CrossEncoder based on Alibaba-NLP/gte-reranker-modernbert-base

This is a Cross Encoder model finetuned from Alibaba-NLP/gte-reranker-modernbert-base on the arcade-reranker-data dataset using the sentence-transformers library. It computes scores for pairs of texts, which can be used for text reranking and semantic search.

Model Details

Model Description

Model Type: Cross Encoder
Base model: Alibaba-NLP/gte-reranker-modernbert-base
Maximum Sequence Length: 1024 tokens
Number of Output Labels: 1 label
Training Dataset:
- arcade-reranker-data

Model Sources

Documentation: Sentence Transformers Documentation
Documentation: Cross Encoder Documentation
Repository: Sentence Transformers on GitHub
Hugging Face: Cross Encoders on Hugging Face

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 CrossEncoder

# Download from the 🤗 Hub
model = CrossEncoder("idqo/arcade-reranker")
# Get scores for pairs of texts
pairs = [
    ['Dus de einklant betaalt in totaal ook de onbalansprijs? Die dus bestaat uit het gewone tarief + verschil om tot onbalansprijs te komen?', 'Imbalance Price (Electricity Balancing Market): (a) each imbalance settlement period; (b) its imbalance price areas; (c) each imbalance direction. 4. The imbalance price for negative imbalance ...'],
    ['Kun je een lijst geven van alle technische specificaties geven waar je rekening mee moet houden bij een transformator', 'Handmelders: Manuele brandmelders.'],
    ['Wat weetje van dataloggers?', 'geen nummers op tellers. Facturatiegegevens?'],
    ['Ik ben op zoek naar info over magneetcontacten, die standaard deuren open houden, maar in geval van brand contact lossen en ervoor zorgen dat deuren sluiten. worden deze contacten gevoed vanuit de brandcentrale, of vanuit een voeding 230V AC , die geschakeld wordt vanuit de centrale? ', 'Algemene beveiliging: Beveiligingscel: merk, type met zekering, type met relais en vermogenschakelaar, vermogen, relais.'],
    ['Geef een overzicht van allemogelijke geldstromen in de verschillende transfer of energy regimes', 'Taksen, heffingen & accijnzen: Belastingen op elektriciteit.'],
]
scores = model.predict(pairs)
print(scores.shape)
# (5,)

# Or rank different texts based on similarity to a single text
ranks = model.rank(
    'Dus de einklant betaalt in totaal ook de onbalansprijs? Die dus bestaat uit het gewone tarief + verschil om tot onbalansprijs te komen?',
    [
        'Imbalance Price (Electricity Balancing Market): (a) each imbalance settlement period; (b) its imbalance price areas; (c) each imbalance direction. 4. The imbalance price for negative imbalance ...',
        'Handmelders: Manuele brandmelders.',
        'geen nummers op tellers. Facturatiegegevens?',
        'Algemene beveiliging: Beveiligingscel: merk, type met zekering, type met relais en vermogenschakelaar, vermogen, relais.',
        'Taksen, heffingen & accijnzen: Belastingen op elektriciteit.',
    ]
)
# [{'corpus_id': ..., 'score': ...}, {'corpus_id': ..., 'score': ...}, ...]

Evaluation

Metrics

Cross Encoder Reranking

Datasets: NanoMSMARCO_R100, NanoNFCorpus_R100 and NanoNQ_R100

Evaluated with CrossEncoderRerankingEvaluator with these parameters:

{
    "at_k": 10,
    "always_rerank_positives": true
}

Metric	NanoMSMARCO_R100	NanoNFCorpus_R100	NanoNQ_R100
map	0.5976 (+0.1081)	0.4056 (+0.1446)	0.6834 (+0.2638)
mrr@10	0.5901 (+0.1126)	0.6538 (+0.1540)	0.7047 (+0.2780)
ndcg@10	0.6560 (+0.1155)	0.4606 (+0.1355)	0.7415 (+0.2409)

