You can deploy this model and start earning money today!

Views

No views yet

SentenceTransformer based on anhtuansh/gte-multilingual-base-Matryoshka-2e-9k

Name: gte-multilingual-base-Matryoshka-3e-9k
Availability: InStock

This is a sentence-transformers model finetuned from anhtuansh/gte-multilingual-base-Matryoshka-2e-9k 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: anhtuansh/gte-multilingual-base-Matryoshka-2e-9k
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-3e-9k")
# Run inference
sentences = [
    'quản_lý nhập_khẩu hàng_hóa bị điều_tra , phục_vụ công_tác điều_tra , áp_dụng biện_pháp phòng_vệ thương_mại .',
    'mục_đích của thủ_tục khai_báo là gì ?',
    'đơn_vị chúng_tôi đã được cấp chứng_chỉ năng_lực hoạt_động xây_dựng nhưng hiện_nay chúng_tôi thay_đổi người đại_diện pháp_luật của đơn_vị . vậy chúng_tôi có phải làm thủ_tục nào để thay_đổi người đại_diện theo pháp_luật của chúng_tôi trên chứng_chỉ ?',
]
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	0.5752	0.5632
cosine_accuracy@3	0.7418	0.7375
cosine_accuracy@5	0.7974	0.7941
cosine_accuracy@10	0.8486	0.8442
cosine_precision@1	0.5752	0.5632
cosine_precision@3	0.2473	0.2458
cosine_precision@5	0.1595	0.1588
cosine_precision@10	0.0849	0.0844
cosine_recall@1	0.5752	0.5632
cosine_recall@3	0.7418	0.7375
cosine_recall@5	0.7974	0.7941
cosine_recall@10	0.8486	0.8442
cosine_ndcg@10	0.714	0.7076
cosine_mrr@10	0.6707	0.6633
cosine_map@100	0.675	0.6678

Training Details

Training Dataset

json

Dataset: json
Size: 8,259 training samples
Columns: positive and anchor
Approximate statistics based on the first 1000 samples:
positive anchor
type string string
details
min: 5 tokens
mean: 303.9 tokens
max: 3209 tokens
min: 7 tokens
mean: 56.17 tokens
max: 578 tokens

Samples:

positive	anchor
điểm a , mục 2 phần ii thông_tư số 04 / 1999 / tt - bca ( c13 ) ngày 29 / 4 / 1999 của bộ công_an hướng_dẫn một_số quy_định của nghị_định số 05 / 1999 / nđ - cp ngày 03 / 01 / 1999 của chính_phủ về chứng_minh nhân_dân quy_định các trường_hợp phải đổi cmnd như sau : - quá thời_hạn sử_dụng 15 năm kể từ ngày cấp ; - cmnd rách , nát , không rõ ảnh hoặc một trong các thông_tin đã ghi trên cmnd ; - thay_đổi họ , tên , chữ đệm , ngày , tháng , năm sinh . những thay_đổi này phải có quyết_định của cơ_quan có thẩm_quyền ; - những người đã được cấp giấy cmnd nhưng chuyển nơi đăng_ký hộ_khẩu thường_trú ngoài phạm_vi tỉnh , thành_phố trực_thuộc trung_ương . trường_hợp chuyển nơi thường_trú trong phạm_vi tỉnh , thành_phố mà công_dân có yêu_cầu thì được đổi lại cmnd ; - thay_đổi đặc_điểm nhận_dạng là những trường_hợp đã qua phẫu_thuật thẩm_mỹ , chỉnh_hình hoặc vì lý_do khác đã làm thay_đổi hình_ảnh hoặc đặc_điểm nhận_dạng của họ .	`công_dân phải làm thủ_tục đổi chứng_minh nhân_dân khi nào ?`
việc thực_hiện thủ_tục tặng cờ thi_đua cấp bộ , ban , ngành , đoàn_thể trung_ương , tỉnh , thành_phố trực_thuộc trung_ương theo đợt hoặc chuyên_đề 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 hồ_sơ...	`đề_nghị cho biết trình_tự thực_hiện thủ_tục tặng cờ thi_đua cấp bộ , ban , ngành , đoàn_thể trung_ương , tỉnh , thành_phố trực_thuộc trung_ương theo đợt hoặc chuyên_đề`
thời_gian phục_vụ tại_ngũ của hạ_sĩ_quan binh_sĩ được quy_định tại điều 21 luật nvqs năm 2015 , cụ_thể như sau : “ điều 21 . thời_hạn phục_vụ tại_ngũ của hạ_sĩ_quan , binh sĩ1 . thời_hạn phục_vụ tại_ngũ trong thời_bình của hạ_sĩ_quan , binh_sĩ là 24 tháng . 2 . bộ_trưởng bộ quốc_phòng được quyết_định kéo_dài thời_hạn phục_vụ tại_ngũ của hạ_sĩ_quan , binh_sĩ nhưng không quá 06 tháng trong trường_hợp sau đây : a ) để bảo_đảm_nhiệm_vụ sẵn_sàng chiến_đấu ; b ) đang thực_hiện nhiệm_vụ phòng , chống thiên_tai , dịch_bệnh , cứu_hộ , cứu nạn . 3 . thời_hạn phục_vụ của hạ_sĩ_quan , binh_sĩ trong tình_trạng chiến_tranh hoặc tình_trạng khẩn_cấp về quốc_phòng được thực_hiện theo lệnh tổng_động_viên hoặc động_viên cục_bộ . ”	`quy_định thời_gian phục_vụ tại_ngũ của hạ_sĩ_quan binh_sĩ như thế_nào ?`

