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: 8192 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': 8192, 'do_lower_case': False, 'architecture': '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("thaiquangphat/edukg_retrieval")
# Run inference
sentences = [
    'John thuộc về truyền_thống nào ?',
    'John thuộc học_viện nào ?',
    'Tại_sao Giăng không có truyền_thống ?',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 1024]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities)
# tensor([[1.0000, 0.8059, 0.0845],
#         [0.8059, 1.0000, 0.0498],
#         [0.0845, 0.0498, 1.0000]])

Evaluation

Metrics

Triplet

Dataset: all-nli-dev
Evaluated with TripletEvaluator

Metric	Value
cosine_accuracy	0.935

Training Details

Training Dataset

Unnamed Dataset

Size: 8,352 training samples
Columns: anchor, positive, and negative
Approximate statistics based on the first 1000 samples:
anchor positive negative
type string string string
details
min: 6 tokens
mean: 43.17 tokens
max: 257 tokens
min: 5 tokens
mean: 27.46 tokens
max: 202 tokens
min: 6 tokens
mean: 26.41 tokens
max: 205 tokens

Samples:

anchor	positive	negative
`Trong thời_gian bình_luận , APHIS cũng tổ_chức bốn phiên điều_trần công_khai trong đó nhận được bình_luận bằng miệng và bằng văn_bản .`	`APHIS đã tổ_chức hơn ba phiên điều_trần công_khai trong thời_gian bình_luận .`	`APHIS đã tổ_chức hơn năm phiên điều_trần công_khai trong thời_gian bình_luận .`
`Nếu họ có bất_kỳ manh_mối nào , hay 103 thì toàn_bộ việc sẽ vẫn nằm trong danh_mục tội_phạm chưa được phát_hiện ?`	`Họ có thật_sự nghĩ rằng nó sẽ được giấu kín không ?`	`Họ không nghĩ rằng nó sẽ không được phát_hiện , trên thực_tế họ biết nó sẽ được phát_hiện .`
`Không , tôi nhớ khi tôi đang học đại_học tôi cũng không có thời_gian để làm những thứ đó .`	`Khi tôi đang học đại_học , tôi cũng không có thời_gian để làm những việc như_vậy .`	`Khi tôi đang học đại_học , tôi có nhiều thời_gian để làm những việc như_vậy .`

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

Evaluation Dataset

Unnamed Dataset

Size: 2,088 evaluation samples
Columns: anchor, positive, and negative
Approximate statistics based on the first 1000 samples:
anchor positive negative
type string string string
details
min: 4 tokens
mean: 43.69 tokens
max: 263 tokens
min: 6 tokens
mean: 26.61 tokens
max: 160 tokens
min: 6 tokens
mean: 26.41 tokens
max: 197 tokens

Samples:

anchor	positive	negative
`Năm 1982 và 1983 , de Kooning , không bị phân tâm bởi một thế_giới bên ngoài mà anh ta không_thể hiểu được nữa , vẽ với tốc_độ chưa từng có , hoàn_thành gần một bức tranh một tuần .`	`De Kooning vẽ khoảng 50 bức tranh mỗi năm trong năm 1982 và 1983 .`	`De Kooning không vẽ bất_kỳ bức tranh nào trong những năm 1980 .`
`Uh một_chút ừ ừ`	`Chỉ một_chút thôi .`	`Chắc_chắn là rất nhiều .`
`Bạn có sử_dụng rất nhiều thẻ tín_dụng hoặc tài_khoản thanh_toán của bạn khi bạn ra ngoài và mua những thứ`	`Bạn có thường dùng thẻ tín_dụng để mua_sắm hay bạn thích sử_dụng tài_khoản thanh_toán của mình ?`	`Tôi không muốn biết nếu bạn sử_dụng thẻ tín_dụng hoặc tài_khoản thanh_toán của bạn .`

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

Training Hyperparameters

Non-Default Hyperparameters

eval_strategy: steps
per_device_train_batch_size: 4
per_device_eval_batch_size: 4
learning_rate: 1e-05
num_train_epochs: 5
warmup_ratio: 0.1
fp16: True
load_best_model_at_end: True
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: 4
per_device_eval_batch_size: 4
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: 1e-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: 5
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: 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: 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}
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: no_duplicates
multi_dataset_batch_sampler: proportional
router_mapping: {}
learning_rate_mapping: {}

Training Logs

Epoch	Step	Training Loss	Validation Loss	all-nli-dev_cosine_accuracy
0.0005	1	0.5395	-	-
0.0479	100	0.3501	-	-
0.0958	200	0.3403	-	-
0.1437	300	0.2836	-	-
0.1916	400	0.2915	-	-
0.2395	500	0.3073	-	-
0.2874	600	0.3386	-	-
0.3352	700	0.273	-	-
0.3831	800	0.271	-	-
0.4310	900	0.264	-	-
0.4789	1000	0.3396	0.2744	0.9200
0.5268	1100	0.2826	-	-
0.5747	1200	0.2761	-	-
0.6226	1300	0.2394	-	-
0.6705	1400	0.2768	-	-
0.7184	1500	0.2574	-	-
0.7663	1600	0.2854	-	-
0.8142	1700	0.3389	-	-
0.8621	1800	0.3172	-	-
0.9100	1900	0.3292	-	-
0.9579	2000	0.21	0.3338	0.9290
1.0057	2100	0.2504	-	-
1.0536	2200	0.1347	-	-
1.1015	2300	0.1377	-	-
1.1494	2400	0.1718	-	-
1.1973	2500	0.1623	-	-
1.2452	2600	0.1232	-	-
1.2931	2700	0.1777	-	-
1.3410	2800	0.1279	-	-
1.3889	2900	0.1391	-	-
1.4368	3000	0.1176	0.3022	0.9290
1.4847	3100	0.136	-	-
1.5326	3200	0.1753	-	-
1.5805	3300	0.1605	-	-
1.6284	3400	0.1475	-	-
1.6762	3500	0.159	-	-
1.7241	3600	0.1709	-	-
1.7720	3700	0.131	-	-
1.8199	3800	0.1507	-	-
1.8678	3900	0.0933	-	-
1.9157	4000	0.1253	0.2923	0.9300
1.9636	4100	0.1527	-	-
2.0115	4200	0.1645	-	-
2.0594	4300	0.0759	-	-
2.1073	4400	0.0309	-	-
2.1552	4500	0.0389	-	-
2.2031	4600	0.0233	-	-
2.2510	4700	0.0364	-	-
2.2989	4800	0.0423	-	-
2.3467	4900	0.0506	-	-
2.3946	5000	0.0766	0.3016	0.9350

Framework Versions

Python: 3.12.9
Sentence Transformers: 5.2.0
Transformers: 4.57.3
PyTorch: 2.7.1+cu118
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",
}

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	negative
type	string	string	string
details	min: 6 tokens mean: 43.17 tokens max: 257 tokens	min: 5 tokens mean: 27.46 tokens max: 202 tokens	min: 6 tokens mean: 26.41 tokens max: 205 tokens