Cross Encoder Nano BEIR

Dataset: NanoBEIR_R100_mean

Evaluated with CrossEncoderNanoBEIREvaluator with these parameters:

{
    "dataset_names": [
        "msmarco",
        "nfcorpus",
        "nq"
    ],
    "dataset_id": "sentence-transformers/NanoBEIR-en",
    "rerank_k": 100,
    "at_k": 10,
    "always_rerank_positives": true
}

Metric	Value
map	0.5622 (+0.1721)
mrr@10	0.6495 (+0.1815)
ndcg@10	0.6194 (+0.1640)

Training Details

Training Dataset

arcade-reranker-data

Dataset: arcade-reranker-data at 9e3c538
Size: 2,277 training samples
Columns: sentence1, sentence2, and label

Approximate statistics based on the first 1000 samples:

	sentence1	sentence2	label
type	string	string	float
details	min: 2 characters mean: 103.67 characters max: 558 characters	min: 13 characters mean: 518.43 characters max: 25528 characters	min: 0.0 mean: 0.31 max: 1.0

Samples:

sentence1	sentence2	label
`Kan je daarvoor op het internet kijken?`	Er wordt gewerkt aan de datanetwerk-infrastructuur voor het project, waarbij energiemeters worden aangesloten op een fibernetwerk [5], [6], [7]. Er is een vaste internetverbinding aangevraagd, die door EXV wordt verzorgd en bij oplevering wordt overgedragen [4], [6], [8]. De Gateway van Tibo moet worden geïnstalleerd en verbonden met het netwerk, waarbij zowel 4G als een internetverbinding opties zijn, met redundantie als aanbeveling [2], [4], [6], [8]. Extravolt is verantwoordelijk voor het opzetten van de netwerkconfiguratie en stemt af met Tibo [4], [6]. Er wordt gekeken welke componenten verbinding maken met de cloud of internet, naast het EMS van Tibo, en hoe de batterij wordt uitgelezen door EXV voor de beschikbaarheidsgarantie, waarschijnlijk via VPN [2], [4], [6], [7], [8]. De meti	`0.6666666666666666`
`Geef een generieke template voor verlichtingsberekingen in een lastenboek`	`Issue: nu blijkt dat er ook een datacenter aangesloten gaat moeten worden. In welke mate kan dat om met +-10% -> dit gaat meer algemeen moeten bekeken worden. - Hier is logica van antwoord dat de neteheerders zowiezo moeten voldoen aan een maximale marge van +-10% van hun uitgangsspanning. - Die norm is aangeleverd door Infrabel. - Dit betekent dat elektrische apparatuur die in het belgische net gezet wordt, moet bestand zijn aan schommelingen van +-10% Artikel 10. Variaties in spanning en frequ`	`0.0`
`Moet er oven brandhaspels altijd een noodverlichting voorzien worden? In welke norm vind ik hier info over`	REFERENTIENORMEN \| Standard \| Description \| \|---\|---\| \| NBN 01 \| Woordenlijst voor de verlichtingskunde (2001) \| \| NBN EN 60598 (1989) \| Elektrische verlichtingstoestellen (1989) \| \| NBN EN 60598-2-2 \| Verlichtingstoestellen - Deel twee : Bijzondere regels - Sectie twee : Inbouw verlichtingstoestellen (1990) \| \| Reeks NBN 60598 \| Verlichtingsarmaturen \| \| NBN C 20-530 \| Beschermingsgraden gegeven door de omhulsels (IP-Code) (1992) + add (1000) \| \| NBN EN 60001 \| Lampen en in - houders alsmede kalibers voor controle van uitwisselbaarheid & veiligheid 1-3 (2003) \| \| NBN EN 1838 \| Toegepaste verlichtingstechniek - Noodverlichting (1999) \| \| NBN L 14-001 & 002 \| Binnenverlichting van de gebouwen (1974) \| \| NBN EN 60335-1 \| Huishoudelijke en soortgelijke elektrische toestellen - Veiligheid - Deel 1 : Algemene eisen (2003) \| \| NBN EN 12464 \| Binnenverlichting (2008) \| \| NBN EN 1838 \| Veiligheidsverlichting (2013) \| \| EN 12464-1 \| werkplekverlichting (2002) \| \| ISO 3864-1 en ISO 3864-4 \| (fot...	`0.0643`

