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: 8192 tokens
Output Dimensionality: 1024 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': 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("CaesArdi/Indo-Law-v2")
# Run inference
sentences = [
    'query: Apa saja syarat agar perbuatan permusuhan terhadap golongan agama bisa dipidana?',
    'passage: Syaratnya adalah perbuatan permusuhan tersebut dilakukan di muka umum dan ditujukan kepada agama, kepercayaan, atau golongan tertentu atas dasar keyakinan mereka di Indonesia. (Pasal 300 KUHP)',
    'passage: Syaratnya adalah perbuatan permusuhan tersebut dilakukan di muka umum dan ditujukan kepada kelompok tertentu atas dasar ras, kebangsaan, etnis, warna kulit, atau jenis kelamin. (Pasal 242 KUHP)',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 1024]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities)
# tensor([[1.0000, 0.7404, 0.4978],
#         [0.7404, 1.0000, 0.6977],
#         [0.4978, 0.6977, 1.0000]])

Evaluation

Metrics

Triplet

Datasets: val and test
Evaluated with TripletEvaluator

Metric	val	test
cosine_accuracy	0.9478	0.9143

Training Details

Training Dataset

Unnamed Dataset

Size: 380 training samples
Columns: anchor, positive, and negative
Approximate statistics based on the first 380 samples:
anchor positive negative
type string string string
details
min: 11 tokens
mean: 21.29 tokens
max: 36 tokens
min: 30 tokens
mean: 44.74 tokens
max: 73 tokens
min: 29 tokens
mean: 42.46 tokens
max: 70 tokens

Samples:

anchor	positive	negative
`query: Ada orang yang merekam percakapan rahasia lalu mengunggahnya ke YouTube, kena pasal berapa?`	`passage: Mengunggah hasil perekaman percakapan rahasia ke YouTube termasuk menyiarkan atau menyebarluaskan hasil perekaman transmisi informasi elektronik yang tidak publik, diancam penjara paling lama 10 tahun atau denda kategori M. (Pasal 288 ayat (2) KUHP)`	`passage: Mengunggah konten pornografi ke YouTube termasuk menyiarkan pornografi melalui media, diancam penjara paling singkat 6 bulan dan paling lama 10 tahun atau denda kategori IV sampai VI. (Pasal 407 ayat (1) KUHP)`
`query: Apakah aparat kepolisian yang melakukan penyadapan sesuai prosedur hukum bisa dipidana?`	`passage: Tidak dipidana, karena ketentuan pidana penyadapan informasi elektronik tidak berlaku bagi orang yang melaksanakan ketentuan peraturan perundang-undangan atau melaksanakan perintah jabatan sesuai Pasal 31 dan Pasal 32. (Pasal 288 ayat (3) KUHP)`	`passage: Tidak dipidana, karena orang yang melakukan kajian terhadap ajaran komunisme/marxisme-leninisme untuk kepentingan ilmu pengetahuan juga mendapat pengecualian dari pidana. (Pasal 188 ayat (6) KUHP)`
`query: Apa bedanya menyadap percakapan elektronik dengan menyebarkan konten porno lewat internet?`	`passage: Menyadap percakapan elektronik berfokus pada mengakses transmisi yang tidak bersifat publik secara ilegal, diancam penjara paling lama 10 tahun atau denda kategori M, sedangkan menyebarkan pornografi diancam penjara 6 bulan sampai 10 tahun. (Pasal 288 ayat (1) KUHP)`	`passage: Menyebarkan konten porno lewat internet adalah memproduksi, menyebarluaskan, atau menyediakan pornografi melalui media elektronik, diancam penjara paling singkat 6 bulan dan paling lama 10 tahun atau denda kategori IV sampai VI. (Pasal 407 ayat (1) KUHP)`

Loss: MultipleNegativesRankingLoss with these parameters:
json
1{ 2 "scale": 20.0, 3 "similarity_fct": "cos_sim", 4 "gather_across_devices": false, 5 "directions": [ 6 "query_to_doc" 7 ], 8 "partition_mode": "joint", 9 "hardness_mode": null, 10 "hardness_strength": 0.0 11}

