Edit model card

SentenceTransformer based on BAAI/bge-m3

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: 512 tokens
  • Output Dimensionality: 1024 tokens
  • Similarity Function: Cosine Similarity

Model Sources

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, '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.

from sentence_transformers import SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("comet24082002/ft_bge_newLaw_OnlineContrastiveLoss_V1_5epochs")
# Run inference
sentences = [
    'Tàu cá không thực hiện đánh dấu theo quy định có thể bị xử phạt như thế nào?',
    'Vi phạm quy định về đánh dấu tàu cá\n1. Phạt tiền từ 3.000.000 đồng đến 5.000.000 đồng đối với hành vi không đánh dấu nhận biết tàu cá hoặc đánh dấu sai quy định trong trường hợp sử dụng tàu cá có chiều dài lớn nhất từ 12 mét đến dưới 15 mét để khai thác thủy sản.\n2. Phạt tiền từ 5.000.000 đồng đến 7.000.000 đồng đối với hành vi không đánh dấu nhận biết tàu cá hoặc đánh dấu sai quy định trong trường hợp sử dụng tàu cá có chiều dài lớn nhất từ 15 mét đến dưới 24 mét để khai thác thủy sản.\n3. Phạt tiền từ 7.000.000 đồng đến 10.000.000 đồng đối với hành vi không đánh dấu nhận biết tàu cá hoặc đánh dấu sai quy định trong trường hợp sử dụng tàu cá có chiều dài lớn nhất từ 24 mét trở lên để khai thác thủy sản.',
    'Đại hội toàn thể hội viên và Đại hội bất thường\n...\n2. Nhiệm vụ chính của Đại hội:\na) Thảo luận, thông qua các báo cáo hoạt động của nhiệm kỳ trước, đề ra phương hướng hoạt động nhiệm kỳ mới của Hiệp hội;\nb) Thông qua những điểm bổ sung hoặc sửa đổi Điều lệ của Hiệp hội;\nc) Thảo luận và quyết định một số vấn đề quan trọng của Hiệp hội vượt quá thẩm quyền giải quyết của Ban Chấp hành Hiệp hội;\nd) Bầu Ban Chấp hành Hiệp hội và Ban Kiểm tra Hiệp hội;\nđ) Thảo luận, phê duyệt quyết toán tài chính và thông qua kế hoạch tài chính khóa mới;\ne) Thảo luận, thông qua các vấn đề khác theo quy định của Điều lệ Hiệp hội.\n...',
]
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

