This is a sentence-transformers model finetuned from bkai-foundation-models/vietnamese-bi-encoder. 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: bkai-foundation-models/vietnamese-bi-encoder
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("sentence_transformers_model_id")
# Run inference
sentences = [
    'Tên chính thức của Án lệ số 57/2023/AL1 là gì?',
    'ÁN LỆ SỐ 57/2023/AL1 Về hành vi gian dối nhằm tiếp cận tài sản trong tội “Cướp giật tài sản” Được Hội đồng Thẩm phán Tòa án nhân dân tối cao thông qua vào các ngày 01, 02, 03 tháng 02 năm 2023 và được công bố theo Quyết định số 39/QĐ-CA ngày 24 tháng 02 năm 2023 của Chánh án Tòa án nhân dân tối cao. Nguồn án lệ: Bản án hình sự phúc thẩm số 590/2020/HS-PT ngày 18/12/2020 của Toà án nhân dân Thành phố Hồ Chí Minh về vụ án “Cướp giật tài sản” đối với bị cáo Nguyễn Thành Quốc B. Vị trí nội dung án lệ: Đoạn 4 phần “Nhận định của Tòa án”. Khái quát nội dung của án lệ: - Tình huống án lệ: Bị cáo dùng thủ đoạn gian dối để người quản lý tài sản chuyển giao tài sản cho bị cáo, sau đó lợi dụng sơ hở để nhanh chóng tẩu thoát. - Giải pháp pháp lý: Trường hợp này, bị cáo phải bị truy cứu trách nhiệm hình sự về tội “Cướp giật tài sản”. Quy định của pháp luật liên quan đến án lệ: Điều 171 Bộ luật Hình sự năm 2015 (sửa đổi, bổ sung năm 2017). Từ khoá của án lệ: “Cướp giật tài sản”; “Thủ đoạn gian dối để tiếp cận tài sản”.',
    'Vật chứng thu giữ gồm: - 01 (một) xe ô tô đầu kéo nhãn hiệu FREIGHTLINER, BKS: 77C-016.47, số loại: CL 120064S, sơn màu đỏ, số máy: 0933U0841843, số khung: 6CV36LX06844 cùng các giấy tờ liên quan đến xe; - 01 (một) giấy phép lái xe (thẻ nhựa) số: 520144004729, hạng FC giả mang tên Lưu Văn C; - 01 (một) giấy phép lái xe (thẻ nhựa) số: 5201600087, hạng C mang tên Phan Thành H do Sở GTVT tỉnh Bình Định cấp; - 01 (một) giấy chứng minh nhân dân số: 215341305, mang tên Phan Thành H do Công an tỉnh Bình Định cấp; - 01 (một) chiếc điện thoại di động hiệu ARBUTUS màu vàng, màn hình cảm ứng, số IMEI: 355052654004631, 355052654004649, máy đã qua sử dụng; - 01 (một) USB nhãn hiệu Kingston, dung lượng 8GB, trên bề mặt có chữ DT101 G2 có lưu trữ tập tin Video: IMG-1245.MOV thời lượng 00 phút 37 giây. - 01 (một) USB nhãn hiệu Apacer dung lượng 8GB lưu trữ 02 tập tin Video: IMG-0507.MOV thời lượng 02 phút 58 giây và Video: IMG-0509.MOV thời lượng 03 phút 04 giây. - 01 (một) USB nhãn hiệu Kingston, dung lượng 8GB, trên bề mặt có chữ DT101.G2 có lưu trữ tập tin Video: IMG-1689.MOV thời lượng 05 phút 10 giây. Cơ quan CSĐT Công an tỉnh Hà Tĩnh đã trả lại chiếc xe ô tô đầu kéo BKS: 77C-016.47 và các giấy tờ liên quan cho chủ sở hữu là Công ty TNHH vận tải và Thương mại tổng hợp T; 03 (ba) chiếc USB đang được lưu giữ theo hồ sơ vụ án, còn các vật chứng khác được chuyển đến Cục thi hành án dân sự tỉnh Hà Tĩnh để quản lý.',
]
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, 0.7021, 0.0674],
#         [0.7021, 1.0000, 0.0045],
#         [0.0674, 0.0045, 1.0000]])

Training Details

Training Dataset

Unnamed Dataset

Size: 5,088 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: 10 tokens
mean: 27.7 tokens
max: 65 tokens
min: 27 tokens
mean: 173.73 tokens
max: 256 tokens

