This is a sentence-transformers model finetuned from BAAI/bge-m3. It maps sentences & paragraphs to a 1024-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: BAAI/bge-m3
Maximum Sequence Length: 256 tokens
Output Dimensionality: 1024 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}) with Transformer model: XLMRobertaModel 
  (1): Pooling({'word_embedding_dimension': 1024, '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("sentence_transformers_model_id")
# Run inference
sentences = [
    'Dava açılmadan önce karşılıksız çek hakkında ORICON kaynağına göre ne söylenebilir?',
    'Dava açılmadan önce karşılıksız çek bedelinin ödenmesi durumunda, icra mahkemesine şikayet edilse dahi davanın düşmesine karar verilecektir. Karşılıksız çek bedelinin ödenmesi, dava sürecini etkileyerek icra mahkemesine şikayet edilse bile davanın düşmesine neden olacaktır.',
    'Yargıtay 19. Ceza Dairesi, konkordato süreci içinde ibraz edilen karşılıksız çek hakkında, şirketi yönetmeye yetkili kişilerin cezai sorumluluğunun olup olmayacağına dair karar vermiştir.',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 1024]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]

Evaluation

Metrics

Information Retrieval

Dataset: val_legal
Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.4951
cosine_accuracy@5	0.7718
cosine_accuracy@10	0.8155
cosine_precision@1	0.4951
cosine_precision@5	0.1544
cosine_precision@10	0.0816
cosine_recall@1	0.4951
cosine_recall@5	0.7718
cosine_recall@10	0.8155
cosine_ndcg@10	0.6551
cosine_mrr@10	0.6035
cosine_map@10	0.6035

Training Details

Training Dataset

Unnamed Dataset

Size: 1,852 training samples
Columns: sentence_0, sentence_1, and sentence_2

Approximate statistics based on the first 1000 samples:

	sentence_0	sentence_1	sentence_2
type	string	string	string
details	min: 12 tokens mean: 23.73 tokens max: 86 tokens	min: 17 tokens mean: 123.09 tokens max: 256 tokens	min: 15 tokens mean: 119.72 tokens max: 256 tokens

Samples:

sentence_0	sentence_1	sentence_2
`Kumar oynama kabahatinin sonucunda elde hakkında ORICON kaynağına göre ne söylenebilir?`	`Kumar oynama kabahatinin sonucunda elde edilen gelire el konularak mülkiyetin kamuya geçirilmesine karar verilmektedir.`	`Yargıtay, boşanma sürecindeki eşlerin birbirine 'zımni onay' vermesinin hayatın olağan akışına uymadığını savunmakta ve bu nedenle sunulan delilleri hukuka aykırı olarak değerlendirmektedir.`
`Davalılardan herhangi biri davacının alacağını hakkında ORICON kaynağına göre ne söylenebilir?`	`Davalılardan herhangi biri davacının alacağını veya iptali istenen tasarruf bedelini öderse dava red olunur. Bu durumda mahkeme vekalet ücreti ve yargılama giderleri konusunda davalılardan birini veya tüm davalıları sorumlu tutabilir.`	`Kusuru olmaksızın temerrüde düşen borçlu açısından, temerrüt nedeniyle gecikme tazminatı ödeme zorunluluğu ortadan kalkacaktır.`
`Hukuk Genel Kurulu 2024/763 E., 2024/590 K. sayılı Yargıtay HGK kararında İtirazın İptali Davası; Temyizde Kesinlik Sınırı uyuşmazlığı bakımından temel değerlendirme nedir?`	Hukuk Genel Kurulu 2024/763 E., 2024/590 K. " İçtihat Metni[object Object]" İNCELENEN KARARIN MAHKEMESİ: Konya Bölge Adliye Mahkemesi 5. Hukuk Dairesi SAYISI: 2023/39 E., 2023/89 K. Taraflar arasındaki itirazın iptali davasından dolayı yapılan yargılama sonunda, İlk Derece Mahkemesince davanın kabulüne karar verilmiştir. Kararın davalı vekili tarafından istinaf edilmesi üzerine Bölge Adliye Mahkemesince istinaf başvurusunun kabulü ile İlk Derece Mahkemesi kararı kaldırılarak yeniden esas hakkında hüküm kurulmak suretiyle davanın reddine karar verilmiştir. Bölge Adliye Mahkemesi kararı, davacı vekili tarafından temyiz edilmesi üzerine Yargıtay 3. Hukuk Dairesince yapılan inceleme sonunda bozulmuş, Bölge Adliye Mahkemesi tarafından Özel Daire bozma kararına karşı direnilmiştir. Direnme kararı davacı vekili tarafından temyiz edilmekle, yapılan inceleme sonunda gereği düşünüldü: Miktar veya değeri kesinlik sınırını geçmeyen davalara ilişkin nihai kararlar, 6100 sayılı Hukuk Muhakemeleri Kanunu’nun 362 n...	HUKUK GENEL KURULU KARARI[object Object]Hukuk Genel Kurulunca incelenerek direnme kararının süresinde temyiz edildiği anlaşıldıktan ve dosyadaki kağıtlar okunduktan sonra gereği görüşüldü: Dava; ihalenin feshi istemine ilişkindir. Davacı- borçlu şirket yetkilisi, şirketi aleyhine yapılan icra takibi sırasında, şirket adına kayıtlı işyerinin açık artırma ile satışına karar verildiğini, ancak satış işlemlerinin usulüne uygun yapılmadığını ileri sürerek, 05.03.2012 günlü ihalenin iptalini talep ve dava etmiştir. Davalı-alacaklı vekili, davanın reddini savunmuştur. Mahkemece, şikayete konu ihale hazırlık işlemleri ile yapılan ihalenin yasaya uygun olduğundan bahisle davanın reddine, dava açmada ilk etapta davayı haklı gösterebilecek şekli eksiklikler olduğu kanaati oluşabileceğinden ve bu[object Object]eksikliklerin olmadığı ancak yargılamayla anlaşıldığından, davacı kesin kötüniyetli olmadığından davacının %10 para cezası ile sorumlu tutulmasına yer olmadığına dair verilen karar, davacı vekilinin temyizi üzerine, Öz...

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

Training Hyperparameters

Non-Default Hyperparameters

eval_strategy: steps
per_device_train_batch_size: 2
per_device_eval_batch_size: 2
num_train_epochs: 2
fp16: True
multi_dataset_batch_sampler: round_robin

All Hyperparameters

Click to expand

overwrite_output_dir: False
do_predict: False
eval_strategy: steps
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: 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: 2
max_steps: -1
lr_scheduler_type: linear
lr_scheduler_kwargs: None
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: 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}
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

Training Logs

Epoch	Step	Training Loss	val_legal_cosine_ndcg@10
0.2495	231	-	0.6340
0.4989	462	-	0.6512
0.5400	500	0.3187	-
0.7484	693	-	0.6746
0.9978	924	-	0.6847
1.0	926	-	0.6802
1.0799	1000	0.1867	-
1.2473	1155	-	0.6339
1.4968	1386	-	0.6615
1.6199	1500	0.0637	-
1.7462	1617	-	0.6670
1.9957	1848	-	0.6533
2.0	1852	-	0.6551

Framework Versions

Python: 3.12.13
Sentence Transformers: 3.3.1
Transformers: 4.57.6
PyTorch: 2.10.0+cu128
Accelerate: 1.13.0
Datasets: 4.8.5
Tokenizers: 0.22.2

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