This is a sentence-transformers model finetuned from nomic-ai/nomic-bert-2048 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-bert-2048
Maximum Sequence Length: 2048 tokens
Output Dimensionality: 768 dimensions
Similarity Function: Cosine Similarity
Training Dataset:
- json

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': 2048, '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})
)

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("GbrlOl/sft-nomic-bert-test-1")
# Run inference
sentences = [
    '¿Cuál es el público objetivo al que irá dirigida la información referida al cierre de la planta?',
    'Plan de Cierre PAG Planta Catemu \nCompañía Explotadora de Minas (CEMIN) \n \n Rev. 0 | 20-04-18 156 | 158 \n12 PROGRAMA DE DIFUSIÓN \n \nA continuación se describe el programa de difusión para el Plan de Cierre de la Planta Catemu.  \n \n12.1 Objetivos del programa de difusión \n \nEl programa de difusión del Plan de Cierre de la Planta Catemu contempla los siguientes objetivos:  \n \n\uf0a7 Comunicar claramente los alcances del cierre de la faena y los planes asociados;  \n\uf0a7 Generar confianza y credibilidad en los distintos públicos relevantes;  \n\uf0a7 Conseguir que el tema sea socializado paulatinamente, incluso por los medios de comunicación;  \n\uf0a7 Recoger dudas e inquietudes desde la comunidad y público de interés, además de tener espacio para \nresponder. \n \n \n12.2 Público objetivo \n \nEl público objetivo a quién irá dirigida la información refer ida al cierre de la planta corresponde a aquellos \nque se encuentren dentro de área de influencia de la faena. La localidad más cercana a la Planta Catemu, y \nprincipal poblado que forma parte del área de influencia de la planta, corresponde a la comuna de C atemu, \ndistante aproximadamente a 2,5 kilómetros. \n \nAdemás se contempla dentro del público objetivo a las autoridades comunales y regionales, medios de \ncomunicación y a los propios trabajadores de la Planta (quienes serán los primeros en ser informados).  \n \n \n12.3 Estrategia de implementación \n \nA nivel general, la estrategia de implementación para la difusión del programa de cierre de la Planta Catemu \nconsidera las siguientes acciones: \n \n\uf0a7 Comunicados y gestión de prensa \n\uf0a7 Reportajes en los medios locales, internos y externos \n\uf0a7 Profundizar programas comunitarios vinculados al medio ambiente con el objetivo de minimizar los \nefectos que tendrá el Plan de Cierre.',
    'En Adenda Nº 1 el titular señala que  “las aguas que infiltren a través del depósito de relaves filtrados \n(aguas de contacto) serán recogidas por el sistema de drenaje basal y se mezclaran con las aguas que \nemergen desde el acuífero que subyace en la zona de emplazamiento del depósito. La mezcla será \ndescargada (en D) al curso de agua que se ubica aguas abajo del depósito de relaves, el que después de \nrecorrer unos 500 metros descarga al estero San Antonio. Como se puede apreciar en el Anexo B de la \nDIA, y que es nuevamente presentado con mayores detalles en el Anexo A de la presente Adenda, no \nexisten efectos significativos sobre los recursos hídricos del sector, producto de esta descarga. Sin \nperjuicio de lo anterior, en el caso que los monitoreos detecten que el agua proveniente del Sistema de \nDrenaje Basal no se comporte de acuerdo a lo esperado, estas aguas pueden ser derivadas a la piscina \nde sedimentación para luego ser consumidas en la Planta Concentradora o ser enviadas al sistema de \nmanejo de aguas minas (aguas de contacto) que posee SCMET y que se encuentra debidamente \nautorizado .”  \nCalidad de las Aguas  \nAdenda N°2 SCMET propone que los niveles de calidad que detonaran el envío de las aguas de contacto, \nrecolectadas por el Sistema de Drenaje Basal, hacia la Piscina de Sedimentación sean la superación de \numbrales (en el estero San Antonio aguas debajo de la confluencia con el cauce receptor de las aguas de',
]
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]

Training Details

Training Dataset

json

Dataset: json
Size: 1,631 training samples
Columns: query, sentence, and label
Approximate statistics based on the first 1000 samples:
query sentence label
type string string int
details
min: 5 tokens
mean: 25.07 tokens
max: 69 tokens
min: 44 tokens
mean: 396.03 tokens
max: 2048 tokens
0: ~60.20%
1: ~39.80%