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: 918 evaluation samples
Columns: positive and anchor
Approximate statistics based on the first 918 samples:
positive anchor
type string string
details
min: 5 tokens
mean: 307.44 tokens
max: 3463 tokens
min: 11 tokens
mean: 55.94 tokens
max: 383 tokens

Samples:

positive	anchor
theo quy_định tại khoản 9 điều 1 nghị_định số 161 / 2018 / nđ - cpngày 29 / 11 / 2018 của chính_phủ sửa_đổi , bổ_sung một_số quy_định về tuyển_dụng công_chức , viên_chức , nâng ngạch công_chức , thăng_hạng viên_chức và thực_hiện chế_độ hợp_đồng một_số loại công_việc trong cơ_quan hành_chính nhà_nước , đơn_vị sự_nghiệp công_lập thì đối_tượng và điểm ưu_tiên trong thi_tuyển hoặc xét tuyển công_chức : [object Object] + anh_hùng lực_lượng vũ_trang , anh_hùng lao_động , thương_binh , người hưởng chính_sách như thương_binh , thương_binh loại b : được cộng 7,5 điểm vào kết_quả điểm thi tại vòng 2 ; [object Object] + người dân_tộc_thiểu_số , sĩ_quan quân_đội , sĩ_quan công_an , quân_nhân chuyên_nghiệp , người làm công_tác cơ_yếu chuyển ngành , con liệt_sĩ , con thương_binh , con bệnh_binh , con của người hưởng chính_sách như thương_binh , con của thương_binh loại b , con của người hoạt_động cách_mạng trước tổng_khởi_nghĩa ( từ ngày 19 / 8 / 1945 trở về trước ) , con_đẻ của người hoạt_động kháng_chiến bị nhiễm chất_độc_hó...	`đề_nghị cho tôi được biết đối_tượng được hưởng ưu_tiên trong tuyển_dụng công_chức ?`
1 . khi phát_hiện tổ_chức , cá_nhân kê_khai hồ_sơ , thông_báo không_trung_thực hoặc vi_phạm_quy_định tại điều 8 nghị_định số 23 / 2019 / nđ - cp , cơ_quan tiếp_nhận thông_báo yêu_cầu tạm dừng hoạt_động triển_lãm bằng văn_bản ( mẫu_số 03 tại phụ_lục ban_hành kèm theo nghị_định số 23 / 2019 / nđ - cp ) . 2 . tổ_chức , cá_nhân phải dừng hoạt_động triển_lãm ngay khi nhận được văn_bản của cơ_quan có thẩm_quyền ; kịp_thời_khắc_phục hậu_quả , đề_xuất phương_án tiếp_tục tổ_chức triển_lãm gửi cơ_quan có thẩm_quyền xem_xét , quyết_định . 3 . kết_quả xem_xét , quyết_định của cơ_quan có thẩm_quyền phải được thể_hiện bằng văn_bản và gửi cho tổ_chức , cá_nhân biết để thực_hiện . thời_hạn gửi văn_bản cho tổ_chức , cá_nhân là 03 ngày , kể từ ngày cơ_quan có thẩm_quyền nhận được văn_bản đề_xuất phương_án tiếp_tục tổ_chức triển_lãm của tổ_chức , cá_nhân .	`những lý_do nào khiến hoạt_động triển_lãm bị tạm dừng ?`
theo quy_định tại khoản 1 điều 33 luật quản_lý , sử_dụng vũ_khí , vật_liệu nổ và công_cụ hỗ_trợ và điểm a khoản 4 điều 3 thông_tư số 16 / 2018 / tt - bca ngày 15 / 5 / 2018 của bộ công_an quy_định chi_tiết thi_hành một_số điều của luật quản_lý , sử_dụng vũ_khí , vật_liệu nổ và công_cụ hỗ_trợ thì thủ_tục đề_nghị cấp giấy_phép vận_chuyển vũ_khí quân_dụng đối_với cơ_quan , tổ_chức ở trung_ương không thuộc phạm_vi quản_lý của bộ quốc_phòng được thực_hiện như sau : a ) hồ_sơ đề_nghị bao_gồm : văn_bản đề_nghị nêu rõ số_lượng , chủng_loại , nguồn_gốc xuất_xứ của vũ_khí cần vận_chuyển ; nơi đi , nơi đến , thời_gian và tuyến đường vận_chuyển ; họ và tên , địa_chỉ của người chịu trách_nhiệm vận_chuyển , người điều_khiển phương_tiện ; biển kiểm_soát của phương_tiện ; giấy giới_thiệu kèm theo bản_sao thẻ căn_cước công_dân , chứng_minh nhân_dân , hộ_chiếu hoặc chứng_minh công_an nhân_dân của người đến liên_hệ ; b ) hồ_sơ lập thành 01 bộ và nộp tại cục cảnh_sát qlhc về ttxh ; c ) trong thời_hạn 05 n...	`thủ_tục cấp giấy_phép vận_chuyển vũ_khí quân_dụng đối_với cơ_quan , tổ_chức ở trung_ương không thuộc phạm_vi quản_lý của bộ quốc_phòng thực_hiện như thế_nào ?`

