You can deploy this model and start earning money today!

Views

No views yet

nomic v2 tune

Name: nomic-v2-tuned-1.2
Availability: InStock

This is a sentence-transformers model finetuned from nomic-ai/nomic-embed-text-v2-moe on the json dataset. 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: nomic-ai/nomic-embed-text-v2-moe
Maximum Sequence Length: 512 tokens
Output Dimensionality: 768 dimensions
Similarity Function: Cosine Similarity
Training Dataset:
- json
Language: en
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': 512, 'do_lower_case': False}) with Transformer model: NomicBertModel 
  (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): 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("DGSMsRzJ6xC2JthtHG9W/nomic-v2-tuned-1.2")
# Run inference
sentences = [
    'Кто может быть включен в состав ликвидационной комиссии, если участником ликвидируемого общества является государство или муниципальное образование?',
    '1. Общество может быть ликвидировано добровольно в порядке, установленном Гражданским кодексом Российской Федерации , с учетом требований настоящего Федерального закона и устава общества. Общество может быть ликвидировано также по решению суда по основаниям, предусмотренным Гражданским кодексом Российской Федерации . Ликвидация общества влечет за собой его прекращение без перехода прав и обязанностей в порядке правопреемства к другим лицам. 2. Решение общего собрания участников общества о добровольной ликвидации общества и назначении ликвидационной комиссии принимается по предложению совета директоров (наблюдательного совета) общества, исполнительного органа или участника общества. Общее собрание участников добровольно ликвидируемого общества принимает решение о ликвидации общества и назначении ликвидационной комиссии. (В редакции Федерального закона от 21.03.2002 № 31-ФЗ ) 3. С момента назначения ликвидационной комиссии к ней переходят все полномочия по управлению делами общества. Ликвидационная комиссия от имени ликвидируемого общества выступает в суде. 4. В случае, если участником ликвидируемого общества является Российская Федерация, субъект Российской Федерации или муниципальное образование, в состав ликвидационной комиссии включается представитель федерального органа по управлению государственным имуществом, специализированного учреждения, осуществляющего продажу федерального имущества, органа по управлению государственным имуществом субъекта Российской Федерации, продавца государственного имущества субъекта Российской Федерации или органа местного самоуправления. (В редакции Федерального закона от 21.03.2002 № 31-ФЗ ) 5. Порядок ликвидации общества определяется Гражданским кодексом Российской Федерации и другими федеральными законами.',
    '1. В соответствии с Гражданским кодексом Российской Федерации настоящий Федеральный закон определяет порядок создания, реорганизации, ликвидации, правовое положение акционерных обществ, права и обязанности их акционеров, а также обеспечивает защиту прав и интересов акционеров. (В редакции Федерального закона от 07.08.2001 № 120-ФЗ ) 1.1. (Дополнение пунктом - Федеральный закон от 21.07.2014 № 218-ФЗ ) (Утратил силу - Федеральный закон от 29.06.2015 № 210-ФЗ ) 2. Настоящий Федеральный закон распространяется на все акционерные общества, созданные или создаваемые на территории Российской Федерации, если иное не установлено настоящим Федеральным законом и иными федеральными законами. 3. Особенности создания, реорганизации, ликвидации и правового положения акционерных обществ, являющихся кредитными организациями, страховыми организациями, клиринговыми организациями, специализированными финансовыми обществами, специализированными обществами проектного финансирования, профессиональными участниками рынка ценных бумаг, акционерными инвестиционными фондами, управляющими компаниями инвестиционных фондов, паевых инвестиционных фондов и негосударственных пенсионных фондов, негосударственными пенсионными фондами и иными некредитными финансовыми организациями, акционерными обществами работников (народными предприятиями), а также прав и обязанностей акционеров таких акционерных обществ определяются федеральными законами, регулирующими их деятельность. (В редакции Федерального закона от 29.06.2015 № 210-ФЗ )',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 768]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]

Evaluation

Metrics

Information Retrieval

Datasets: dim_768, dim_512, dim_256, dim_128 and dim_64
Evaluated with InformationRetrievalEvaluator

