You can deploy this model and start earning money today!

anhtuansh/
gte-multilingual-base-Matryoshka-1e-11k

Name: gte-multilingual-base-Matryoshka-1e-11k
Availability: InStock

Views

No views yet

SentenceTransformer based on Alibaba-NLP/gte-multilingual-base

This is a sentence-transformers model finetuned from Alibaba-NLP/gte-multilingual-base 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: Alibaba-NLP/gte-multilingual-base
Maximum Sequence Length: 8192 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': 8192, 'do_lower_case': False}) with Transformer model: NewModel 
  (1): Pooling({'word_embedding_dimension': 768, '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("anhtuansh/gte-multilingual-base-Matryoshka-2e-11k")
# Run inference
sentences = [
    'thời_hạn giải_quyết việc gia_hạn thời_gian học_tập cho lưu học_sinh để hoàn_thành khóa học như sau : tối_đa 20 ngày làm_việc kể từ ngày nhận đủ hồ_sơ hợp_lệ .',
    'tôi muốn hỏi về gia_hạn thời_gian học_tập cho lưu học_sinh để hoàn_thành khóa học , có thời_hạn giải_quyết như thế_nào ?',
    'thành_phần hồ_sơ giải_quyết chế_độ hỗ_trợ đối_với người việt_nam có công với cách_mạng quy_định tại nghị_định số 102 / 2018 / nđ - cp ngày 20 / 7 / 2018 của chính_phủ về chế_độ hỗ_trợ và một_số chế_độ đãi_ngộ khác đối_với người việt_nam có công với cách_mạng , người tham_gia kháng_chiến , chiến_tranh bảo_vệ tổ_quốc và làm nhiệm_vụ quốc_tế đang định_cư ở nước_ngoài ( nghị_định số 102 / 2018 / nđ - cp ) , bao_gồm những giấy_tờ gì ?',
]
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 and dim_512
Evaluated with InformationRetrievalEvaluator

Metric	dim_768	dim_512
cosine_accuracy@1	0.5503	0.5556
cosine_accuracy@3	0.7152	0.7099
cosine_accuracy@5	0.7716	0.7646
cosine_accuracy@10	0.8183	0.8131
cosine_precision@1	0.5503	0.5556
cosine_precision@3	0.2384	0.2366
cosine_precision@5	0.1543	0.1529
cosine_precision@10	0.0818	0.0813
cosine_recall@1	0.5503	0.5556
cosine_recall@3	0.7152	0.7099
cosine_recall@5	0.7716	0.7646
cosine_recall@10	0.8183	0.8131
cosine_ndcg@10	0.6853	0.6844
cosine_mrr@10	0.6425	0.6431
cosine_map@100	0.6477	0.6489

Training Details

Training Dataset

json

Dataset: json
Size: 10,200 training samples
Columns: positive and anchor
Approximate statistics based on the first 1000 samples:
positive anchor
type string string
details
min: 4 tokens
mean: 320.87 tokens
max: 3689 tokens
min: 10 tokens
mean: 59.35 tokens
max: 421 tokens

Samples:

positive	anchor
1 . thẩm_quyền cấp giấy_phép tổ_chức triển_lãm , hội_chợ xuất_bản_phẩm được quy_định cụ_thể như sau : - bộ thông_tin và truyền_thông cấp giấy_phép cho cơ_quan , tổ_chức ở trung_ương ; cơ_quan , tổ_chức , cá_nhân nước_ngoài ; - ủy_ban nhân_dân cấp tỉnh cấp giấy_phép cho cơ_quan , tổ_chức , cá_nhân có trụ_sở hoặc cư_trú tại địa_phương ; chi_nhánh , văn_phòng đại_diện , đơn_vị trực_thuộc cơ_quan , tổ_chức ở trung_ương đặt tại địa_phương . 2 . hồ_sơ bao_gồm : - đơn đề_nghị cấp giấy_phép trong đó ghi rõ mục_đích , thời_gian , địa_điểm và tên các đơn_vị tham_gia triển_lãm , hội_chợ ; - danh_mục xuất_bản_phẩm để triển_lãm , hội_chợ theo mẫu quy_định . ( quy_định tại khoản 2 , 3 điều 44 luật xuất_bản )	`hồ_sơ và thẩm_quyền cấp giấy_phép tổ_chức triển_lãm , hội_chợ xuất_bản_phẩm được quy_định cụ_thể như thế_nào ?`
- trường_hợp mất danh_mục và phiếu theo_dõi trừ lùi thì người khai hải_quan có hồ_sơ đề_nghị cơ_quan hải_quan nơi cấp danh_mục lần đầu_đề_nghị cấp lại , bao_gồm : [object Object] + công_văn đề_nghị cấp lại danh_mục , phiếu theo_dõi trừ lùi trong đó nêu rõ : lý_do mất danh_mục , phiếu theo_dõi trừ lùi và cam_kết của người khai hải_quan về tính chính_xác của nội_dung khai_báo ; [object Object] + bảng kê toàn_bộ tờ khai hải_quan ( điện_tử hoặc giấy ) của số_lượng hàng_hóa đã nhập_khẩu theo danh_mục ; [object Object] + bản danh_mục và phiếu theo_dõi trừ lùi của cơ_quan hải_quan nơi làm thủ_tục nhập_khẩu lô hàng cuối_cùng trước khi thất_lạc ( 01 bản chụp có xác_nhận của cơ_quan hải_quan nơi nhập_khẩu ) . [object Object] - khi làm thủ_tục hải_quan , người khai hải_quan nộp , xuất_trình cho cơ_quan hải_quan nơi đăng_ký tờ khai hải_quan các hồ_sơ sau : [object Object] + hồ_sơ hải_quan theo quy_định hiện_hành ; [object Object] + danh_mục hàng_hóa và phiếu theo_dõi trừ lùi đã đăng_ký với cơ_quan hải_quan ( bản giao người khai hải_quan ) để cơ_quan hải_quan làm thủ_tục thực_hiện...	`trường_hợp tôi làm mất danh_mục và phiếu theo_dõi trừ lùi hàng_hóa_nhập_khẩu dung_môi n - hexan dùng trong sản_xuất khô_dầu đậu_tương và dầu thực_vật , cám gạo trích ly và dầu cám thì cần làm những thủ_tục gì ?`
`thẩm_quyền cấp giấy chứng_nhận cơ_sở đủ điều_kiện đăng_kiểm tàu cá là : tổng_cục thủy_sản .`	`thẩm_quyền cấp giấy chứng_nhận cơ_sở đủ điều_kiện đăng_kiểm tàu cá ?`

Loss: MatryoshkaLoss with these parameters:
json
1{ 2 "loss": "MultipleNegativesRankingLoss", 3 "matryoshka_dims": [ 4 768, 5 512 6 ], 7 "matryoshka_weights": [ 8 1, 9 1 10 ], 11 "n_dims_per_step": -1 12}

Evaluation Dataset

json

Dataset: json
Size: 1,134 evaluation samples
Columns: positive and anchor
Approximate statistics based on the first 1000 samples:
positive anchor
type string string
details
min: 4 tokens
mean: 336.57 tokens
max: 3862 tokens
min: 7 tokens
mean: 59.17 tokens
max: 864 tokens

Samples:

positive	anchor
việc thực_hiện thủ_tục tặng_thưởng bằng khen cấp bộ , ban , ngành , đoàn_thể trung_ương , tỉnh , thành_phố trực_thuộc trung_ương về thành_tích đột_xuất được tiến_hành như sau : [object Object] bước 1 . vụ , phòng , ban thi_đua – khen_thưởng các bộ , ngành , đoàn_thể trung_ương , tỉnh , thành_phố trực_thuộc trung_ương tiếp_nhận đề_nghị khen_thưởng của các đơn_vị thực thuộc . [object Object] bước 2 . thẩm_định hồ_sơ , xin ý_kiến các cơ_quan liên_quan , báo_cáo hội_đồng thi_đua khen_thưởng cùng cấp , tổng_hợp trình bộ_trưởng , thủ_trưởng đơn_vị , chủ_tịch ubnd tỉnh , thành_phố quyết_định khen_thưởng . [object Object] bước 3 . khi có quyết_định của bộ_trưởng , thủ_trưởng đơn_vị , chủ_tịch ubnd tỉnh , thành_phố trực_thuộc trung_ương ; vụ , phòng , ban thi_đua – khen_thưởng các bộ , ngành , đoàn_thể trung_ương , tỉnh , thành_phố trực_thuộc trung_ương thông_báo quyết_định , viết bằng , đóng_dấu và cấp_phát cho đơn_vị trình khen . [object Object] bước 4 . các trường_hợp không được khen_thưởng ( không đúng đối_tượng , không đủ tiêu_chuẩn , không đủ ...	`đề_nghị cho biết trình_tự thực_hiện thủ_tục tặng_thưởng bằng khen cấp bộ , ban , ngành , đoàn_thể trung_ương , tỉnh , thành_phố trực_thuộc trung_ương về thành_tích đột_xuất`
bông_thủy_tinh chống cháy là vật_liệu chống cháy , thuộc danh_mục phương_tiện pccc quy_định phụ_lục v nghị_định số 79 / 2014 / nđ - cp ngày 31 / 7 / 2014 quy_định chi_tiết thi_hành một_số điều của luật phòng cháy và chữa_cháy và luật sửa_đổi , bổ_sung một_số điều của luật phòng cháy và chữa_cháy . do đó , nếu đưa vào sử_dụng trong hạng_mục pccc của công_trình thì phải kiểm_định về pccc. tuy_nhiên , đối_với vật_liệu bông thủy_tinh cách_nhiệt chống cháy được các cơ_quan , tổ_chức , cá_nhân cần xem_xét tùy vào yêu_cầu cụ_thể của công_trình để đăng_ký kiểm_định “ tính nguy_hiểm cháy ” đối_với vật_liệu đó hoặc “ giới_hạn chịu_lửa ” của kết_cấu sử_dụng vật_liệu đó . thành_phần hồ_sơ đề_nghị kiểm_định được quy_định tại điểm a khoản 4 điều 18 thông_tư 66 / 2014 / tt - bca ngày 16 / 12 / 2014 quy_định chi_tiết thi_hành một_số điều của nghị_định số 79 / 2014 / nđ - cp ngày 31 / 7 / 2014 quy_định chi_tiết thi_hành một_số điều của luật phòng cháy và chữa_cháy và luật sửa_đổi , bổ_sung một_số điều ...	`bông_thủy_tinh cách_nhiệt chống cháy có phải kiểm_định không ? thành_phần hồ_sơ đề_nghị kiểm_định như thế_nào ?`
`thẻ thường_trú không có thời_hạn nhưng định_kỳ 10 năm một lần , người nước_ngoài thường_trú phải đến nộp hồ_sơ tại phòng quản_lý xuất , nhập_cảnh công_an tỉnh , thành_phố trực_thuộc trung_ương để đề_nghị cấp đổi thẻ thường_trú .`	`thẻ thường_trú có thời_hạn không ?`

Loss: MatryoshkaLoss with these parameters:
json
1{ 2 "loss": "MultipleNegativesRankingLoss", 3 "matryoshka_dims": [ 4 768, 5 512 6 ], 7 "matryoshka_weights": [ 8 1, 9 1 10 ], 11 "n_dims_per_step": -1 12}

Training Hyperparameters

Non-Default Hyperparameters

eval_strategy: epoch
per_device_train_batch_size: 2
per_device_eval_batch_size: 2
gradient_accumulation_steps: 2
learning_rate: 2e-05
num_train_epochs: 1
lr_scheduler_type: cosine
warmup_ratio: 0.1
fp16: True
tf32: False
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: 2
per_device_eval_batch_size: 2
per_gpu_train_batch_size: None
per_gpu_eval_batch_size: None
gradient_accumulation_steps: 2
eval_accumulation_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: 1
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: False
fp16: True
fp16_opt_level: O1
half_precision_backend: auto
bf16_full_eval: False
fp16_full_eval: False
tf32: False
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
prompts: None
batch_sampler: no_duplicates
multi_dataset_batch_sampler: proportional

