finetune_21_08_2025_11_16_02 / README.md

BjarneNPO

Add new SentenceTransformer model

abc7987 verified 4 months ago

preview code

raw

history blame contribute delete

22.2 kB

metadata

tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - dense
  - generated_from_trainer
  - dataset_size:19964
  - loss:MultipleNegativesRankingLoss
base_model: Snowflake/snowflake-arctic-embed-m-v2.0
widget:
  - source_sentence: 'Kollegin hat Probleme mit dem Login zu '
    sentences:
      - >-
        Alle genannten Kinder gab es in kitaplus. Bei einem musste nur eine neue
        BI angelegt werden, bei den anderen muss der Vertrag in einer anderen
        Kita rückgängig gemacht werden, damit es in kitaplus in dieser
        Einrichtung aus der Liste der Absagen genommen werden kann.
      - Der Bereich ist aktuell noch nicht sichtbar.
      - muss mit dem Rentamt geklärt werden
  - source_sentence: Benutzer möchte einen Kollegen nur für die Dokumentenbibliothek anlegen.
    sentences:
      - Rücksprache mit Entwickler.
      - Sie muss den Regler auf Anzahl stellen
      - >-
        Zusammen die Rolle gewählt und dort dann in den individuellen Rechten
        alles auf lesend bzw. ausblenden gestellt, außer die Bibliothek.
  - source_sentence: >-
      Ist es richtig so, dass Mitarbeiter, wenn sie nach einer gewissen Zeit
      wieder in die Einrichtung kommen, erneut angelegt werden müssen?
    sentences:
      - >-
        Userin an den Träger verwiesen, dieser kann bei ihr ein neues Passwort
        setzen.
      - Ja, das ist korrekt so.
      - >-
        Userin muss erst rechts über das 3-Punkte-menü die "Anmeldedaten
        zusammenführen". Danach muss man in den angelegten BI die Gruppenform
        des Anmeldeportals angeben.
  - source_sentence: Userin kann die Öffnungszeiten der Einrichtung nicht bearbeiten.
    sentences:
      - >-
        informiert, dass es keinen Testzugang gibt, aber Handbücher und Hilfen
        in zur Verfügung stehen, wenn die Schnittstelle eingerichtet wurde.
      - Bereits bekannt, die Kollegen sind schon dabei den Fehler zu beheben.
      - Userin darf dies mit der Rolle nicht.
  - source_sentence: fragt wie der Stand zu dem aktuellen Problem ist
    sentences:
      - Userin muss sich an die Bistums IT wenden.
      - >-
        In Klärung mit der Kollegin - Das Problem liegt leider an deren
        Betreiber. Die sind aber informiert und arbeiten bereits daran
      - findet diese in der Übersicht der Gruppen.
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: 0.3277310924369748
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.48739495798319327
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.5462184873949579
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.6470588235294118
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.3277310924369748
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.21848739495798317
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.2302521008403361
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.21428571428571433
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.006002400960384153
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.02267573696145124
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.03478057889822595
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.07412965186074429
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.2371544724261345
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.4209383753501402
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.08885586509032745
            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 on the train dataset. 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
Training Dataset:
- train

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/finetune_21_08_2025_11_16_02")
# Run inference
queries = [
    "fragt wie der Stand zu dem aktuellen Problem ist",
]
documents = [
    'In Klärung mit der Kollegin - Das Problem liegt leider an deren Betreiber. Die sind aber informiert und arbeiten bereits daran',
    'findet diese in der Übersicht der Gruppen.',
    'Userin muss sich an die Bistums IT wenden.',
]
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([[0.2668, 0.0872, 0.0995]])