Metric	dim_768	dim_512	dim_256	dim_128	dim_64
cosine_accuracy@1	0.0286	0.0274	0.0274	0.0246	0.0258
cosine_accuracy@3	0.0841	0.0783	0.0807	0.0759	0.0695
cosine_accuracy@5	0.1332	0.1292	0.1251	0.1211	0.1106
cosine_accuracy@10	0.2413	0.2389	0.2382	0.222	0.2071
cosine_precision@1	0.0286	0.0274	0.0274	0.0246	0.0258
cosine_precision@3	0.028	0.0261	0.0269	0.0253	0.0232
cosine_precision@5	0.0266	0.0258	0.025	0.0242	0.0221
cosine_precision@10	0.0241	0.0239	0.0238	0.0222	0.0207
cosine_recall@1	0.0286	0.0274	0.0274	0.0246	0.0258
cosine_recall@3	0.0841	0.0783	0.0807	0.0759	0.0695
cosine_recall@5	0.1332	0.1292	0.1251	0.1211	0.1106
cosine_recall@10	0.2413	0.2389	0.2382	0.222	0.2071
cosine_ndcg@10	0.1148	0.1122	0.1121	0.1044	0.0985
cosine_mrr@10	0.077	0.0745	0.0746	0.0694	0.0661
cosine_map@100	0.104	0.1014	0.1013	0.0953	0.0904

Training Details

Training Dataset

json

Dataset: json
Size: 73,821 training samples
Columns: anchor and positive
Approximate statistics based on the first 1000 samples:
anchor positive
type string string
details
min: 8 tokens
mean: 36.69 tokens
max: 105 tokens
min: 33 tokens
mean: 251.4 tokens
max: 443 tokens

Samples:

anchor	positive
В публичном акционерном обществе совет директоров состоит из 5 человек. Три директора не заинтересованы в сделке и соответствуют требованиям пункта 3 статьи 83. Устав общества устанавливает кворум в 4 человека для проведения заседаний совета директоров. Как будет определена цена имущества в данной ситуации?	Если лицо, заинтересованное в совершении одной или нескольких сделок, при которых цена (денежная оценка) имущества определяется советом директоров (наблюдательным советом) общества, является членом совета директоров (наблюдательного совета) общества, цена (денежная оценка) имущества определяется решением членов совета директоров (наблюдательного совета) общества, не заинтересованных в совершении сделки. В публичном обществе цена (денежная оценка) имущества определяется большинством голосов директоров, не заинтересованных в совершении сделки и соответствующих требованиям, установленным пунктом 3 статьи 83 настоящего Федерального закона, если необходимость большего числа голосов указанных директоров не предусмотрена уставом публичного общества. (В редакции Федерального закона от 03.07.2016 № 343-ФЗ ) В случае, если количество директоров, не заинтересованных в совершении сделки, а в публичном обществе количество директоров, не заинтересованных в совершении сделки и отвечающих требованиям,...
`При уменьшении уставного капитала путем передачи ценных бумаг, каждый акционер получает одинаковое количество ценных бумаг одного типа и эмитента, пропорционально уменьшению номинала его акций.`	номинальная стоимость акции каждой категории (типа) после ее уменьшения; сумма денежных средств, выплачиваемая акционерам общества при уменьшении номинальной стоимости каждой акции, и (или) количество, вид, категория (тип) эмиссионных ценных бумаг, передаваемых акционерам общества при уменьшении номинальной стоимости каждой акции. Решение об уменьшении уставного капитала общества путем уменьшения номинальной стоимости акций общества принимается общим собранием акционеров общества большинством в три четверти голосов акционеров - владельцев голосующих акций, принимающих участие в общем собрании акционеров общества, только по предложению совета директоров (наблюдательного совета) общества. Решение об уменьшении уставного капитала общества путем уменьшения номинальной стоимости акций общества с передачей акционерам эмиссионных ценных бумаг должно предусматривать передачу каждому акционеру общества эмиссионных ценных бумаг одинаковой категории (типа), которые выпущены одним и тем же эмитент...
`В случае, если устав не отнес данное право к компетенции других коллегиальных органов, высший орган формирует и может досрочно прекращать полномочия других органов корпорации.`	1. Высшим органом корпорации является общее собрание ее участников. В некоммерческих корпорациях и производственных кооперативах с числом участников более ста высшим органом может являться съезд, конференция или иной представительный (коллегиальный) орган, определяемый их уставами в соответствии с законом. Компетенция этого органа и порядок принятия им решений определяются настоящим Кодексом, другими законами и уставом корпорации. (В редакции Федерального закона от 23.05.2015 № 133-ФЗ ) 2. Если иное не предусмотрено настоящим Кодексом или другим законом, к исключительной компетенции высшего органа корпорации относятся: определение приоритетных направлений деятельности корпорации, принципов образования и использования ее имущества; утверждение и изменение устава корпорации; определение порядка приема в состав участников корпорации и исключения из числа ее участников, кроме случаев, если такой порядок определен законом; образование других органов корпорации и досрочное прекращение их пол...