Training Logs

Click to expand

Epoch	Step	Training Loss	Validation Loss	dim_768_cosine_ndcg@10	dim_512_cosine_ndcg@10
0	0	-	-	0.5662	0.5644
0.0039	10	0.1692	-	-	-
0.0078	20	0.3949	-	-	-
0.0118	30	0.2216	-	-	-
0.0157	40	0.2554	-	-	-
0.0196	50	0.1446	-	-	-
0.0235	60	0.1345	-	-	-
0.0275	70	0.2128	-	-	-
0.0314	80	0.1289	-	-	-
0.0353	90	0.0532	-	-	-
0.0392	100	0.1749	-	-	-
0.0431	110	0.1318	-	-	-
0.0471	120	0.0704	-	-	-
0.0510	130	0.0431	-	-	-
0.0549	140	0.4482	-	-	-
0.0588	150	0.1473	-	-	-
0.0627	160	0.3725	-	-	-
0.0667	170	0.1792	-	-	-
0.0706	180	0.065	-	-	-
0.0745	190	0.0173	-	-	-
0.0784	200	0.2006	-	-	-
0.0824	210	0.439	-	-	-
0.0863	220	0.2171	-	-	-
0.0902	230	0.0668	-	-	-
0.0941	240	0.1011	-	-	-
0.0980	250	0.0176	-	-	-
0.1020	260	0.1538	-	-	-
0.1059	270	0.1334	-	-	-
0.1098	280	0.3126	-	-	-
0.1137	290	0.0102	-	-	-
0.1176	300	0.2042	-	-	-
0.1216	310	0.0053	-	-	-
0.1255	320	0.3044	-	-	-
0.1294	330	0.0729	-	-	-
0.1333	340	0.1016	-	-	-
0.1373	350	0.0458	-	-	-
0.1412	360	0.0479	-	-	-
0.1451	370	0.0621	-	-	-
0.1490	380	0.0026	-	-	-
0.1529	390	0.173	-	-	-
0.1569	400	0.0134	-	-	-
0.1608	410	0.0586	-	-	-
0.1647	420	0.0247	-	-	-
0.1686	430	0.0106	-	-	-
0.1725	440	0.0069	-	-	-
0.1765	450	0.0303	-	-	-
0.1804	460	0.1574	-	-	-
0.1843	470	0.0543	-	-	-
0.1882	480	0.209	-	-	-
0.1922	490	0.2385	-	-	-
0.1961	500	0.0014	-	-	-
0.2	510	0.1301	-	-	-
0.2039	520	0.0075	-	-	-
0.2078	530	0.0148	-	-	-
0.2118	540	0.0143	-	-	-
0.2157	550	0.0477	-	-	-
0.2196	560	0.0092	-	-	-
0.2235	570	0.121	-	-	-
0.2275	580	0.0062	-	-	-
0.2314	590	0.0879	-	-	-
0.2353	600	0.1005	-	-	-
0.2392	610	0.3175	-	-	-
0.2431	620	0.0047	-	-	-
0.2471	630	0.1038	-	-	-
0.2510	640	0.0528	-	-	-
0.2549	650	0.2159	-	-	-
0.2588	660	0.0294	-	-	-
0.2627	670	0.0045	-	-	-
0.2667	680	0.0077	-	-	-
0.2706	690	0.0276	-	-	-
0.2745	700	0.0061	-	-	-
0.2784	710	0.032	-	-	-
0.2824	720	0.233	-	-	-
0.2863	730	0.0048	-	-	-
0.2902	740	0.0298	-	-	-
0.2941	750	0.0004	-	-	-
0.2980	760	0.0339	-	-	-
0.3020	770	0.2882	-	-	-
0.3059	780	0.0199	-	-	-
0.3098	790	0.006	-	-	-
0.3137	800	0.0617	-	-	-
0.3176	810	0.0442	-	-	-
0.3216	820	0.0095	-	-	-
0.3255	830	0.0045	-	-	-
0.3294	840	0.0246	-	-	-
0.3333	850	0.0005	-	-	-
0.3373	860	0.0375	-	-	-
0.3412	870	0.0414	-	-	-
0.3451	880	0.0835	-	-	-
0.3490	890	0.0505	-	-	-
0.3529	900	0.0046	-	-	-
0.3569	910	0.0889	-	-	-
0.3608	920	0.015	-	-	-
0.3647	930	0.0046	-	-	-
0.3686	940	0.0238	-	-	-
0.3725	950	0.0626	-	-	-
0.3765	960	0.018	-	-	-
0.3804	970	0.0383	-	-	-