Samples:

query	sentence	label
`se detallan antecedentes hidrogeológicos?`	`Familias típicas son las tetracondráceas, centrolepidáceas, eucrifiáceas, donatiáceas, etc. Hay [object Object]una familia endémica, la misodendrácea, y numerosos géneros endémicos: Fitzroya, Austrocedrus,`	`0`
`¿Se utilizaron antecedentes hidrogeológicos?`	En el área de las quebradas las especies encontradas corresponden a fauna altiplánica típica [object Object]descrita para otros ambientes similares de la Cordillera de Domeyko, como son Río Frío o el [object Object]Salar de Punta Negra, estando ausente casi en su totalidad el componente faunístico asociado [object Object]a cuerpos de agua, como vegas, bofedales y sal ares, que se encuentran en terrenos planos o [object Object]de escasa pendiente. [object Object] [object Object]Ocho de las especies encontradas están asociadas directamente a afloramientos de agua como [object Object]son la perdicita cojón, tuco, la lauchita andina y la vizcacha, todos ellos herbívoros que comen [object Object]brotes tiernos o raíces no disponibles en lugares de mayor aridez. [object Object] [object Object]También están la dormilona de nuca rojiza y el churrete de alas blancas, ambas aves [object Object]insectívoras que encuentran su principal fuente de alimento en estos cuerpos de agua, y por [object Object]último la perdicita cordillerana que está asociada a bofedales, bordes de salares o vegas alto [object Object]andinas y la vicuña que depende en forma directa de estos aflorami...	`0`
`Indica si se utiliza Proctor Modificado, o Normal o Estándar para compactar el relave filtrado, y cuál es el nivel de compactación`	Retiro de Equipos [object Object]La medida “retiro de equipos” considera desmontaje y retiro de los equipos existentes en las diferentes áreas de la [object Object]planta de procesos y en aquellas instalaciones de apoyo que los requieran. Esto se realizará con apoyo de equipos [object Object]mecánicos. Dentro de esta medida de cierre se considera la actividad de carguío, transporte y disposición final de [object Object]las estructuras retiradas como residuo industrial no peligroso en un sitio autorizado fuera de la faena. [object Object] Retiro de Tubería [object Object]Se considera el retiro de las tuberías que se encuentren sobre la superficie. Para el acueducto se considera que 2 de [object Object]los 13 km estarán en superficie, por lo que deberán ser removidos. [object Object] Señalización [object Object]Se instalará señalización de advertencia de peligro en los accesos y perímetros del rajo, botaderos d e estériles y [object Object]depósito de relaves filtrados, el trazado de los canales del sistema de manejo de aguas de no contacto, así como en [object Object]los accesos a la faena y en el área de extracción de agua fresca. Esta...	`0`

Loss: CoSENTLoss with these parameters:
json
1{ 2 "scale": 20.0, 3 "similarity_fct": "pairwise_cos_sim" 4}

Training Hyperparameters

Non-Default Hyperparameters

per_device_train_batch_size: 16
per_device_eval_batch_size: 16
learning_rate: 2e-05
num_train_epochs: 100
warmup_ratio: 0.1
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: 16
per_device_eval_batch_size: 16
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: 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: 100
max_steps: -1
lr_scheduler_type: linear
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: 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: 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}
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: None
hub_always_push: False
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
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
use_liger_kernel: False
eval_use_gather_object: False
average_tokens_across_devices: False
prompts: None
batch_sampler: no_duplicates
multi_dataset_batch_sampler: proportional

Training Logs

Epoch	Step	Training Loss
2.3902	100	4.6309
4.7805	200	2.8633
7.1463	300	3.3706
9.5366	400	3.1291
11.9268	500	4.1928
14.2927	600	2.4727
16.6829	700	1.3169
19.0488	800	0.963
21.4390	900	0.9983
23.8293	1000	0.4952
26.1951	1100	0.2591
28.5854	1200	0.3327
30.9756	1300	0.0557
33.3415	1400	0.0996
35.7317	1500	0.0834
38.0976	1600	0.073
40.4878	1700	0.1392
42.8780	1800	0.1817
45.2439	1900	0.1283
47.6341	2000	0.0715
50.0244	2100	0.0306
52.3902	2200	0.0123
54.7805	2300	0.0
57.1463	2400	0.0005
59.5366	2500	0.0
61.9268	2600	0.0
64.2927	2700	0.0
66.6829	2800	0.0
69.0488	2900	0.0
71.4390	3000	0.0
73.8293	3100	0.0
76.1951	3200	0.0
78.5854	3300	0.0
80.9756	3400	0.0
83.3415	3500	0.0
85.7317	3600	0.0
88.0976	3700	0.0
90.4878	3800	0.0
92.8780	3900	0.0
95.2439	4000	0.0
97.6341	4100	0.0

Framework Versions

Python: 3.10.16
Sentence Transformers: 3.3.1
Transformers: 4.48.1
PyTorch: 2.5.1+cu124
Accelerate: 1.3.0
Datasets: 3.2.0
Tokenizers: 0.21.0

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",
}

CoSENTLoss

bibtex

@online{kexuefm-8847,
    title={CoSENT: A more efficient sentence vector scheme than Sentence-BERT},
    author={Su Jianlin},
    year={2022},
    month={Jan},
    url={https://kexue.fm/archives/8847},
}

	query	sentence	label
type	string	string	int
details	min: 5 tokens mean: 25.07 tokens max: 69 tokens	min: 44 tokens mean: 396.03 tokens max: 2048 tokens	0: ~60.20% 1: ~39.80%