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

Training Hyperparameters

Non-Default Hyperparameters

eval_strategy: epoch
per_device_train_batch_size: 32
per_device_eval_batch_size: 16
gradient_accumulation_steps: 16
learning_rate: 2e-05
num_train_epochs: 4
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: 32
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: 4
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: 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
prompts: None
batch_sampler: no_duplicates
multi_dataset_batch_sampler: proportional

Training Logs

Epoch	Step	Training Loss	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
0.0694	10	2.1039	-	-	-	-	-
0.1387	20	1.7273	-	-	-	-	-
0.2081	30	1.2744	-	-	-	-	-
0.2774	40	1.1445	-	-	-	-	-
0.3468	50	1.009	-	-	-	-	-
0.4161	60	0.8792	-	-	-	-	-
0.4855	70	0.7902	-	-	-	-	-
0.5548	80	0.6764	-	-	-	-	-
0.6242	90	0.7598	-	-	-	-	-
0.6935	100	0.6418	-	-	-	-	-
0.7629	110	0.6186	-	-	-	-	-
0.8322	120	0.6347	-	-	-	-	-
0.9016	130	0.5736	-	-	-	-	-
0.9710	140	0.6096	-	-	-	-	-
0.9987	144	-	0.1060	0.1077	0.1108	0.1032	0.0906
1.0403	150	0.5199	-	-	-	-	-
1.1097	160	0.4648	-	-	-	-	-
1.1790	170	0.4245	-	-	-	-	-
1.2484	180	0.4072	-	-	-	-	-
1.3177	190	0.4131	-	-	-	-	-
1.3871	200	0.4521	-	-	-	-	-
1.4564	210	0.418	-	-	-	-	-
1.5258	220	0.3962	-	-	-	-	-
1.5951	230	0.3412	-	-	-	-	-
1.6645	240	0.3968	-	-	-	-	-
1.7339	250	0.3728	-	-	-	-	-
1.8032	260	0.4378	-	-	-	-	-
1.8726	270	0.3821	-	-	-	-	-
1.9419	280	0.3937	-	-	-	-	-
1.9974	288	-	0.1129	0.1076	0.1092	0.1059	0.0958
2.0113	290	0.3767	-	-	-	-	-
2.0806	300	0.2859	-	-	-	-	-
2.1500	310	0.2779	-	-	-	-	-
2.2193	320	0.2673	-	-	-	-	-
2.2887	330	0.316	-	-	-	-	-
2.3580	340	0.2528	-	-	-	-	-
2.4274	350	0.2837	-	-	-	-	-
2.4967	360	0.2601	-	-	-	-	-
2.5661	370	0.2976	-	-	-	-	-
2.6355	380	0.2585	-	-	-	-	-
2.7048	390	0.2575	-	-	-	-	-
2.7742	400	0.2766	-	-	-	-	-
2.8435	410	0.2958	-	-	-	-	-
2.9129	420	0.2871	-	-	-	-	-
2.9822	430	0.2974	-	-	-	-	-
2.9961	432	-	0.1141	0.1130	0.1073	0.1060	0.0965
3.0516	440	0.2338	-	-	-	-	-
3.1209	450	0.2304	-	-	-	-	-
3.1903	460	0.2144	-	-	-	-	-
3.2596	470	0.2415	-	-	-	-	-
3.3290	480	0.2214	-	-	-	-	-
3.3984	490	0.2388	-	-	-	-	-
3.4677	500	0.2586	-	-	-	-	-
3.5371	510	0.2117	-	-	-	-	-
3.6064	520	0.2262	-	-	-	-	-
3.6758	530	0.1881	-	-	-	-	-
3.7451	540	0.2237	-	-	-	-	-
3.8145	550	0.24	-	-	-	-	-
3.8838	560	0.2319	-	-	-	-	-
3.9532	570	0.226	-	-	-	-	-
3.9948	576	-	0.1148	0.1122	0.1121	0.1044	0.0985

The bold row denotes the saved checkpoint.

Framework Versions

Python: 3.11.11
Sentence Transformers: 3.4.1
Transformers: 4.43.0
PyTorch: 2.6.0+cu124
Accelerate: 1.3.0
Datasets: 3.3.2
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",
}

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}
}

	anchor	positive
type	string	string
details	min: 8 tokens mean: 36.69 tokens max: 105 tokens	min: 33 tokens mean: 251.4 tokens max: 443 tokens