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": "query"
}
```

Metric	Value
cosine_accuracy@1	0.3277
cosine_accuracy@3	0.4874
cosine_accuracy@5	0.5462
cosine_accuracy@10	0.6471
cosine_precision@1	0.3277
cosine_precision@3	0.2185
cosine_precision@5	0.2303
cosine_precision@10	0.2143
cosine_recall@1	0.006
cosine_recall@3	0.0227
cosine_recall@5	0.0348
cosine_recall@10	0.0741
cosine_ndcg@10	0.2372
cosine_mrr@10	0.4209
cosine_map@100	0.0889

Training Details

Training Dataset

train

Dataset: train
Size: 19,964 training samples
Columns: query and answer
Approximate statistics based on the first 1000 samples:
query answer
type string string
details
min: 4 tokens
mean: 27.77 tokens
max: 615 tokens

min: 3 tokens
mean: 22.87 tokens
max: 151 tokens

	query	answer
type	string	string
details	min: 4 tokens mean: 27.77 tokens max: 615 tokens	min: 3 tokens mean: 22.87 tokens max: 151 tokens

Samples:

query	answer
`Wie kann man die Jahresurlaubsübersicht exportieren?`	`über das 3 Punkte Menü rechts oben. Mitarbeiter auswählen und exportieren`
`1. Vertragsabschlüsse werden nicht übertragen`
2. Kinder kommen nicht von nach
3. Absage kann bei Portalstatus nicht erstellt werden.	`Ticket`
Userin gebeten sich an den Support zu wenden, da der Fehler liegt.
`Wird im Anmeldeportal nicht gefunden.`	`Die Schnittstelle war noch nicht aktiviert und Profil ebenfalls nicht.`

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: 16
per_device_eval_batch_size: 16
gradient_accumulation_steps: 8
learning_rate: 2e-05
lr_scheduler_type: cosine
warmup_ratio: 0.1
bf16: True
tf32: False
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: 16
per_device_eval_batch_size: 16
per_gpu_train_batch_size: None
per_gpu_eval_batch_size: None
gradient_accumulation_steps: 8
eval_accumulation_steps: None
torch_empty_cache_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: 3
max_steps: -1
lr_scheduler_type: cosine
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
use_ipex: False
bf16: True
fp16: False
fp16_opt_level: O1
half_precision_backend: auto
bf16_full_eval: False
fp16_full_eval: False
tf32: False
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

Epoch	Step	Training Loss	Snowflake/snowflake-arctic-embed-m-v2.0_cosine_ndcg@10
0.0641	10	2.1446	-
0.1282	20	2.1454	-
0.1923	30	1.8973	-
0.2564	40	1.7238	-
0.3205	50	1.7305	-
0.3846	60	1.5496	-
0.4487	70	1.4557	-
0.5128	80	1.406	-
0.5769	90	1.3067	-
0.6410	100	1.2727	-
0.7051	110	1.215	-
0.7692	120	1.1902	-
0.8333	130	1.218	-
0.8974	140	1.1271	-
0.9615	150	1.0909	-
1.0	156	-	0.2589
1.0256	160	1.0408	-
1.0897	170	1.0112	-
1.1538	180	1.0683	-
1.2179	190	0.9405	-
1.2821	200	0.933	-
1.3462	210	0.9533	-
1.4103	220	0.9144	-
1.4744	230	0.8618	-
1.5385	240	0.8624	-
1.6026	250	0.8649	-
1.6667	260	0.8646	-
1.7308	270	0.8307	-
1.7949	280	0.8522	-
1.8590	290	0.8566	-
1.9231	300	0.8389	-
1.9872	310	0.806	-
2.0	312	-	0.2421
2.0513	320	0.7134	-
2.1154	330	0.7545	-
2.1795	340	0.8033	-
2.2436	350	0.7402	-
2.3077	360	0.7876	-
2.3718	370	0.7185	-
2.4359	380	0.7391	-
2.5	390	0.7362	-
2.5641	400	0.7276	-
2.6282	410	0.6953	-
2.6923	420	0.6853	-
2.7564	430	0.7337	-
2.8205	440	0.7704	-
2.8846	450	0.6922	-
2.9487	460	0.7153	-
3.0	468	-	0.2372

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}
}