0.3843	980	0.0555	-	-	-
0.3882	990	0.0405	-	-	-
0.3922	1000	0.0379	-	-	-
0.3961	1010	0.0019	-	-	-
0.4	1020	0.015	-	-	-
0.4039	1030	0.0462	-	-	-
0.4078	1040	0.0657	-	-	-
0.4118	1050	0.0245	-	-	-
0.4157	1060	0.0057	-	-	-
0.4196	1070	0.0316	-	-	-
0.4235	1080	0.0309	-	-	-
0.4275	1090	0.0083	-	-	-
0.4314	1100	0.0099	-	-	-
0.4353	1110	0.0051	-	-	-
0.4392	1120	0.0023	-	-	-
0.4431	1130	0.0058	-	-	-
0.4471	1140	0.027	-	-	-
0.4510	1150	0.028	-	-	-
0.4549	1160	0.0115	-	-	-
0.4588	1170	0.0649	-	-	-
0.4627	1180	0.1375	-	-	-
0.4667	1190	0.0462	-	-	-
0.4706	1200	0.0076	-	-	-
0.4745	1210	0.2884	-	-	-
0.4784	1220	0.1072	-	-	-
0.4824	1230	0.0655	-	-	-
0.4863	1240	0.003	-	-	-
0.4902	1250	0.001	-	-	-
0.4941	1260	0.0182	-	-	-
0.4980	1270	0.0782	-	-	-
0.5020	1280	0.0006	-	-	-
0.5059	1290	0.0561	-	-	-
0.5098	1300	0.019	-	-	-
0.5137	1310	0.0041	-	-	-
0.5176	1320	0.0199	-	-	-
0.5216	1330	0.0035	-	-	-
0.5255	1340	0.0388	-	-	-
0.5294	1350	0.0082	-	-	-
0.5333	1360	0.0038	-	-	-
0.5373	1370	0.0062	-	-	-
0.5412	1380	0.0143	-	-	-
0.5451	1390	0.036	-	-	-
0.5490	1400	0.0042	-	-	-
0.5529	1410	0.0927	-	-	-
0.5569	1420	0.0438	-	-	-
0.5608	1430	0.0034	-	-	-
0.5647	1440	0.0115	-	-	-
0.5686	1450	0.0076	-	-	-
0.5725	1460	0.0035	-	-	-
0.5765	1470	0.2002	-	-	-
0.5804	1480	0.0119	-	-	-
0.5843	1490	0.0144	-	-	-
0.5882	1500	0.0003	-	-	-
0.5922	1510	0.0563	-	-	-
0.5961	1520	0.0079	-	-	-
0.6	1530	0.001	-	-	-
0.6039	1540	0.0594	-	-	-
0.6078	1550	0.1215	-	-	-
0.6118	1560	0.0027	-	-	-
0.6157	1570	0.0451	-	-	-
0.6196	1580	0.0016	-	-	-
0.6235	1590	0.0021	-	-	-
0.6275	1600	0.0017	-	-	-
0.6314	1610	0.011	-	-	-
0.6353	1620	0.0069	-	-	-
0.6392	1630	0.0171	-	-	-
0.6431	1640	0.1518	-	-	-
0.6471	1650	0.095	-	-	-
0.6510	1660	0.0095	-	-	-
0.6549	1670	0.0037	-	-	-
0.6588	1680	0.001	-	-	-
0.6627	1690	0.0003	-	-	-
0.6667	1700	0.0355	-	-	-
0.6706	1710	0.0163	-	-	-
0.6745	1720	0.0131	-	-	-
0.6784	1730	0.0114	-	-	-
0.6824	1740	0.0291	-	-	-
0.6863	1750	0.0079	-	-	-
0.6902	1760	0.0075	-	-	-
0.6941	1770	0.0838	-	-	-
0.6980	1780	0.0128	-	-	-
0.7020	1790	0.1947	-	-	-
0.7059	1800	0.0219	-	-	-
0.7098	1810	0.0909	-	-	-
0.7137	1820	0.0052	-	-	-
0.7176	1830	0.0237	-	-	-
0.7216	1840	0.0028	-	-	-
0.7255	1850	0.0664	-	-	-
0.7294	1860	0.0146	-	-	-
0.7333	1870	0.0157	-	-	-
0.7373	1880	0.0654	-	-	-
0.7412	1890	0.0036	-	-	-
0.7451	1900	0.0001	-	-	-
0.7490	1910	0.0595	-	-	-
0.7529	1920	0.0432	-	-	-
0.7569	1930	0.0287	-	-	-
0.7608	1940	0.0042	-	-	-
0.7647	1950	0.0946	-	-	-
0.7686	1960	0.0064	-	-	-