Unnamed Dataset

  • Size: 10,524 training samples
  • Columns: sentence1, sentence2, and label
  • Approximate statistics based on the first 1000 samples:
    sentence1 sentence2 label
    type string string int
    details
    • min: 8 tokens
    • mean: 24.17 tokens
    • max: 46 tokens
    • min: 25 tokens
    • mean: 282.93 tokens
    • max: 512 tokens
    • 0: ~50.00%
    • 1: ~50.00%
  • Samples:
    sentence1 sentence2 label
    Nhân viên kiểm định của tổ chức kiểm định được chỉ định có bắt buộc phải có bằng đại học mới được cấp thẻ kiểm định viên đo lường không? Yêu cầu đối với nhân viên kiểm định để được chứng nhận, cấp thẻ kiểm định viên đo lường
    Nhân viên kiểm định của tổ chức kiểm định được chỉ định đáp ứng các yêu cầu sau đây được chứng nhận, cấp thẻ kiểm định viên đo lường:
    1. Tốt nghiệp trung cấp hoặc tương đương trở lên.
    2. Hoàn thành khóa đào tạo về kiểm định do Tổng cục tổ chức thực hiện tương ứng với lĩnh vực được chỉ định.
    3. Có ít nhất mười hai (12) tháng kinh nghiệm hoạt động kiểm định, hiệu chuẩn, thử nghiệm tương ứng với lĩnh vực được chỉ định.
    1
    Tái phạm hành vi công chứng, chứng thực văn bằng, chứng chỉ trái quy định thì Đảng viên sẽ bị xử lý thế nào? Hết thời hạn chấp hành quyết định áp dụng các biện pháp xử lý hành chính
    1. Khi người vi phạm đã chấp hành xong quyết định giáo dục tại xã, phường, thị trấn thì Chủ tịch Uỷ ban nhân dân cấp xã cấp giấy chứng nhận cho người đã chấp hành xong và gửi bản sao cho gia đình người đó.
    2. Khi người vi phạm đã chấp hành xong quyết định đưa vào trường giáo dưỡng, đưa vào cơ sở giáo dục bắt buộc, đưa vào cơ sở cai nghiện bắt buộc thì Hiệu trưởng trường giáo dưỡng, Giám đốc cơ sở giáo dục bắt buộc, Giám đốc cơ sở cai nghiện bắt buộc cấp giấy chứng nhận cho người đã chấp hành xong và gửi bản sao cho gia đình người đó, Tòa án nhân dân cấp huyện nơi đã ra quyết định, cơ quan quản lý trường giáo dưỡng, cơ sở giáo dục bắt buộc, cơ sở cai nghiện bắt buộc, Uỷ ban nhân dân cấp xã nơi người đó cư trú.
    3. Đối tượng không xác định được nơi cư trú là người chưa thành niên hoặc người ốm yếu không còn khả năng lao động thì sau khi hết hạn chấp hành biện pháp đưa vào trường giáo dưỡng, cơ sở giáo dục bắt buộc, cơ sở cai nghiện bắt buộc được đưa về cơ sở bảo trợ xã hội tại địa phương nơi trường giáo dưỡng, cơ sở giáo dục bắt buộc, cơ sở cai nghiện bắt buộc đóng trụ sở.
    0
    Quy định về các nguyên tắc quản lý hồ sơ vụ án trong hệ thống Tòa án nhân dân? "Điều 4. Nguyên tắc quản lý
    1. Việc quản lý hồ sơ vụ án trong hệ thống Tòa án nhân dân phải bảo đảm an toàn, nguyên vẹn và các nguyên tắc chung của hồ sơ nghiệp vụ; bảo đảm bí mật theo quy định của pháp luật và của Tòa án nhân dân tôi cao.
    2. Việc quản lý hồ sơ vụ án được thực hiện tập trung, thông nhất, khoa học, đầy đủ, chặt chẽ, kịp thời, không để bị hư hỏng, thất lạc. 3. Việc quản lý hồ sơ vụ án được thực hiện liên tục từ khi đơn vị, cá nhân lập hô sơ, nhận bàn giao hô sơ cho đên khi chuyên giao hô sơ cho đơn vị, cá nhân khác giải quyêt hoặc nộp vào Lưu trữ cơ quan."
    1
  • Loss: OnlineContrastiveLoss

Training Hyperparameters

Non-Default Hyperparameters

  • per_device_train_batch_size: 4
  • learning_rate: 2e-05
  • num_train_epochs: 5
  • warmup_ratio: 0.1

All Hyperparameters

Click to expand
  • overwrite_output_dir: False
  • do_predict: False
  • prediction_loss_only: True
  • per_device_train_batch_size: 4
  • per_device_eval_batch_size: 8
  • per_gpu_train_batch_size: None
  • per_gpu_eval_batch_size: None
  • gradient_accumulation_steps: 1
  • eval_accumulation_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: 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
  • no_cuda: False
  • use_cpu: False
  • use_mps_device: False
  • seed: 42
  • data_seed: None
  • jit_mode_eval: False
  • use_ipex: False
  • bf16: False
  • 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}
  • deepspeed: None
  • label_smoothing_factor: 0.0
  • optim: adamw_torch
  • optim_args: None
  • adafactor: False
  • group_by_length: False
  • length_column_name: length
  • 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: False
  • hub_always_push: False
  • gradient_checkpointing: False
  • gradient_checkpointing_kwargs: None
  • include_inputs_for_metrics: False
  • 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
  • dispatch_batches: None
  • split_batches: None
  • include_tokens_per_second: False
  • include_num_input_tokens_seen: False
  • neftune_noise_alpha: None
  • optim_target_modules: None
  • batch_sampler: batch_sampler
  • multi_dataset_batch_sampler: proportional

