BjarneNPO-27_08_2025_10_58_39 / README.md

BjarneNPO

finetune_27_08_2025_10_58_39

ff5b743 verified 4 months ago

preview code

raw

history blame contribute delete

30.8 kB

metadata

tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - dense
  - generated_from_trainer
  - dataset_size:86218
  - loss:MultipleNegativesRankingLoss
base_model: Snowflake/snowflake-arctic-embed-m-v2.0
widget:
  - source_sentence: Benutzer benötigt einen eigenen Zugang als Gemeinde.
    sentences:
      - >-
        Userin erklärt wie Urlaubsberechnung erfolgt. Nicht speichern sondern
        Urlaub berechnen anklicken. RT werden separat geführt
      - >-
        Benutzer muss sich einmal an denjenigen wenden, der mit dem Hauptzugang
        der Gemeinde arbeitet.
      - "Benutzer sendet uns einmal einen Screenshot der aktuellen Daten im KitaPlaner.\r\nAn Entwickler weitergegeben.\r\nLaut Entwickler sind die Daten alle im KitaPlaner angekommen. Die Archivkinder können noch einmal einzeln synchronisiert werden, wenn nötig."
  - source_sentence: >-
      Die  Kollegin hat keinen Zugriff auf die Eltern-App, wer kann dies
      aktivieren?
    sentences:
      - >-
        Nachdem die Browserdaten der letzten 4 Wochen gelöscht wurden hat der
        Login wieder funktioniert
      - Gebeten sich dazu an den Träger zu wenden
      - >-
        Im Abgleich Belegung und BE konnte man erkennen, dass der entsprechenden
        Platzstruktur zwei Kinder zu viel zugeordnet waren.
  - source_sentence: "Hallo zusammen,\r\n\_\r\nwir haben im letzten Monat zusammen mit Digibox eine neue Funktion auf unserer Homepage eingestellt\r\nzur Buchung von Schulungen und Infoveranstaltungen. Mittlerweile ist dort alles weitestgehend getestet und funktioniert so wie gewünscht. Früher waren Termine per Überschrift getrennt, aber alle auf der gleichen Seite. Der Aufwand neue Termine einzustellen\r\n oder bestehende zu bearbeiten war nicht klein. Zusätzlich mussten neue Kategorien geschaffen werden für eine gesteigerte Nachfrage unserer Produkte. Von daher sollte diese Systematik umgestellt werden, sodass man erst zwei Dropdown-Menüs auswählen muss, damit\r\n Termine angezeigt werden. Durch das Fachteam wurden zusätzlich bei den Schulungen Dokumente zur Verfügung gestellt zu allen Formaten und Bundesländern, um für verbesserte Transparenz zu sorgen. Hier sind die beiden Seiten zu finden:\r\n\_\r\nFür Schulungen: \r\nhttps://kitaplus.de/services/schulungen\r\nFür Infoveranstaltungen: \r\nhttps://kitaplus.de/services/infoveranstaltungen\r\n\_\r\nDieses System erleichtert den Prozess im Hintergrund sehr stark bei der Erstellung von Terminen, und ist gleichzeitig für Interessenten deutlich übersichtlicher bei einer Vielzahl von verschiedenen Formaten. Die Formate werden nun erst\r\n angezeigt, nachdem man ein Bundesland im ersten Schritt ausgewählt hat. Danach kann man entweder eines oder alle Formate auswählen, unter denen Termine chronologisch sortiert auftauchen. Zuletzt kann man sich über das Kontaktformular zu einer Veranstaltung\r\n anmelden. \r\n\_\r\nDiese Mail dient als Info für alle, dass ihr Bescheid wisst, falls ihr das noch nicht mitbekommen habt. Falls jemand Feedback zu dieser Funktion haben sollte, könnt ihr euch gerne persönlich bei mir zurückmelden.\r\n\r\nIch wünsche allen eine angenehme Restwoche und genießt die Sonnenstrahlen!\r\n\_\r\nViele Grüße,\r\nWladimir"
    sentences:
      - 'N'
      - 'N'
      - >-
        laufend muss auf nein gesetzt werden, danach kann das Datum dort
        eingegeben werden
  - source_sentence: >-
      Userin fragt warum bei einem Bericht bei den Plätzen laut
      Betriebserlaubnis 15 steht und bei der Platzstruktur dann aber 17?
    sentences:
      - "1. Userin hatte noch keinen Personalbogen erstellt. Mit Userin den Personalbogen erstellt und freigegeben.\r\n2. Userin hatte schon das Beschäftigungsende eingegeben. Sie musste die Ausbildung und Funktion noch befristen."
      - >-
        Weil es genau so in den Einrichtungsstammdaten hinterlegt wurde. Ich
        kann bei der Platzstruktur ja was anderes hinterlegt haben als bei den
        Pl. laut Betriebserlaubnis
      - >-
        Es wurde für das kommende KGJ noch kein LB erstellt, daher kommt der
        Hinweis.
  - source_sentence: "Userin hinterlegt Email-Adresse im Benutzerkonto und speichert. Aber die Adresse wird trotz Bestätigung nicht gespeichert. \r\nEMA ist notwendig für 2FA\r\n\r\n Roesler =  jil.roesler@cse.ruhr"
    sentences:
      - >-
        Unter dem Namen der Dame gibt es nur einen Login. Vielleicht schaut sie
        mit dem Login einer anderen Kollegin auf die zweite Einrichtung? Oder
        sie hat einen Login als Träger? Dies klärt sie mit der Einrichtung ab.
      - Userin hat die Rolle "Mitarbeiter".
      - 'N'
pipeline_tag: sentence-similarity
library_name: sentence-transformers
metrics:
  - cosine_accuracy@1
  - cosine_accuracy@3
  - cosine_accuracy@5
  - cosine_accuracy@10
  - cosine_precision@1
  - cosine_precision@3
  - cosine_precision@5
  - cosine_precision@10
  - cosine_recall@1
  - cosine_recall@3
  - cosine_recall@5
  - cosine_recall@10
  - cosine_ndcg@10
  - cosine_mrr@10
  - cosine_map@100
model-index:
  - name: SentenceTransformer based on Snowflake/snowflake-arctic-embed-m-v2.0
    results:
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: Snowflake/snowflake arctic embed m v2.0
          type: Snowflake/snowflake-arctic-embed-m-v2.0
        metrics:
          - type: cosine_accuracy@1
            value: 0.33766233766233766
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.5584415584415584
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.6363636363636364
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.7142857142857143
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.33766233766233766
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.29437229437229434
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.2597402597402597
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.17792207792207793
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.03770731433069095
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.09817282284814752
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.13292666929030567
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.1775285320739866
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.2380482750072461
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.46743970315398886
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.16950701037187113
            name: Cosine Map@100

