This is a sentence-transformers model finetuned from BAAI/bge-m3 on the vietnamese-medical-qa dataset. 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: 8192 tokens
Output Dimensionality: 1024 dimensions
Similarity Function: Cosine Similarity
Training Dataset:
- vietnamese-medical-qa
Language: vi

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: PeftModelForFeatureExtraction 
  (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("doanbao/bge-m3-medical-vn-lora-v2")
# Run inference
sentences = [
    'Chào bác sĩ,\nEm bị viêm tai thanh dịch. Vậy bác sĩ cho em hỏi viêm tai thanh dịch có thể điều trị được không? Bệnh này có tự hết không hay bắt buộc phải uống thuốc mỗi lần bị viêm? Em cảm ơn bác sĩ.',
    'Chào bạn,\nĐể trả lời câu hỏi trên, bác sĩ xin giải đáp như sau:\nViêm tai thanh dịch là bệnh lý liên quan đến chức năng thông thoáng của vòi tai (là ống nối thông từ mũi tới tai). Đây là bệnh lý lành tính tuy nhiên việc điều trị cần phải theo dõi sát trong thời gian 1 - 3 tháng vì dịch ở trong tai tiêu chậm, đặc biệt ở người hút thuốc lá hoặc có tiền sử bệnh mũi.\nVì vậy, bạn nên đến thăm khám để nhân được kế hoạch điều trị và theo dõi cho dứt điểm tình trạng ứ dịch trong tai.\nTrân trọng!',
    'Chào bạn,\nĐể trả lời câu hỏi trên, bác sĩ xin giải đáp như sau:\nKhó thở không phải là bệnh mà nó là triệu chứng bệnh phổ biến liên quan đến vấn đề sức khỏe nghiêm trọng. Biểu hiện này tồn tại dưới dạng cấp tính hoặc mãn tính. Khó thở có thể là triệu chứng của nhiều bệnh lý hô hấp, tim mạch hoặc ở 1 số cơ quan khác và cũng không loại trừ nguyên nhân rối loạn lo âu tổng quát.\nBạn cần đi khám bác sĩ để được tầm soát những nguyên nhân bệnh gây nên tình trạng khó thở để được điều trị hiệu quả.\nTrân trọng!',
]
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]

Training Details

Training Dataset

vietnamese-medical-qa

Dataset: vietnamese-medical-qa at 6201315
Size: 18,670 training samples
Columns: anchor and positive
Approximate statistics based on the first 1000 samples:
anchor positive
type string string
details
min: 6 tokens
mean: 73.18 tokens
max: 230 tokens
min: 24 tokens
mean: 197.0 tokens
max: 2051 tokens

Samples:

anchor	positive
`Chào bác sĩ,[object Object]Răng cháu hiện tại có mủ ở dưới lợi nhưng khi đau cháu sẽ không ngủ được (quá đau). Tuy nhiên chỉ vài ngày là hết mà thỉnh thoảng nó lại bị đau. Chị cháu bảo là trước chị cháu cũng bị như vậy chỉ là đau răng tuổi dậy thì thôi. Bác sĩ cho cháu hỏi đau răng kèm có mủ dưới lợi là bệnh gì? Cháu có cần đi chữa trị không? Cháu cảm ơn.`	`Chào bạn,[object Object]Để trả lời câu hỏi trên, bác sĩ xin giải đáp như sau:[object Object]Răng bạn hiện tại có mủ dưới lợi gây đau nhức nhiều. Bạn có thể đến phòng khám răng hàm mặt bệnh viện để được thăm khám, chụp phim và tư vấn cho bạn được chính xác[object Object]Trân trọng!`
Chào bác sĩ,[object Object]Em thấy mặt dưới, phía cuống lưỡi của mình có 2 nốt mụn nhỏ, đỏ xung quanh, ở giữa có nhân trắng, đau nhẹ khi dùng đầu lưỡi chạm vào. Đồng thời, phía cuống lưỡi mặt trên cũng có các nốt lớn nổi lên, không gây đau. Bác sĩ cho em hỏi cuống lưỡi nổi mụn nhỏ là dấu hiệu bệnh gì? Có phải em đang mắc bệnh gì không hay chỉ bị nhiệt miệng bình thường? Em cảm ơn bác sĩ.	Chào bạn,[object Object]Để trả lời câu hỏi trên, bác sĩ xin giải đáp như sau:[object Object]Triệu chứng nốt mụn đỏ vùng dưới lưỡi, đau khi chạm vào gợi ý tình trạng mụn viêm vùng lưỡi, nếu nốt mụn không to thêm và tự hết trong 7-10 ngày thì bạn không cần quá lo lắng.[object Object]Trong trường hợp nốt mụn to dần hoặc nốt mụn tồn tại trên 02 tuần không hết thì bạn cần đến bác sĩ để khám kiểm tra. Đối với các nốt lớn mặt trên lưỡi thì bạn có thể đến phòng khám Tai mũi họng để bác sĩ khám kiểm tra và tư vấn cụ thể hơn.[object Object]Trân trọng!
Chào bác sĩ,[object Object]Từ tháng 4/2020, em mới xuất hiện lần đầu triệu chứng viêm amidan có mủ và sốt. Tuy nhiên, kể từ thời gian đó trở đi, bệnh tái phát nhiều lần (khoảng 1,2 tháng bị 01 lần), nhất là sau khi bị cảm tình trạng viêm nặng hơn lúc bình thường (sốt và có mủ, không tự khỏi được). Tình trạng trên ảnh hưởng rất nhiều đến sức khỏe và sinh hoạt của bản thân. Bác sĩ cho em hỏi viêm amidan có mủ kèm sốt tái phát nhiều lần phải làm sao? Em có nguy cơ bị ung thư vòm họng không? Em cảm ơn.	Chào bạn,[object Object]Để trả lời câu hỏi trên, bác sĩ xin giải đáp như sau:[object Object]Các triệu chứng sốt, đau họng, amidan có mủ tái đi tái lại nhiều lần gợi ý tình trạng viêm amidan mạn. Tình trạng viêm amidan của chị tái đi tái lại thường xuyên, ảnh hưởng nhiều đến sức khỏe và sinh hoạt bản thân do đó có chỉ định cắt amidan để điều trị hiệu quả tình trạng trên.[object Object]Viêm amidan mạn không phải là nguy cơ ung thư vòm họng, tuy vậy bạn nên đến phòng khám Tai mũi họng để khám, nội soi kiểm tra nhằm xác định có đúng là chị đang có tình trạng viêm amidan mạn hay không, đồng thời tầm soát thêm một số nguyên nhân gây sốt, đau họng khác.[object Object]Trân trọng!

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

Training Hyperparameters

Non-Default Hyperparameters

per_device_train_batch_size: 16
gradient_accumulation_steps: 4
learning_rate: 0.0002
num_train_epochs: 1
fp16: True

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: 8
per_gpu_train_batch_size: None
per_gpu_eval_batch_size: None
gradient_accumulation_steps: 4
eval_accumulation_steps: None
torch_empty_cache_steps: None
learning_rate: 0.0002
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: 0.0
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
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: proportional

