This is a sentence-transformers model finetuned from jinaai/jina-embeddings-v5-text-nano-retrieval. 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: jinaai/jina-embeddings-v5-text-nano-retrieval
Maximum Sequence Length: 512 tokens
Output Dimensionality: 768 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': 512, 'do_lower_case': False}) with Transformer model: EuroBertModel 
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': False, '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': True, '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("trunghieu1206/jina-embeddings-v5-text-nano-retrieval-vn-legal-lora-2026-04-28-19-05")
# Run inference
sentences = [
    'Vào khoảng 15 giờ 30 phút ngày 23/12/2025, Võ Thị Thu P dùng áo thun che camera, đột nhập vào phòng trọ của bà Nguyễn Thị C và lấy trộm một con heo đất bằng gốm sứ chứa số tiền 13.200.000 đồng, tổng giá trị tài sản chiếm đoạt là 13.242.500 đồng.',
    'Điều 173 | Tội trộm cắp tài sản | 1.[94] Người nào trộm cắp tài sản của người khác trị giá từ 2.000.000 đồng đến dưới 50.000.000 đồng hoặc dưới 2.000.000 đồng nhưng thuộc một trong các trường hợp sau đây, thì bị phạt cải tạo không giam giữ đến 03 năm hoặc phạt tù từ 06 tháng đến 03 năm:\na) Đã bị xử phạt vi phạm hành chính về hành vi chiếm đoạt tài sản mà còn vi phạm;\nb) Đã bị kết án về tội này hoặc về một trong các tội quy định tại các điều 168, 169, 170, 171, 172, 174, 175 và 290 của Bộ luật này, chưa được xóa án tích mà còn vi phạm;\nc) Gây ảnh hưởng xấu đến an ninh, trật tự, an toàn xã hội;\nd) Tài sản là phương tiện kiếm sống chính của người bị hại và gia đình họ;\nđ) Tài sản là di vật, cổ vật.\n2.[95] Phạm tội thuộc một trong các trường hợp sau đây, thì bị phạt tù từ 02 năm đến 07 năm:\na) Có tổ chức;\nb) Có tính chất chuyên nghiệp;\nc) Chiếm đoạt tài sản trị giá từ 50.000.000 đồng đến dưới 200.000.000 đồng;\nd) Dùng thủ đoạn xảo quyệt, nguy hiểm;\nđ) Hành hung để tẩu thoát;\ne) Tài sản là bảo vật quốc gia;\ng) Tái phạm nguy hiểm.\n3.[96] Phạm tội thuộc một trong các trường hợp sau đây, thì bị phạt tù từ 07 năm đến 15 năm:\na) Chiếm đoạt tài sản trị giá từ 200.000.000 đồng đến dưới 500.000.000 đồng;\nb) Lợi dụng thiên tai, dịch bệnh.\n4.[97] Phạm tội thuộc một trong các trường hợp sau đây, thì bị phạt tù từ 12 năm đến 20 năm:\na) Chiếm đoạt tài sản trị giá 500.000.000 đồng trở lên;\nb) Lợi dụng hoàn cảnh chiến tranh, tình trạng khẩn cấp.\n5. Người phạm tội còn có thể bị phạt tiền từ 5.000.000 đồng đến 50.000.000 đồng.',
    'Điều 51 | Các tình tiết giảm nhẹ trách nhiệm hình sự | 1. Các tình tiết sau đây là tình tiết giảm nhẹ trách nhiệm hình sự:\na) Người phạm tội đã ngăn chặn hoặc làm giảm bớt tác hại của tội phạm;\nb) Người phạm tội tự nguyện sửa chữa, bồi thường thiệt hại hoặc khắc phục hậu quả;\nc) Phạm tội trong trường hợp vượt quá giới hạn phòng vệ chính đáng;\nd) Phạm tội trong trường hợp vượt quá yêu cầu của tình thế cấp thiết;\nđ) Phạm tội trong trường hợp vượt quá mức cần thiết khi bắt giữ người phạm tội;\ne) Phạm tội trong trường hợp bị kích động về tinh thần do hành vi trái pháp luật của nạn nhân gây ra;\ng) Phạm tội vì hoàn cảnh đặc biệt khó khăn mà không phải do mình tự gây ra;\nh) Phạm tội nhưng chưa gây thiệt hại hoặc gây thiệt hại không lớn;\ni) Phạm tội lần đầu và thuộc trường hợp ít nghiêm trọng;\nk) Phạm tội vì bị người khác đe dọa hoặc cưỡng bức;\nl) Phạm tội trong trường hợp bị hạn chế khả năng nhận thức mà không phải do lỗi của mình gây ra;\nm) Phạm tội do lạc hậu;\nn) Người phạm tội là phụ nữ có thai;\no) Người phạm tội là người đủ 70 tuổi trở lên;\np) Người phạm tội là người khuyết tật nặng hoặc khuyết tật đặc biệt nặng;\nq) Người phạm tội là người có bệnh bị hạn chế khả năng nhận thức hoặc khả năng điều khiển hành vi của mình;\nr) Người phạm tội tự thú;\ns)[14] Người phạm tội thành khẩn khai báo, ăn năn hối cải;\nt)[15] Người phạm tội tích cực hợp tác với cơ quan có trách nhiệm trong việc phát hiện tội phạm hoặc trong quá trình giải quyết vụ án;\nu) Người phạm tội đã lập công chuộc tội;\nv) Người phạm tội là người có thành tích xuất sắc trong sản xuất, chiến đấu, học tập hoặc công tác;\nx)[16] Người phạm tội là người có công với cách mạng hoặc là cha, mẹ, vợ, chồng, con của liệt sĩ.\n2. Khi quyết định hình phạt, Tòa án có thể coi đầu thú hoặc tình tiết khác là tình tiết giảm nhẹ, nhưng phải ghi rõ lý do giảm nhẹ trong bản án.\n3. Các tình tiết giảm nhẹ đã được Bộ luật này quy định là dấu hiệu định tội hoặc định khung thì không được coi là tình tiết giảm nhẹ trong khi quyết định hình phạt.',
]
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