SentenceTransformer based on Snowflake/snowflake-arctic-embed-m-v2.0

This is a sentence-transformers model finetuned from Snowflake/snowflake-arctic-embed-m-v2.0. 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: Snowflake/snowflake-arctic-embed-m-v2.0
Maximum Sequence Length: 8192 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': 8192, 'do_lower_case': False, 'architecture': 'GteModel'})
  (1): Pooling({'word_embedding_dimension': 768, '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("BjarneNPO-27_08_2025_10_58_39")
# Run inference
queries = [
    "Userin hinterlegt Email-Adresse im Benutzerkonto und speichert. Aber die Adresse wird trotz Best\u00e4tigung nicht gespeichert. \r\nEMA ist notwendig f\u00fcr 2FA\r\n\r\n Roesler =  jil.roesler@cse.ruhr",
]
documents = [
    'N',
    'Unter dem Namen der Dame gibt es nur einen Login. Vielleicht schaut sie mit dem Login einer anderen Kollegin auf die zweite Einrichtung? Oder sie hat einen Login als Träger? Dies klärt sie mit der Einrichtung ab.',
    'Userin hat die Rolle "Mitarbeiter".',
]
query_embeddings = model.encode_query(queries)
document_embeddings = model.encode_document(documents)
print(query_embeddings.shape, document_embeddings.shape)
# [1, 768] [3, 768]