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	-	-	0.7244	0.7211
0.0048	10	0.0012	-	-	-
0.0097	20	0.0016	-	-	-
0.0145	30	0.0005	-	-	-
0.0194	40	0.0002	-	-	-
0.0242	50	0.001	-	-	-
0.0291	60	0.0003	-	-	-
0.0339	70	0.0973	-	-	-
0.0387	80	0.0003	-	-	-
0.0436	90	0.0002	-	-	-
0.0484	100	0.0001	-	-	-
0.0533	110	0.0001	-	-	-
0.0581	120	0.0008	-	-	-
0.0630	130	0.2459	-	-	-
0.0678	140	0.0003	-	-	-
0.0726	150	0.0002	-	-	-
0.0775	160	0.0022	-	-	-
0.0823	170	0.0002	-	-	-
0.0872	180	0.0003	-	-	-
0.0920	190	0.0022	-	-	-
0.0969	200	0.0003	-	-	-
0.1017	210	0.0111	-	-	-
0.1065	220	0.0008	-	-	-
0.1114	230	0.0002	-	-	-
0.1162	240	0.0014	-	-	-
0.1211	250	0.0007	-	-	-
0.1259	260	0.0004	-	-	-
0.1308	270	0.0007	-	-	-
0.1356	280	0.0005	-	-	-
0.1404	290	0.0006	-	-	-
0.1453	300	0.0003	-	-	-
0.1501	310	0.0001	-	-	-
0.1550	320	0.0004	-	-	-
0.1598	330	0.0008	-	-	-
0.1646	340	0.0088	-	-	-
0.1695	350	0.0002	-	-	-
0.1743	360	0.0032	-	-	-
0.1792	370	0.0004	-	-	-
0.1840	380	0.0002	-	-	-
0.1889	390	0.0007	-	-	-
0.1937	400	0.0123	-	-	-
0.1985	410	0.0007	-	-	-
0.2034	420	0.0003	-	-	-
0.2082	430	0.0003	-	-	-
0.2131	440	0.0004	-	-	-
0.2179	450	0.0004	-	-	-
0.2228	460	0.0018	-	-	-
0.2276	470	0.0004	-	-	-
0.2324	480	0.0001	-	-	-
0.2373	490	0.0	-	-	-
0.2421	500	0.0002	-	-	-
0.2470	510	0.0004	-	-	-
0.2518	520	0.0005	-	-	-
0.2567	530	0.0009	-	-	-
0.2615	540	0.0002	-	-	-
0.2663	550	0.0001	-	-	-
0.2712	560	0.0004	-	-	-
0.2760	570	0.0005	-	-	-
0.2809	580	0.001	-	-	-
0.2857	590	0.0001	-	-	-
0.2906	600	0.0001	-	-	-
0.2954	610	0.0001	-	-	-
0.3002	620	0.0062	-	-	-
0.3051	630	0.0003	-	-	-
0.3099	640	0.0014	-	-	-
0.3148	650	0.0003	-	-	-
0.3196	660	0.0009	-	-	-
0.3245	670	0.0002	-	-	-
0.3293	680	0.0009	-	-	-
0.3341	690	0.0003	-	-	-
0.3390	700	0.0002	-	-	-
0.3438	710	0.0003	-	-	-
