 시간에[object Object]최고의 순간에[object Object]최고의 것을 주실 분[object Object][object Object]아버지 그 뜻을 믿으며[object Object]난 그저 기도하리[object Object][object Object][object Object]지난날 돌아보면[object Object]수많은 연단을 통하여[object Object]나를 크게 사용하실[object Object]그분의 뜻이였음을 알았네[object Object][object Object]최고의 시간에[object Object]최고의 순간에[object Object]최고의 것을 주실 분[object Object][object Object]아버지 그 뜻을 믿으며[object Object]난 그저 기도하리[object Object][object Object]아무런 답이 없으신[object Object]그 분을 원망했었네[object Object]하지만 난 알았네[object Object]나를 앞서가신 그 사랑[object Object]그 사랑 주실 분[object Object][object Object]아버지 그 뜻을 믿으며[object Object]난 그저 기도하리[object Object]난 그저 기도하리[object Object]난 그저 기도하리
`내 모든 삶의 행동 주 안에 / 승리하였네`	내 모든 삶의 행동 주 안에[object Object]주님 안에 있네[object Object]나의 숨쉬는 순간들도[object Object]내 모든 삶의 걸음 주안에[object Object]내 길도 주 안에[object Object]나의 숨쉬는 순간들도[object Object]라라라라 라라[object Object]라라라라 라 라라[object Object]라라라라 라라[object Object]라라라라 라 라라[object Object]내 모든 삶의 행동 주 안에[object Object]주님 안에 있네[object Object]나의 숨쉬는 순간들도[object Object]내 모든 삶의 걸음 주안에[object Object]내 길도 주 안에[object Object]나의 숨쉬는 순간들도[object Object]라라라라 라라[object Object]라라라라 라 라라[object Object]라라라라 라라[object Object]라라라라 라 라라[object Object]라라라라 라라[object Object]라라라라 라 라라[object Object]라라라라 라라[object Object]라라라라 라 라라[object Object]내 모든 삶의 행동 주 안에[object Object]주님 안에 있네[object Object]나의 숨쉬는 순간들도[object Object]내 모든 삶의 걸음 주안에[object Object]내 길도 주 안에[object Object]나의 숨쉬는 순간들도[object Object]라라라라 라라[object Object]라라라라 라 라라[object Object]라라라라 라라[object Object]라라라라 라 라라[object Object]라라라라 라라[object Object]라라라라 라 라라[object Object]라라라라 라라[object Object]라라라라 라 라라[object Object]자비와 은혜의 물결 어디서나[object Object]주 얼굴 보네[object Object]주 사랑 날 붙드네[object Object]오 놀라운 주님의 사랑[object Object]라라라라 라라[object Object]라라라라 라 라라[object Object]라라라라 라라[object Object]라라라라 라 라라[object Object]라라라라 라라[object Object]라라라라 라 라라[object Object]라라라라 라라[object Object]라라라라 라 라라[object Object]라라라라 라라[object Object]라라라라 라 라라[object Object]라라라라 라라[object Object]라라라라 라 라라[object Object]라라라라 라라[object Object]라라라라 라 라라[object Object]라라라라 라라[object Object]라라라라 라 라라[object Object]자비와 은혜의 물결 어디서나[object Object]주 얼굴 보네[object Object]주 사랑 날 붙드네[object Object]오 놀라운 주님의 사랑[object Object]승리하였네 어린 양의 보혈로[object Object]우린 보혈의 능력으로 서리라[object Object]승리하였네 어린 양의 보혈로[object Object]주 내게 승리 주셨네[object Object]승리하였네 어린 양의 보혈로[object Object]우린 보혈의 능력으로 서리라[object Object]승리하였네 어린 양의 보혈로[object Object]주 내게 승리 주셨네[object Object]승리하였네 어린 양의 보혈로[object Object]우린 보혈의 능력으로 서리라[object Object]승리하였네 어린 양의 보혈로[object Object]주 내게 승리 주셨네
`주는 사랑이십니다`	나의 지친 삶의 순간마다[object Object]말씀으로 내게 찾아오셔서[object Object]나의 마음 감싸 안으시는[object Object]내 주님께 간절히 원하네[object Object]흔들리는 삶의 순간마다[object Object]말씀으로 내게 찾아오셔서[object Object]넘어지는 날 일으키시는[object Object]내 주님께 간절히 원하네[object Object]나의 모든 생각과 나의 모든 것 드려[object Object]내 주님께 나아가길 원하네[object Object]그때 나의 삶은 변하고 온전케 되리[object Object]주만 바라봅니다[object Object]세상 모든 유혹과 나의 짐 내려놓고[object Object]내 주님께 나아가길 원하네[object Object]그때 나의 삶은 변하고 온전케 되리[object Object]주는 사랑이십니다[object Object]나의 지친 삶의 순간마다[object Object]말씀으로 내게 찾아오셔서[object Object]나의 마음 감싸 안으시는[object Object]내 주님께 간절히 원하네[object Object]흔들리는 삶의 순간마다[object Object]말씀으로 내게 찾아오셔서[object Object]넘어지는 날 일으키시는[object Object]내 주님께 간절히 원하네[object Object]나의 모든 생각과 나의 모든 것 드려[object Object]내 주님께 나아가길 원하네[object Object]그때 나의 삶은 변하고 온전케 되리[object Object]주만 바라봅니다[object Object]세상 모든 유혹과 나의 짐 내려놓고[object Object]내 주님께 나아가길 원하네[object Object]그때 나의 삶은 변하고 온전케 되리[object Object]주는 사랑이십니다[object Object]나의 모든 생각과 나의 모든 것 드려[object Object]내 주님께 나아가길 원하네[object Object]그때 나의 삶은 변하고 온전케 되리[object Object]주만 바라봅니다[object Object]세상 모든 유혹과 나의 짐 내려놓고[object Object]내 주님께 나아가길 원하네[object Object]그때 나의 삶은 변하고 온전케 되리[object Object]주는 사랑이십니다[object Object]나의 모든 생각과 나의 모든 것 드려[object Object]내 주님께 나아가길 원하네[object Object]그때 나의 삶은 변하고 온전케 되리[object Object]주만 바라봅니다[object Object]세상 모든 유혹과 나의 짐 내려놓고[object Object]내 주님께 나아가길 원하네[object Object]그때 나의 삶은 변하고 온전케 되리[object Object]주는 사랑이십니다