# Get the similarity scores for the embeddings
similarities = model.similarity(query_embeddings, document_embeddings)
print(similarities)
# tensor([[0.3811, 0.1504, 0.1198]])

Evaluation

Metrics

Information Retrieval

Dataset: Snowflake/snowflake-arctic-embed-m-v2.0
Evaluated with scripts.InformationRetrievalEvaluatorCustom.InformationRetrievalEvaluatorCustom with these parameters:
```
{
    "query_prompt_name": "query",
    "corpus_prompt_name": "document"
}
```

Metric	Value
cosine_accuracy@1	0.3377
cosine_accuracy@3	0.5584
cosine_accuracy@5	0.6364
cosine_accuracy@10	0.7143
cosine_precision@1	0.3377
cosine_precision@3	0.2944
cosine_precision@5	0.2597
cosine_precision@10	0.1779
cosine_recall@1	0.0377
cosine_recall@3	0.0982
cosine_recall@5	0.1329
cosine_recall@10	0.1775
cosine_ndcg@10	0.238
cosine_mrr@10	0.4674
cosine_map@100	0.1695

Training Details

Training Dataset

Unnamed Dataset

Size: 86,218 training samples
Columns: query and answer
Approximate statistics based on the first 1000 samples:
query answer
type string string
details
min: 5 tokens
mean: 80.67 tokens
max: 5231 tokens

min: 3 tokens
mean: 25.16 tokens
max: 238 tokens

	query	answer
type	string	string
details	min: 5 tokens mean: 80.67 tokens max: 5231 tokens	min: 3 tokens mean: 25.16 tokens max: 238 tokens

Samples:

query	answer
`Nun ist die Monatsmeldung erfolgt, aber rote Ausrufezeichen tauchen auf.`	`Userin an das JA verwiesen, diese müssten ihr die Schloss-Monate zur Überarbeitung im Kibiz.web zurückgeben. Userin dazu empfohlen, die Kinder die nicht in kitaplus sind, aber in Kibiz.web - im KiBiz.web zu entfernen, wenn diese nicht vorhanden sind.`
`Die Feiertage in den Stammdaten stimmen nicht.`	`Es besteht bereits ein Ticket dafür.`
`Abrechnung kann nicht final freigegeben werden, es wird aber keiner Fehlermeldung angeziegt`	`im Hintergrund ist eine Fehlermeldung zu sehen. An Entwickler weitergeleitet.`
Korrektur vorgenommen.

Loss: MultipleNegativesRankingLoss with these parameters:

{
    "scale": 20.0,
    "similarity_fct": "cos_sim",
    "gather_across_devices": false
}

Training Hyperparameters

Non-Default Hyperparameters

eval_strategy: epoch
per_device_train_batch_size: 64
per_device_eval_batch_size: 64
gradient_accumulation_steps: 4
learning_rate: 4e-05
weight_decay: 0.01
warmup_ratio: 0.08
bf16: True
tf32: 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: epoch
prediction_loss_only: True
per_device_train_batch_size: 64
per_device_eval_batch_size: 64
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: 4e-05
weight_decay: 0.01
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: {}
warmup_ratio: 0.08
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
use_ipex: False
bf16: True
fp16: False
fp16_opt_level: O1
half_precision_backend: auto
bf16_full_eval: False
fp16_full_eval: False
tf32: True
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}
deepspeed: None
label_smoothing_factor: 0.0
optim: adamw_torch_fused
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: 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: False
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: False
prompts: None
batch_sampler: no_duplicates
multi_dataset_batch_sampler: proportional
router_mapping: {}
learning_rate_mapping: {}

