This is a sentence-transformers model finetuned from google/embeddinggemma-300m 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: google/embeddinggemma-300m
Maximum Sequence Length: 2048 tokens
Output Dimensionality: 768 dimensions
Similarity Function: Cosine Similarity
Training Dataset:
- json
Language: vi
License: gemma

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, 'architecture': 'Gemma3TextModel'})
  (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): Dense({'in_features': 768, 'out_features': 3072, 'bias': False, 'activation_function': 'torch.nn.modules.linear.Identity'})
  (3): Dense({'in_features': 3072, 'out_features': 768, 'bias': False, 'activation_function': 'torch.nn.modules.linear.Identity'})
  (4): 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("anhtvcengroup1/embeddinggemma-300m-custom-vi")
# Run inference
queries = [
    "Which planet is known as the Red Planet?",
]
documents = [
    "Venus is often called Earth's twin because of its similar size and proximity.",
    'Mars, known for its reddish appearance, is often referred to as the Red Planet.',
    'Saturn, famous for its rings, is sometimes mistaken for the Red Planet.',
]
query_embeddings = model.encode_query(queries)
document_embeddings = model.encode_document(documents)
print(query_embeddings.shape, document_embeddings.shape)
# [1, 768] [3, 768]

# Get the similarity scores for the embeddings
similarities = model.similarity(query_embeddings, document_embeddings)
print(similarities)
# tensor([[0.3012, 0.6364, 0.4891]])

Evaluation

Metrics

Information Retrieval

Datasets: custom-eval and custom-test
Evaluated with InformationRetrievalEvaluator

Metric	custom-eval	custom-test
cosine_accuracy@1	0.8	1.0
cosine_accuracy@3	1.0	1.0
cosine_accuracy@5	1.0	1.0
cosine_accuracy@10	1.0	1.0
cosine_precision@1	0.8	1.0
cosine_precision@3	0.3333	0.3333
cosine_precision@5	0.2	0.2
cosine_precision@10	0.1	0.1
cosine_recall@1	0.8	1.0
cosine_recall@3	1.0	1.0
cosine_recall@5	1.0	1.0
cosine_recall@10	1.0	1.0
cosine_ndcg@10	0.9262	1.0
cosine_mrr@10	0.9	1.0
cosine_map@100	0.9	1.0

Training Details

Training Dataset

json

Dataset: json
Size: 8 training samples
Columns: question and passage_text
Approximate statistics based on the first 8 samples:
question passage_text
type string string
details
min: 15 tokens
mean: 17.0 tokens
max: 19 tokens
min: 41 tokens
mean: 52.75 tokens
max: 72 tokens

Samples:

question	passage_text
`Quy định về bảo vệ dữ liệu cá nhân hiện nay là văn bản nào?`	`Nghị định số 13/2023/NĐ-CP ngày 17/4/2023 của Chính phủ về bảo vệ dữ liệu cá nhân quy định chi tiết về nguyên tắc xử lý dữ liệu, quyền và nghĩa vụ của chủ thể dữ liệu, trách nhiệm của bên xử lý dữ liệu...`
`Căn cứ pháp lý về bảo vệ dữ liệu cá nhân là gì?`	`Nghị định số 13/2023/NĐ-CP về bảo vệ dữ liệu cá nhân là văn bản pháp lý chuyên ngành đầu tiên quy định toàn diện về bảo vệ dữ liệu cá nhân tại Việt Nam.`
`Làm căn cước công dân gắn chip lần đầu ở đâu?`	`Công dân thực hiện thủ tục cấp thẻ Căn cước công dân gắn chip lần đầu tại Cơ quan quản lý căn cước công dân nơi công dân đăng ký thường trú hoặc tạm trú.`

Loss: CachedMultipleNegativesRankingLoss with these parameters:
json
1{ 2 "scale": 20.0, 3 "similarity_fct": "cos_sim", 4 "mini_batch_size": 8, 5 "gather_across_devices": false 6}

Evaluation Dataset

json

Dataset: json
Size: 5 evaluation samples
Columns: question and passage_text
Approximate statistics based on the first 5 samples:
question passage_text
type string string
details
min: 14 tokens
mean: 19.4 tokens
max: 23 tokens
min: 36 tokens
mean: 48.6 tokens
max: 59 tokens

Samples:

question	passage_text
`Nghị định nào quy định chi tiết về bảo vệ dữ liệu cá nhân?`	`Nghị định số 13/2023/NĐ-CP của Chính phủ quy định về bảo vệ dữ liệu cá nhân, bao gồm nguyên tắc xử lý dữ liệu, phân loại dữ liệu cá nhân cơ bản và dữ liệu cá nhân nhạy cảm.`
`Thủ tục cấp lại căn cước công dân khi bị mất thực hiện ở đâu?`	`Người bị mất thẻ Căn cước công dân thực hiện thủ tục cấp lại tại Cơ quan quản lý căn cước công dân nơi thường trú hoặc nơi tạm trú.`
`Đơn vị sử dụng ngân sách phải công khai quyết toán ngân sách bằng hình thức nào?`	`Đơn vị sử dụng ngân sách phải công khai quyết toán ngân sách bằng hình thức niêm yết công khai tại trụ sở, đăng tải trên cổng thông tin điện tử của đơn vị (nếu có) và các hình thức khác theo quy định.`

Loss: CachedMultipleNegativesRankingLoss with these parameters:
json
1{ 2 "scale": 20.0, 3 "similarity_fct": "cos_sim", 4 "mini_batch_size": 8, 5 "gather_across_devices": false 6}

Training Hyperparameters

Non-Default Hyperparameters

eval_strategy: steps
per_device_train_batch_size: 256
per_device_eval_batch_size: 256
learning_rate: 2e-05
num_train_epochs: 1
warmup_ratio: 0.1
bf16: True
prompts: {'question': 'task: search result | query: ', 'passage_text': 'title: none | text: '}
batch_sampler: no_duplicates

All Hyperparameters

Click to expand

overwrite_output_dir: False
do_predict: False
eval_strategy: steps
prediction_loss_only: True
per_device_train_batch_size: 256
per_device_eval_batch_size: 256
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: 1
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
bf16: True
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: {'question': 'task: search result | query: ', 'passage_text': 'title: none | text: '}
batch_sampler: no_duplicates
multi_dataset_batch_sampler: proportional
router_mapping: {}
learning_rate_mapping: {}

Training Logs

Epoch	Step	custom-eval_cosine_ndcg@10	custom-test_cosine_ndcg@10
-1	-1	0.9262	1.0

Framework Versions

Python: 3.12.3
Sentence Transformers: 5.1.2
Transformers: 4.57.1
PyTorch: 2.9.1+cu128
Accelerate: 1.12.0
Datasets: 4.4.1
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",
}

CachedMultipleNegativesRankingLoss

bibtex

@misc{gao2021scaling,
    title={Scaling Deep Contrastive Learning Batch Size under Memory Limited Setup},
    author={Luyu Gao and Yunyi Zhang and Jiawei Han and Jamie Callan},
    year={2021},
    eprint={2101.06983},
    archivePrefix={arXiv},
    primaryClass={cs.LG}
}

	question	passage_text
type	string	string
details	min: 15 tokens mean: 17.0 tokens max: 19 tokens	min: 41 tokens mean: 52.75 tokens max: 72 tokens