Training Logs

Click to expand
Epoch Step Training Loss
0.0190 50 0.1151
0.0380 100 0.0891
0.0570 150 0.0665
0.0760 200 0.074
0.0950 250 0.0431
0.1140 300 0.0578
0.1330 350 0.0851
0.1520 400 0.0569
0.1710 450 0.0648
0.1900 500 0.0678
0.2090 550 0.0484
0.2281 600 0.039
0.2471 650 0.0437
0.2661 700 0.0666
0.2851 750 0.0658
0.3041 800 0.0549
0.3231 850 0.0546
0.3421 900 0.0796
0.3611 950 0.0638
0.3801 1000 0.074
0.3991 1050 0.0838
0.4181 1100 0.0719
0.4371 1150 0.0761
0.4561 1200 0.0595
0.4751 1250 0.0803
0.4941 1300 0.0734
0.5131 1350 0.0875
0.5321 1400 0.0755
0.5511 1450 0.0694
0.5701 1500 0.079
0.5891 1550 0.0871
0.6081 1600 0.071
0.6271 1650 0.0989
0.6461 1700 0.081
0.6651 1750 0.0705
0.6842 1800 0.0861
0.7032 1850 0.0859
0.7222 1900 0.0818
0.7412 1950 0.062
0.7602 2000 0.0796
0.7792 2050 0.0996
0.7982 2100 0.0772
0.8172 2150 0.0832
0.8362 2200 0.0818
0.8552 2250 0.0961
0.8742 2300 0.0784
0.8932 2350 0.0945
0.9122 2400 0.0608
0.9312 2450 0.075
0.9502 2500 0.0867
0.9692 2550 0.0902
0.9882 2600 0.0657
1.0072 2650 0.0616
1.0262 2700 0.093
1.0452 2750 0.0684
1.0642 2800 0.0632
1.0832 2850 0.0513
1.1022 2900 0.0471
1.1212 2950 0.0815
1.1403 3000 0.051
1.1593 3050 0.0741
1.1783 3100 0.0461
1.1973 3150 0.0585
1.2163 3200 0.0592
1.2353 3250 0.0403
1.2543 3300 0.072
1.2733 3350 0.0582
1.2923 3400 0.08
1.3113 3450 0.0708
1.3303 3500 0.0447
1.3493 3550 0.0607
1.3683 3600 0.0522
1.3873 3650 0.0731
1.4063 3700 0.0992
1.4253 3750 0.0582
1.4443 3800 0.068
1.4633 3850 0.0691
1.4823 3900 0.052
1.5013 3950 0.0632
1.5203 4000 0.0616
1.5393 4050 0.0619
1.5583 4100 0.0574
1.5773 4150 0.0635
1.5964 4200 0.0638
1.6154 4250 0.0564
1.6344 4300 0.0613
1.6534 4350 0.0636
1.6724 4400 0.064
1.6914 4450 0.0919
1.7104 4500 0.0576
1.7294 4550 0.0356
1.7484 4600 0.0719
1.7674 4650 0.0633
1.7864 4700 0.0504
1.8054 4750 0.0832
1.8244 4800 0.0571
1.8434 4850 0.0491
1.8624 4900 0.0388
1.8814 4950 0.0678
1.9004 5000 0.0518
1.9194 5050 0.0847
1.9384 5100 0.0556
1.9574 5150 0.0487
1.9764 5200 0.0661
1.9954 5250 0.0602
2.0144 5300 0.0426
2.0334 5350 0.0489
2.0525 5400 0.0425
2.0715 5450 0.0425
2.0905 5500 0.0431
2.1095 5550 0.0494
2.1285 5600 0.0425
2.1475 5650 0.0426
2.1665 5700 0.0255
2.1855 5750 0.0571
2.2045 5800 0.0448
2.2235 5850 0.0448
2.2425 5900 0.0393
2.2615 5950 0.0491
2.2805 6000 0.0554
2.2995 6050 0.043
2.3185 6100 0.0455
2.3375 6150 0.0479
2.3565 6200 0.0376
2.3755 6250 0.0446
2.3945 6300 0.04
2.4135 6350 0.0456
2.4325 6400 0.033
2.4515 6450 0.0392
2.4705 6500 0.0416
2.4895 6550 0.0349
2.5086 6600 0.0358
2.5276 6650 0.039
2.5466 6700 0.0366
2.5656 6750 0.0338
2.5846 6800 0.04
2.6036 6850 0.0462
2.6226 6900 0.0356
2.6416 6950 0.0377
2.6606 7000 0.0321
2.6796 7050 0.0429
2.6986 7100 0.0313
2.7176 7150 0.0549
2.7366 7200 0.0326
2.7556 7250 0.0571
2.7746 7300 0.0366
2.7936 7350 0.0439
2.8126 7400 0.054
2.8316 7450 0.0446
2.8506 7500 0.049
2.8696 7550 0.0407