Samples:

sentence_0	sentence_1
`Điều 15 Bộ luật Hình sự quy định về vấn đề gì?`	[5] Theo Kết luận giám định pháp y thương tích số 68/TTPY ngày 16/01/2019 của Trung tâm Pháp y Sở Y tế H: “Anh Hồng Quốc A bị chấn thương sọ não, hiện sống thực vật... Tỷ lệ tổn hại sức khoẻ là 100%”. Như vậy, trong vụ án này, các bị cáo đã cố ý thực hiện hành vi nhằm tước đoạt đoạt tính mạng của bị hại nhưng hậu quả chết người không xảy ra, thuộc trường hợp phạm tội chưa đạt quy định tại Điều 15 Bộ luật Hình sự.”
`Năm 1981, Quân khu 7 đã cấp 'Giấy phép quyền sở hữu sử dụng' cho ai đối với căn nhà số 63 đường B?`	[1] Nguồn gốc căn nhà số 63 (tầng 2) đường V, phường X, quận I (nay là đường B, phường H, quận I, Thành phố Hồ Chí Minh) là do Bộ tư lệnh Quân khu 7 tiếp quản, sử dụng từ sau ngày giải phóng Miền Nam. Năm 1981, Quân khu 7 cấp “Giấy phép quyền sở hữu sử dụng” số 092/QĐ ngày 16-4-1981 cho cụ Nguyễn Thanh T. Theo nội dung giấy phép, việc cấp nhà cho cụ T là “để tạo mọi điều kiện chỗ ăn, ở cho gia đình cán bộ, ổn định lâu dài và cấp do hoàn cảnh gia đình cán bộ không có nhà ở ”, tại thời điểm cấp bà Nguyễn Thị H và ông Nguyễn Văn T1 (con cụ T) sống chung với cụ T, có hộ khẩu thường trú tại căn nhà trên. Đến năm 1982, hai chị em bà Nguyễn Thị Kim L và ông Nguyễn Thanh H1 mới chuyển hộ khẩu về sống cùng cụ T. Như vậy, cụ T là người có công với cách mạng, nên được Quân khu 7 xét cấp nhà số 63 đường B nêu trên theo tiêu chuẩn của sĩ quan quân đội. Đến thời điểm cụ T chết năm 1995, cụ chưa làm thủ tục mua hóa giá nhà đối với nhà số 63 nêu trên. Theo quy định tại Điều 188 và Điều 634 Bộ luật Dân...
`Theo Đại diện Viện kiểm sát, hành vi phạm tội của bị cáo có tính chất, động cơ gì?`	Đại diện Viện kiểm sát nhân dân cấp cao tại Hà Nội: Sau khi kiểm tra tính có căn cứ pháp luật của bản án sơ thẩm và xét hỏi làm rõ tại phiên tòa, thì thấy: Tòa án cấp sơ thẩm kết án bị cáo Q về tội: “Giết người” là hoàn toàn có căn cứ pháp luật, bị cáo không nhận tội giết người chỉ là nhằm trốn tránh trách nhiệm hình sự về tội nặng hơn mà thôi. Hành vi phạm tội của bị cáo có tính chất, động cơ đê hèn, vì bị cáo muốn nạn nhân chết hẳn thì bị cáo mới cho xe đi tiếp. Vì vậy, đề nghị Hội đồng xét xử không áp dụng điểm n khoản 1 Điều 93 như nội dung kháng nghị mà cần áp dụng điểm q khoản 1 Điều 93 Bộ luật Hình sự để xét xử bị cáo và đề nghị Hội đồng xét xử của Tòa án cấp phúc thẩm chấp nhận nội dung kháng nghị, để xử tăng mức hình phạt tù đối với bị cáo Q.

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: 16
per_device_eval_batch_size: 16
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: 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: 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: 3
max_steps: -1
lr_scheduler_type: linear
lr_scheduler_kwargs: {}
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_fused
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: {}

Training Logs

Epoch	Step	Training Loss
1.5723	500	0.2665

Framework Versions

Python: 3.12.12
Sentence Transformers: 5.1.2
Transformers: 4.57.1
PyTorch: 2.8.0+cu126
Accelerate: 1.11.0
Datasets: 4.0.0
Tokenizers: 0.22.1

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",
}

MultipleNegativesRankingLoss