0.7725	1970	0.0102	-	-	-
0.7765	1980	0.0148	-	-	-
0.7804	1990	0.0008	-	-	-
0.7843	2000	0.0019	-	-	-
0.7882	2010	0.1745	-	-	-
0.7922	2020	0.0045	-	-	-
0.7961	2030	0.1492	-	-	-
0.8	2040	0.2533	-	-	-
0.8039	2050	0.0009	-	-	-
0.8078	2060	0.0814	-	-	-
0.8118	2070	0.0005	-	-	-
0.8157	2080	0.0098	-	-	-
0.8196	2090	0.0615	-	-	-
0.8235	2100	0.0132	-	-	-
0.8275	2110	0.0006	-	-	-
0.8314	2120	0.0547	-	-	-
0.8353	2130	0.0024	-	-	-
0.8392	2140	0.0131	-	-	-
0.8431	2150	0.1234	-	-	-
0.8471	2160	0.019	-	-	-
0.8510	2170	0.0027	-	-	-
0.8549	2180	0.0035	-	-	-
0.8588	2190	0.0165	-	-	-
0.8627	2200	0.0767	-	-	-
0.8667	2210	0.076	-	-	-
0.8706	2220	0.0082	-	-	-
0.8745	2230	0.0584	-	-	-
0.8784	2240	0.0141	-	-	-
0.8824	2250	0.0042	-	-	-
0.8863	2260	0.0356	-	-	-
0.8902	2270	0.0003	-	-	-
0.8941	2280	0.0031	-	-	-
0.8980	2290	0.0171	-	-	-
0.9020	2300	0.083	-	-	-
0.9059	2310	0.0026	-	-	-
0.9098	2320	0.0127	-	-	-
0.9137	2330	0.0088	-	-	-
0.9176	2340	0.024	-	-	-
0.9216	2350	0.1174	-	-	-
0.9255	2360	0.0578	-	-	-
0.9294	2370	0.0034	-	-	-
0.9333	2380	0.0706	-	-	-
0.9373	2390	0.0261	-	-	-
0.9412	2400	0.0006	-	-	-
0.9451	2410	0.0027	-	-	-
0.9490	2420	0.0119	-	-	-
0.9529	2430	0.0075	-	-	-
0.9569	2440	0.0063	-	-	-
0.9608	2450	0.0028	-	-	-
0.9647	2460	0.0363	-	-	-
0.9686	2470	0.0004	-	-	-
0.9725	2480	0.0016	-	-	-
0.9765	2490	0.0018	-	-	-
0.9804	2500	0.1138	-	-	-
0.9843	2510	0.0046	-	-	-
0.9882	2520	0.0327	-	-	-
0.9922	2530	0.0497	-	-	-
0.9961	2540	0.0826	-	-	-
1.0	2550	0.0011	0.0172	0.6853	0.6844

The bold row denotes the saved checkpoint.

Framework Versions

Python: 3.10.14
Sentence Transformers: 3.3.1
Transformers: 4.41.2
PyTorch: 2.4.0
Accelerate: 0.29.3
Datasets: 2.19.1
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}
}

	positive	anchor
type	string	string
details	min: 4 tokens mean: 320.87 tokens max: 3689 tokens	min: 10 tokens mean: 59.35 tokens max: 421 tokens

anhtuansh/gte-multilingual-base-Matryoshka-1e-11k

SentenceTransformer based on Alibaba-NLP/gte-multilingual-base

Model Details

Model Description

Model Sources

Full Model Architecture

Usage

Direct Usage (Sentence Transformers)

Evaluation

Metrics

Information Retrieval

Training Details

Training Dataset

json

Evaluation Dataset

json

Training Hyperparameters

Non-Default Hyperparameters

All Hyperparameters

Training Logs

Framework Versions

Citation

BibTeX

Sentence Transformers

MatryoshkaLoss

MultipleNegativesRankingLoss

anhtuansh/
gte-multilingual-base-Matryoshka-1e-11k