2.8886 7600 0.0268
2.9076 7650 0.0394
2.9266 7700 0.034
2.9456 7750 0.0482
2.9647 7800 0.0395
2.9837 7850 0.0437
3.0027 7900 0.0545
3.0217 7950 0.0349
3.0407 8000 0.0385
3.0597 8050 0.0186
3.0787 8100 0.0198
3.0977 8150 0.0288
3.1167 8200 0.0369
3.1357 8250 0.0287
3.1547 8300 0.0353
3.1737 8350 0.0187
3.1927 8400 0.031
3.2117 8450 0.027
3.2307 8500 0.0228
3.2497 8550 0.0247
3.2687 8600 0.0351
3.2877 8650 0.0247
3.3067 8700 0.0245
3.3257 8750 0.0232
3.3447 8800 0.028
3.3637 8850 0.038
3.3827 8900 0.0278
3.4017 8950 0.0293
3.4208 9000 0.0299
3.4398 9050 0.0267
3.4588 9100 0.0413
3.4778 9150 0.032
3.4968 9200 0.0239
3.5158 9250 0.0313
3.5348 9300 0.0211
3.5538 9350 0.0272
3.5728 9400 0.0228
3.5918 9450 0.0245
3.6108 9500 0.0332
3.6298 9550 0.032
3.6488 9600 0.0292
3.6678 9650 0.0273
3.6868 9700 0.0332
3.7058 9750 0.0287
3.7248 9800 0.0326
3.7438 9850 0.0175
3.7628 9900 0.028
3.7818 9950 0.0291
3.8008 10000 0.0272
3.8198 10050 0.0198
3.8388 10100 0.0336
3.8578 10150 0.0243
3.8769 10200 0.0265
3.8959 10250 0.0429
3.9149 10300 0.0282
3.9339 10350 0.0266
3.9529 10400 0.0235
3.9719 10450 0.02
3.9909 10500 0.0371
4.0099 10550 0.0295
4.0289 10600 0.0144
4.0479 10650 0.027
4.0669 10700 0.0154
4.0859 10750 0.0237
4.1049 10800 0.0153
4.1239 10850 0.0124
4.1429 10900 0.0261
4.1619 10950 0.0246
4.1809 11000 0.0212
4.1999 11050 0.0217
4.2189 11100 0.0207
4.2379 11150 0.0159
4.2569 11200 0.0175
4.2759 11250 0.0155
4.2949 11300 0.0113
4.3139 11350 0.0339
4.3330 11400 0.0082
4.3520 11450 0.0166
4.3710 11500 0.0151
4.3900 11550 0.0185
4.4090 11600 0.02
4.4280 11650 0.0283
4.4470 11700 0.0198
4.4660 11750 0.0168
4.4850 11800 0.0161
4.5040 11850 0.0209
4.5230 11900 0.0124
4.5420 11950 0.0359
4.5610 12000 0.0197
4.5800 12050 0.0161
4.5990 12100 0.0139
4.6180 12150 0.0168
4.6370 12200 0.0158
4.6560 12250 0.0176
4.6750 12300 0.0189
4.6940 12350 0.0196
4.7130 12400 0.0236
4.7320 12450 0.0187
4.7510 12500 0.0166
4.7700 12550 0.0212
4.7891 12600 0.0176
4.8081 12650 0.0157
4.8271 12700 0.0136
4.8461 12750 0.0176
4.8651 12800 0.0198
4.8841 12850 0.0205
4.9031 12900 0.0199
4.9221 12950 0.0165
4.9411 13000 0.02
4.9601 13050 0.0157
4.9791 13100 0.0126
4.9981 13150 0.0154

Framework Versions

  • Python: 3.10.13
  • Sentence Transformers: 3.0.1
  • Transformers: 4.39.3
  • PyTorch: 2.1.2
  • Accelerate: 0.29.3
  • Datasets: 2.18.0
  • Tokenizers: 0.15.2

Citation

BibTeX

Sentence Transformers

@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",
}
Downloads last month
2
Safetensors
Model size
568M params
Tensor type
F32
·
Inference Examples
This model does not have enough activity to be deployed to Inference API (serverless) yet. Increase its social visibility and check back later, or deploy to Inference Endpoints (dedicated) instead.

Model tree for comet24082002/ft_bge_newLaw_OnlineContrastiveLoss_V1_5epochs

Base model

BAAI/bge-m3
Finetuned
(123)
this model