Evaluation Dataset

Unnamed Dataset

Size: 115 evaluation samples
Columns: anchor, positive, and negative
Approximate statistics based on the first 115 samples:
anchor positive negative
type string string string
details
min: 13 tokens
mean: 21.23 tokens
max: 32 tokens
min: 28 tokens
mean: 44.68 tokens
max: 75 tokens
min: 29 tokens
mean: 43.23 tokens
max: 66 tokens

Samples:

anchor	positive	negative
`query: Apa hukumannya kalau ada yang mencatat seluruh percakapan di grup chat yang bersifat rahasia?`	`passage: Mencatat transmisi informasi elektronik atau dokumen elektronik yang tidak bersifat publik secara melawan hukum dapat dipidana penjara paling lama 10 tahun atau denda paling banyak kategori M. (Pasal 288 ayat (1) KUHP)`	`passage: Merekam atau memperbanyak konten pornografi yang kemudian disebarluaskan melalui grup chat dapat dipidana penjara paling singkat 6 bulan dan paling lama 10 tahun atau denda kategori IV sampai VI. (Pasal 407 ayat (1) KUHP)`
`query: Apa saja syarat supaya penyadapan komunikasi elektronik bisa dipidana?`	`passage: Syaratnya adalah perbuatan dilakukan secara melawan hukum, berupa mendengarkan, merekam, membelokkan, mengubah, menghambat, dan/atau mencatat transmisi informasi atau dokumen elektronik yang tidak bersifat publik. (Pasal 288 ayat (1) KUHP)`	`passage: Syaratnya adalah melakukan perbuatan memproduksi, memperbanyak, menyebarluaskan, menyiarkan, mengimpor, mengekspor, menawarkan, menjual, menyewakan, atau menyediakan konten pornografi. (Pasal 407 ayat (1) KUHP)`
`query: Kalau cuma menawarkan konten porno tanpa menjualnya, apakah tetap bisa dipidana?`	`passage: Ya, menawarkan pornografi sudah cukup untuk dipidana dengan penjara paling singkat 6 bulan dan paling lama 10 tahun atau denda kategori IV sampai VI. (Pasal 407 ayat (1) KUHP)`	`passage: Ya, menghambat atau mencatat transmisi informasi elektronik yang tidak publik tanpa izin sudah cukup untuk dipidana penjara paling lama 10 tahun atau denda kategori M. (Pasal 288 ayat (1) KUHP)`

Loss: MultipleNegativesRankingLoss with these parameters:
json
1{ 2 "scale": 20.0, 3 "similarity_fct": "cos_sim", 4 "gather_across_devices": false, 5 "directions": [ 6 "query_to_doc" 7 ], 8 "partition_mode": "joint", 9 "hardness_mode": null, 10 "hardness_strength": 0.0 11}

Training Hyperparameters

Non-Default Hyperparameters

per_device_train_batch_size: 16
num_train_epochs: 10
learning_rate: 2e-05
warmup_steps: 0.1
fp16: True
eval_strategy: steps
per_device_eval_batch_size: 16
batch_sampler: no_duplicates