Training Logs

Click to expand

Epoch	Step	Training Loss	Snowflake/snowflake-arctic-embed-m-v2.0_cosine_ndcg@10
0.0297	10	2.8914	-
0.0593	20	2.8359	-
0.0890	30	2.4573	-
0.1187	40	2.3298	-
0.1484	50	2.215	-
0.1780	60	2.0003	-
0.2077	70	1.8714	-
0.2374	80	1.7492	-
0.2671	90	1.6268	-
0.2967	100	1.6434	-
0.3264	110	1.5872	-
0.3561	120	1.5221	-
0.3858	130	1.4166	-
0.4154	140	1.4093	-
0.4451	150	1.4323	-
0.4748	160	1.3748	-
0.5045	170	1.3443	-
0.5341	180	1.3358	-
0.5638	190	1.3118	-
0.5935	200	1.2791	-
0.6231	210	1.2576	-
0.6528	220	1.2493	-
0.6825	230	1.2586	-
0.7122	240	1.2468	-
0.7418	250	1.2017	-
0.7715	260	1.177	-
0.8012	270	1.1899	-
0.8309	280	1.161	-
0.8605	290	1.1743	-
0.8902	300	1.1568	-
0.9199	310	1.1422	-
0.9496	320	0.0	-
0.9792	330	0.0	-
1.0	337	-	0.2375
1.0089	340	0.331	-
1.0386	350	0.9826	-
1.0682	360	0.9872	-
1.0979	370	0.9697	-
1.1276	380	0.9763	-
1.1573	390	1.0233	-
1.1869	400	0.9827	-
1.2166	410	0.9754	-
1.2463	420	0.986	-
1.2760	430	0.9342	-
1.3056	440	0.9685	-
1.3353	450	0.9699	-
1.3650	460	0.906	-
1.3947	470	0.9959	-
1.4243	480	0.9386	-
1.4540	490	0.9565	-
1.4837	500	0.9308	-
1.5134	510	0.9325	-
1.5430	520	0.9232	-
1.5727	530	0.9413	-
1.6024	540	0.9183	-
1.6320	550	0.9651	-
1.6617	560	0.9034	-
1.6914	570	0.8517	-
1.7211	580	0.923	-
1.7507	590	0.8351	-
1.7804	600	0.858	-
1.8101	610	0.8404	-
1.8398	620	0.9191	-
1.8694	630	0.8746	-
1.8991	640	0.8732	-
1.9288	650	0.5662	-
1.9585	660	0.0	-
1.9881	670	0.0	-
2.0	674	-	0.2252
2.0178	680	0.4717	-
2.0475	690	0.7903	-
2.0772	700	0.7363	-
2.1068	710	0.7626	-
2.1365	720	0.7836	-
2.1662	730	0.7634	-
2.1958	740	0.7843	-
2.2255	750	0.8229	-
2.2552	760	0.7876	-
2.2849	770	0.7467	-
2.3145	780	0.7461	-
2.3442	790	0.7687	-
2.3739	800	0.7353	-
2.4036	810	0.7721	-
2.4332	820	0.7392	-
2.4629	830	0.7698	-
2.4926	840	0.7876	-
2.5223	850	0.7493	-
2.5519	860	0.7775	-
2.5816	870	0.717	-
2.6113	880	0.6827	-
2.6409	890	0.7727	-
2.6706	900	0.7433	-
2.7003	910	0.725	-
2.7300	920	0.7344	-
2.7596	930	0.7822	-
2.7893	940	0.7131	-
2.8190	950	0.7894	-
2.8487	960	0.7286	-
2.8783	970	0.7635	-
2.9080	980	0.7814	-
2.9377	990	0.2642	-
2.9674	1000	0.0	-
2.9970	1010	0.0	-
3.0	1011	-	0.2380

The bold row denotes the saved checkpoint.

Framework Versions

Python: 3.10.11
Sentence Transformers: 5.1.0
Transformers: 4.55.2
PyTorch: 2.8.0+cu129
Accelerate: 1.10.0
Datasets: 3.6.0
Tokenizers: 0.21.4

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",
}

MultipleNegativesRankingLoss

@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}
}