0.3487	720	0.0011	-	-	-
0.3535	730	0.0006	-	-	-
0.3584	740	0.0006	-	-	-
0.3632	750	0.0004	-	-	-
0.3680	760	0.0002	-	-	-
0.3729	770	0.0001	-	-	-
0.3777	780	0.0002	-	-	-
0.3826	790	0.0043	-	-	-
0.3874	800	0.001	-	-	-
0.3923	810	0.0005	-	-	-
0.3971	820	0.0002	-	-	-
0.4019	830	0.0017	-	-	-
0.4068	840	0.0004	-	-	-
0.4116	850	0.0002	-	-	-
0.4165	860	0.0004	-	-	-
0.4213	870	0.0004	-	-	-
0.4262	880	0.0005	-	-	-
0.4310	890	0.001	-	-	-
0.4358	900	0.0002	-	-	-
0.4407	910	0.0001	-	-	-
0.4455	920	0.0001	-	-	-
0.4504	930	0.0001	-	-	-
0.4552	940	0.0001	-	-	-
0.4600	950	0.0004	-	-	-
0.4649	960	0.0001	-	-	-
0.4697	970	0.0001	-	-	-
0.4746	980	0.0002	-	-	-
0.4794	990	0.0032	-	-	-
0.4843	1000	0.0001	-	-	-
0.4891	1010	0.0008	-	-	-
0.4939	1020	0.0004	-	-	-
0.4988	1030	0.0014	-	-	-
0.5036	1040	0.0006	-	-	-
0.5085	1050	0.0003	-	-	-
0.5133	1060	0.0009	-	-	-
0.5182	1070	0.0001	-	-	-
0.5230	1080	0.0001	-	-	-
0.5278	1090	0.0003	-	-	-
0.5327	1100	0.0005	-	-	-
0.5375	1110	0.0004	-	-	-
0.5424	1120	0.0002	-	-	-
0.5472	1130	0.001	-	-	-
0.5521	1140	0.0009	-	-	-
0.5569	1150	0.0002	-	-	-
0.5617	1160	0.0003	-	-	-
0.5666	1170	0.0001	-	-	-
0.5714	1180	0.0016	-	-	-
0.5763	1190	0.0009	-	-	-
0.5811	1200	0.0009	-	-	-
0.5860	1210	0.0004	-	-	-
0.5908	1220	0.0047	-	-	-
0.5956	1230	0.0003	-	-	-
0.6005	1240	0.0003	-	-	-
0.6053	1250	0.0004	-	-	-
0.6102	1260	0.0001	-	-	-
0.6150	1270	0.0001	-	-	-
0.6199	1280	0.0009	-	-	-
0.6247	1290	0.0007	-	-	-
0.6295	1300	0.0001	-	-	-
0.6344	1310	0.0008	-	-	-
0.6392	1320	0.0001	-	-	-
0.6441	1330	0.0002	-	-	-
0.6489	1340	0.0006	-	-	-
0.6538	1350	0.0003	-	-	-
0.6586	1360	0.0002	-	-	-
0.6634	1370	0.0001	-	-	-
0.6683	1380	0.0001	-	-	-
0.6731	1390	0.0001	-	-	-
0.6780	1400	0.0001	-	-	-
0.6828	1410	0.0091	-	-	-
0.6877	1420	0.0216	-	-	-
0.6925	1430	0.0002	-	-	-