Training Logs

Click to expand

Epoch	Step	Training Loss
0.0086	10	0.4403
0.0171	20	0.2183
0.0257	30	0.1949
0.0343	40	0.2547
0.0428	50	0.1662
0.0514	60	0.1458
0.0600	70	0.2065
0.0686	80	0.0917
0.0771	90	0.1387
0.0857	100	0.1519
0.0943	110	0.1133
0.1028	120	0.2258
0.1114	130	0.2272
0.1200	140	0.2088
0.1285	150	0.1589
0.1371	160	0.2538
0.1457	170	0.1861
0.1542	180	0.1988
0.1628	190	0.1534
0.1714	200	0.1331
0.1799	210	0.1462
0.1885	220	0.0925
0.1971	230	0.1696
0.2057	240	0.1396
0.2142	250	0.1326
0.2228	260	0.1317
0.2314	270	0.1152
0.2399	280	0.1514
0.2485	290	0.0906
0.2571	300	0.1191
0.2656	310	0.0698
0.2742	320	0.2159
0.2828	330	0.1619
0.2913	340	0.0991
0.2999	350	0.2041
0.3085	360	0.1579
0.3171	370	0.1065
0.3256	380	0.0851
0.3342	390	0.1704
0.3428	400	0.1371
0.3513	410	0.1414
0.3599	420	0.1365
0.3685	430	0.2702
0.3770	440	0.0965
0.3856	450	0.0991
0.3942	460	0.1276
0.4027	470	0.1285
0.4113	480	0.1738
0.4199	490	0.0737
0.4284	500	0.0931
0.4370	510	0.1889
0.4456	520	0.1346
0.4542	530	0.1301
0.4627	540	0.0781
0.4713	550	0.1173
0.4799	560	0.1187
0.4884	570	0.1328
0.4970	580	0.1245
0.5056	590	0.0779
0.5141	600	0.1138
0.5227	610	0.1731
0.5313	620	0.1222
0.5398	630	0.0772
0.5484	640	0.1536
0.5570	650	0.1665
0.5656	660	0.0668
0.5741	670	0.0981
0.5827	680	0.0799
0.5913	690	0.1256
0.5998	700	0.0771
0.6084	710	0.0892
0.6170	720	0.1019
0.6255	730	0.1224
0.6341	740	0.1439
0.6427	750	0.0582
0.6512	760	0.0793
0.6598	770	0.0797
0.6684	780	0.1365
0.6769	790	0.1033
0.6855	800	0.1702
0.6941	810	0.1174
0.7027	820	0.0848
0.7112	830	0.0893
0.7198	840	0.0614
0.7284	850	0.119
0.7369	860	0.134
0.7455	870	0.0723
0.7541	880	0.0867
0.7626	890	0.108
0.7712	900	0.0721
0.7798	910	0.0645
0.7883	920	0.0846
0.7969	930	0.082
0.8055	940	0.1308
0.8141	950	0.069
0.8226	960	0.1099
0.8312	970	0.0963
0.8398	980	0.0582
0.8483	990	0.1116
0.8569	1000	0.0772
0.8655	1010	0.1055
0.8740	1020	0.1024
0.8826	1030	0.0702
0.8912	1040	0.0566
0.8997	1050	0.1006
0.9083	1060	0.1019
0.9169	1070	0.0843
0.9254	1080	0.0689
0.9340	1090	0.1176
0.9426	1100	0.1219
0.9512	1110	0.0773
0.9597	1120	0.1095
0.9683	1130	0.1082
0.9769	1140	0.0953
0.9854	1150	0.1239
0.9940	1160	0.1302
0.0343	10	0.0692
0.0686	20	0.0435
0.1028	30	0.0433
0.1371	40	0.0731
0.1714	50	0.0442
0.2057	60	0.0346
0.2399	70	0.0322
0.2742	80	0.029
0.3085	90	0.0371
0.3428	100	0.0298
0.3770	110	0.056
0.4113	120	0.0378
0.4456	130	0.0493
0.4799	140	0.031
0.5141	150	0.0295
0.5484	160	0.0554
0.5827	170	0.0329
0.6170	180	0.0356
0.6512	190	0.0408
0.6855	200	0.0547
0.7198	210	0.0422
0.7541	220	0.0508
0.7883	230	0.0453
0.8226	240	0.0563
0.8569	250	0.0546
0.8912	260	0.054
0.9254	270	0.0656
0.9597	280	0.0735
0.9940	290	0.106

Framework Versions

Python: 3.11.13
Sentence Transformers: 4.1.0
Transformers: 4.57.3
PyTorch: 2.6.0+cu124
Accelerate: 1.9.0
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",
}

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}
}

	anchor	positive
type	string	string
details	min: 6 tokens mean: 73.18 tokens max: 230 tokens	min: 24 tokens mean: 197.0 tokens max: 2051 tokens