All Hyperparameters

Click to expand

per_device_train_batch_size: 16
num_train_epochs: 10
max_steps: -1
learning_rate: 2e-05
lr_scheduler_type: linear
lr_scheduler_kwargs: None
warmup_steps: 0.1
optim: adamw_torch_fused
optim_args: None
weight_decay: 0.0
adam_beta1: 0.9
adam_beta2: 0.999
adam_epsilon: 1e-08
optim_target_modules: None
gradient_accumulation_steps: 1
average_tokens_across_devices: True
max_grad_norm: 1.0
label_smoothing_factor: 0.0
bf16: False
fp16: True
bf16_full_eval: False
fp16_full_eval: False
tf32: None
gradient_checkpointing: False
gradient_checkpointing_kwargs: None
torch_compile: False
torch_compile_backend: None
torch_compile_mode: None
use_liger_kernel: False
liger_kernel_config: None
use_cache: False
neftune_noise_alpha: None
torch_empty_cache_steps: None
auto_find_batch_size: False
log_on_each_node: True
logging_nan_inf_filter: True
include_num_input_tokens_seen: no
log_level: passive
log_level_replica: warning
disable_tqdm: False
project: huggingface
trackio_space_id: trackio
eval_strategy: steps
per_device_eval_batch_size: 16
prediction_loss_only: True
eval_on_start: False
eval_do_concat_batches: True
eval_use_gather_object: False
eval_accumulation_steps: None
include_for_metrics: []
batch_eval_metrics: False
save_only_model: False
save_on_each_node: False
enable_jit_checkpoint: False
push_to_hub: False
hub_private_repo: None
hub_model_id: None
hub_strategy: every_save
hub_always_push: False
hub_revision: None
load_best_model_at_end: False
ignore_data_skip: False
restore_callback_states_from_checkpoint: False
full_determinism: False
seed: 42
data_seed: None
use_cpu: False
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
dataloader_drop_last: False
dataloader_num_workers: 0
dataloader_pin_memory: True
dataloader_persistent_workers: False
dataloader_prefetch_factor: None
remove_unused_columns: True
label_names: None
train_sampling_strategy: random
length_column_name: length
ddp_find_unused_parameters: None
ddp_bucket_cap_mb: None
ddp_broadcast_buffers: False
ddp_backend: None
ddp_timeout: 1800
fsdp: []
fsdp_config: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
deepspeed: None
debug: []
skip_memory_metrics: True
do_predict: False
resume_from_checkpoint: None
warmup_ratio: None
local_rank: -1
prompts: None
batch_sampler: no_duplicates
multi_dataset_batch_sampler: proportional
router_mapping: {}
learning_rate_mapping: {}

Training Logs

Epoch	Step	Training Loss	Validation Loss	val_cosine_accuracy	test_cosine_accuracy
-1	-1	-	-	0.9304	-
0.4167	10	1.0580	0.4615	0.9304	-
0.8333	20	0.6129	0.2930	0.9478	-
1.25	30	0.4159	0.2436	0.9478	-
1.6667	40	0.2591	0.2074	0.9652	-
2.0833	50	0.2382	0.1992	0.9478	-
2.5	60	0.1013	0.2022	0.9565	-
2.9167	70	0.1238	0.2143	0.9478	-
3.3333	80	0.1051	0.2236	0.9565	-
3.75	90	0.0828	0.2214	0.9478	-
4.1667	100	0.0654	0.2213	0.9565	-
4.5833	110	0.0350	0.2294	0.9565	-
5.0	120	0.0548	0.2424	0.9565	-
5.4167	130	0.0754	0.2319	0.9565	-
5.8333	140	0.0437	0.2283	0.9478	-
6.25	150	0.0578	0.2381	0.9478	-
6.6667	160	0.0217	0.2441	0.9478	-
7.0833	170	0.0516	0.2446	0.9478	-
7.5	180	0.0230	0.2380	0.9478	-
7.9167	190	0.0151	0.2441	0.9478	-
8.3333	200	0.0265	0.2485	0.9478	-
8.75	210	0.0212	0.2509	0.9478	-
9.1667	220	0.0410	0.2492	0.9478	-
9.5833	230	0.0136	0.2476	0.9478	-
10.0	240	0.0104	0.2466	0.9478	-
-1	-1	-	-	0.9478	0.9143

Framework Versions

Python: 3.14.1
Sentence Transformers: 5.3.0
Transformers: 5.5.0
PyTorch: 2.10.0+cu130
Accelerate: 1.13.0
Datasets: 4.8.4
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{oord2019representationlearningcontrastivepredictive,
      title={Representation Learning with Contrastive Predictive Coding},
      author={Aaron van den Oord and Yazhe Li and Oriol Vinyals},
      year={2019},
      eprint={1807.03748},
      archivePrefix={arXiv},
      primaryClass={cs.LG},
      url={https://arxiv.org/abs/1807.03748},
}

	anchor	positive	negative
type	string	string	string
details	min: 11 tokens mean: 21.29 tokens max: 36 tokens	min: 30 tokens mean: 44.74 tokens max: 73 tokens	min: 29 tokens mean: 42.46 tokens max: 70 tokens