Loss: BinaryCrossEntropyLoss with these parameters:

{
    "activation_fn": "torch.nn.modules.linear.Identity",
    "pos_weight": null
}

Evaluation Dataset

arcade-reranker-data

Dataset: arcade-reranker-data at 9e3c538
Size: 400 evaluation samples
Columns: sentence1, sentence2, and label

Approximate statistics based on the first 400 samples:

	sentence1	sentence2	label
type	string	string	float
details	min: 27 characters mean: 108.77 characters max: 558 characters	min: 13 characters mean: 404.07 characters max: 11988 characters	min: 0.0 mean: 0.32 max: 1.0

Samples:

sentence1	sentence2	label
`Dus de einklant betaalt in totaal ook de onbalansprijs? Die dus bestaat uit het gewone tarief + verschil om tot onbalansprijs te komen?`	`Imbalance Price (Electricity Balancing Market): (a) each imbalance settlement period; (b) its imbalance price areas; (c) each imbalance direction. 4. The imbalance price for negative imbalance ...`	`0.3`
`Kun je een lijst geven van alle technische specificaties geven waar je rekening mee moet houden bij een transformator`	`Handmelders: Manuele brandmelders.`	`0.2222`
`Wat weetje van dataloggers?`	`geen nummers op tellers. Facturatiegegevens?`	`0.0256`

Loss: BinaryCrossEntropyLoss with these parameters:

{
    "activation_fn": "torch.nn.modules.linear.Identity",
    "pos_weight": null
}

Training Hyperparameters

Non-Default Hyperparameters

per_device_train_batch_size: 16
learning_rate: 1e-05
warmup_steps: 0.1
bf16: True
eval_strategy: steps
per_device_eval_batch_size: 16
push_to_hub: True
hub_model_id: idqo/arcade-reranker
load_best_model_at_end: True

All Hyperparameters

Click to expand

per_device_train_batch_size: 16
num_train_epochs: 3
max_steps: -1
learning_rate: 1e-05
lr_scheduler_type: linear
lr_scheduler_kwargs: None
warmup_steps: 0.1
optim: adamw_torch_fused
optim_args: None
weight_decay: 0.0
adam_beta1: 0.9
adam_beta2: 0.999
adam_epsilon: 1e-08
optim_target_modules: None
gradient_accumulation_steps: 1
average_tokens_across_devices: True
max_grad_norm: 1.0
label_smoothing_factor: 0.0
bf16: True
fp16: False
bf16_full_eval: False
fp16_full_eval: False
tf32: None
gradient_checkpointing: False
gradient_checkpointing_kwargs: None
torch_compile: False
torch_compile_backend: None
torch_compile_mode: None
use_liger_kernel: False
liger_kernel_config: None
use_cache: False
neftune_noise_alpha: None
torch_empty_cache_steps: None
auto_find_batch_size: False
log_on_each_node: True
logging_nan_inf_filter: True
include_num_input_tokens_seen: no
log_level: passive
log_level_replica: warning
disable_tqdm: False
project: huggingface
trackio_space_id: trackio
eval_strategy: steps
per_device_eval_batch_size: 16
prediction_loss_only: True
eval_on_start: False
eval_do_concat_batches: True
eval_use_gather_object: False
eval_accumulation_steps: None
include_for_metrics: []
batch_eval_metrics: False
save_only_model: False
save_on_each_node: False
enable_jit_checkpoint: False
push_to_hub: True
hub_private_repo: None
hub_model_id: idqo/arcade-reranker
hub_strategy: every_save
hub_always_push: False
hub_revision: None
load_best_model_at_end: True
ignore_data_skip: False
restore_callback_states_from_checkpoint: False
full_determinism: False
seed: 42
data_seed: None
use_cpu: False
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
dataloader_drop_last: False
dataloader_num_workers: 0
dataloader_pin_memory: True
dataloader_persistent_workers: False
dataloader_prefetch_factor: None
remove_unused_columns: True
label_names: None
train_sampling_strategy: random
length_column_name: length
ddp_find_unused_parameters: None
ddp_bucket_cap_mb: None
ddp_broadcast_buffers: False
ddp_backend: None
ddp_timeout: 1800
fsdp: []
fsdp_config: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
deepspeed: None
debug: []
skip_memory_metrics: True
do_predict: False
resume_from_checkpoint: None
warmup_ratio: None
local_rank: -1
prompts: None
batch_sampler: batch_sampler
multi_dataset_batch_sampler: proportional
router_mapping: {}
learning_rate_mapping: {}