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

per_device_train_batch_size: 32
per_device_eval_batch_size: 32
num_train_epochs: 2
multi_dataset_batch_sampler: round_robin

All Hyperparameters

Click to expand

overwrite_output_dir: False
do_predict: False
eval_strategy: no
prediction_loss_only: True
per_device_train_batch_size: 32
per_device_eval_batch_size: 32
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: 5e-05
weight_decay: 0.0
adam_beta1: 0.9
adam_beta2: 0.999
adam_epsilon: 1e-08
max_grad_norm: 1
num_train_epochs: 2
max_steps: -1
lr_scheduler_type: linear
lr_scheduler_kwargs: None
warmup_ratio: 0.0
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
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
optim_args: None
adafactor: False
group_by_length: False
length_column_name: length
project: huggingface
trackio_space_id: trackio
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: no
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: True
prompts: None
batch_sampler: batch_sampler
multi_dataset_batch_sampler: round_robin
router_mapping: {}
learning_rate_mapping: {}

Framework Versions

Python: 3.9.7
Sentence Transformers: 5.1.2
Transformers: 4.57.6
PyTorch: 2.3.1
Accelerate: 1.10.1
Datasets: 4.5.0
Tokenizers: 0.22.2

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}
}

	sentence_0	sentence_1
type	string	string
details	min: 3 tokens mean: 7.2 tokens max: 27 tokens	min: 4 tokens mean: 201.36 tokens max: 256 tokens