0.6973	1440	0.0001	-	-	-
0.7022	1450	0.0002	-	-	-
0.7070	1460	0.0002	-	-	-
0.7119	1470	0.0007	-	-	-
0.7167	1480	0.0001	-	-	-
0.7215	1490	0.0001	-	-	-
0.7264	1500	0.0001	-	-	-
0.7312	1510	0.0001	-	-	-
0.7361	1520	0.0001	-	-	-
0.7409	1530	0.0002	-	-	-
0.7458	1540	0.0001	-	-	-
0.7506	1550	0.0006	-	-	-
0.7554	1560	0.0003	-	-	-
0.7603	1570	0.0003	-	-	-
0.7651	1580	0.0002	-	-	-
0.7700	1590	0.0004	-	-	-
0.7748	1600	0.0005	-	-	-
0.7797	1610	0.0022	-	-	-
0.7845	1620	0.0002	-	-	-
0.7893	1630	0.0005	-	-	-
0.7942	1640	0.0001	-	-	-
0.7990	1650	0.0006	-	-	-
0.8039	1660	0.0005	-	-	-
0.8087	1670	0.0007	-	-	-
0.8136	1680	0.0003	-	-	-
0.8184	1690	0.0002	-	-	-
0.8232	1700	0.0011	-	-	-
0.8281	1710	0.0	-	-	-
0.8329	1720	0.0003	-	-	-
0.8378	1730	0.0003	-	-	-
0.8426	1740	0.0001	-	-	-
0.8475	1750	0.0048	-	-	-
0.8523	1760	0.0001	-	-	-
0.8571	1770	0.0004	-	-	-
0.8620	1780	0.0001	-	-	-
0.8668	1790	0.0	-	-	-
0.8717	1800	0.0021	-	-	-
0.8765	1810	0.0001	-	-	-
0.8814	1820	0.0003	-	-	-
0.8862	1830	0.0001	-	-	-
0.8910	1840	0.0016	-	-	-
0.8959	1850	0.0046	-	-	-
0.9007	1860	0.0002	-	-	-
0.9056	1870	0.0001	-	-	-
0.9104	1880	0.0006	-	-	-
0.9153	1890	0.0001	-	-	-
0.9201	1900	0.0002	-	-	-
0.9249	1910	0.0006	-	-	-
0.9298	1920	0.0001	-	-	-
0.9346	1930	0.0069	-	-	-
0.9395	1940	0.0004	-	-	-
0.9443	1950	0.0002	-	-	-
0.9492	1960	0.0252	-	-	-
0.9540	1970	0.0003	-	-	-
0.9588	1980	0.0002	-	-	-
0.9637	1990	0.0018	-	-	-
0.9685	2000	0.0006	-	-	-
0.9734	2010	0.0001	-	-	-
0.9782	2020	0.0018	-	-	-
0.9831	2030	0.0001	-	-	-
0.9879	2040	0.0002	-	-	-
0.9927	2050	0.0008	-	-	-
0.9976	2060	0.0018	-	-	-
1.0	2065	-	0.0213	0.714	0.7076

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: 5 tokens mean: 303.9 tokens max: 3209 tokens	min: 7 tokens mean: 56.17 tokens max: 578 tokens