Dataset: legal-ir-fulltext
Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.321
cosine_accuracy@3	0.6161
cosine_accuracy@5	0.7306
cosine_accuracy@10	0.8516
cosine_precision@1	0.321
cosine_precision@5	0.1461
cosine_precision@10	0.0852
cosine_recall@1	0.321
cosine_recall@5	0.7306
cosine_recall@10	0.8516
cosine_ndcg@1	0.321
cosine_ndcg@5	0.5422
cosine_ndcg@10	0.5813
cosine_mrr@1	0.321
cosine_mrr@5	0.4792
cosine_mrr@10	0.4953
cosine_map@100	0.5015

Training Details

Training Dataset

Unnamed Dataset

Size: 4,119 training samples
Columns: anchor and positive
Approximate statistics based on the first 1000 samples:
anchor positive
type string string
details
min: 15 tokens
mean: 72.96 tokens
max: 190 tokens
min: 57 tokens
mean: 385.33 tokens
max: 512 tokens

Samples:

anchor	positive
`Trong quá trình điều tra, truy tố và xét xử, bị cáo Lê Thanh Th thành khẩn khai báo và gia đình bị cáo thuộc hộ cận nghèo.`	`Điều 51`
`Ngày 26/01/2021, Nguyễn Văn L nhặt được 0,320 gam ma túy loại MDMA rồi cất giấu vào túi quần. Đến 03 giờ 00 phút ngày 27/01/2021, khi L mang theo số ma túy này đi bộ đến cửa quán Karaoke “Style” tại huyện Việt Yên, tỉnh Bắc Giang thì bị lực lượng Cảnh sát cơ động kiểm tra và phát hiện.`	`Điều 249`
`Phan Đình H có tiền án tại Bản án 82/2022/HSST ngày 27/9/2022 của Tòa án nhân dân huyện Bến Cầu, tỉnh Tây Ninh, bị xử phạt 01 năm tù.`	`Điều 52`

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

Evaluation Dataset

Unnamed Dataset

Size: 620 evaluation samples
Columns: anchor and positive
Approximate statistics based on the first 620 samples:
anchor positive
type string string
details
min: 15 tokens
mean: 73.38 tokens
max: 214 tokens
min: 54 tokens
mean: 377.25 tokens
max: 512 tokens

Samples:

anchor	positive
`Đào Văn Ch là người đồng bào dân tộc thiểu số sinh sống tại vùng kinh tế - xã hội đặc biệt khó khăn.`	`Điều 36`
`Bị cáo Trần Văn C thành khẩn khai báo, ăn năn hối cải về hành vi phạm tội và được bị hại là chị Trần Thị T xin giảm nhẹ hình phạt.`	`Điều 51`
`Ngô Quang T điều khiển xe mô tô biển kiểm soát 16K8-8147 trong tình trạng có nồng độ cồn 0,661 miligam/1lít khí thở, va chạm với bà Lê Thị H đang đi bộ cùng chiều khiến bà H bị thương và tử vong vào ngày 23/11/2016 do sốc chấn thương sọ não.`	`Điều 202`

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

Training Hyperparameters

Non-Default Hyperparameters

eval_strategy: epoch
per_device_eval_batch_size: 32
gradient_accumulation_steps: 4
learning_rate: 0.0002
warmup_ratio: 0.1
fp16: True
load_best_model_at_end: True

All Hyperparameters

Click to expand

overwrite_output_dir: False
do_predict: False
eval_strategy: epoch
prediction_loss_only: True
per_device_train_batch_size: 8
per_device_eval_batch_size: 32
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: 3
max_steps: -1
lr_scheduler_type: linear
lr_scheduler_kwargs: None
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_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: proportional

Training Logs

Epoch	Step	Validation Loss	legal-ir-fulltext_cosine_ndcg@10
1.0	65	1.8709	0.5252
2.0	130	1.7769	0.5790
3.0	195	1.757	0.5813

The bold row denotes the saved checkpoint.

Framework Versions

Python: 3.12.12
Sentence Transformers: 3.3.1
Transformers: 4.57.6
PyTorch: 2.10.0+cu128
Accelerate: 1.12.0
Datasets: 4.8.3
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

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: 15 tokens mean: 72.96 tokens max: 190 tokens	min: 57 tokens mean: 385.33 tokens max: 512 tokens