Training Logs

Epoch	Step	Training Loss	Validation Loss	NanoMSMARCO_R100_ndcg@10	NanoNFCorpus_R100_ndcg@10	NanoNQ_R100_ndcg@10	NanoBEIR_R100_mean_ndcg@10
0.0070	1	0.9207	-	-	-	-	-
0.1748	25	0.7369	0.6563	0.6888 (+0.1484)	0.4617 (+0.1367)	0.7657 (+0.2651)	0.6387 (+0.1834)
0.3497	50	0.6174	0.5945	0.6764 (+0.1360)	0.4403 (+0.1153)	0.7658 (+0.2652)	0.6275 (+0.1722)
0.5245	75	0.5744	0.5895	0.6830 (+0.1426)	0.4403 (+0.1152)	0.7611 (+0.2605)	0.6281 (+0.1728)
0.6993	100	0.5693	0.5709	0.6668 (+0.1264)	0.4510 (+0.1259)	0.7652 (+0.2646)	0.6277 (+0.1723)
0.8741	125	0.5413	0.5636	0.6712 (+0.1308)	0.4434 (+0.1184)	0.7618 (+0.2611)	0.6255 (+0.1701)
1.0490	150	0.5437	0.5832	0.6706 (+0.1302)	0.4441 (+0.1191)	0.7574 (+0.2568)	0.6240 (+0.1687)
1.2238	175	0.5229	0.5676	0.6712 (+0.1308)	0.4608 (+0.1358)	0.7527 (+0.2521)	0.6283 (+0.1729)
1.3986	200	0.5015	0.5471	0.6712 (+0.1308)	0.4611 (+0.1361)	0.7527 (+0.2520)	0.6283 (+0.1729)
1.5734	225	0.4994	0.5501	0.6712 (+0.1308)	0.4641 (+0.1390)	0.7581 (+0.2575)	0.6311 (+0.1757)
1.7483	250	0.4999	0.5465	0.6707 (+0.1303)	0.4570 (+0.1319)	0.7544 (+0.2537)	0.6274 (+0.1720)
1.9231	275	0.4806	0.5441	0.6657 (+0.1253)	0.4646 (+0.1396)	0.7561 (+0.2555)	0.6288 (+0.1734)
2.0979	300	0.4568	0.5437	0.6572 (+0.1168)	0.4661 (+0.1411)	0.7508 (+0.2502)	0.6247 (+0.1694)
2.2727	325	0.4482	0.5479	0.6556 (+0.1152)	0.4606 (+0.1355)	0.7579 (+0.2573)	0.6247 (+0.1693)
2.4476	350	0.4549	0.5561	0.6560 (+0.1155)	0.4643 (+0.1392)	0.7494 (+0.2488)	0.6232 (+0.1679)
2.6224	375	0.4399	0.5529	0.6560 (+0.1155)	0.4606 (+0.1355)	0.7415 (+0.2409)	0.6194 (+0.1640)

The bold row denotes the saved checkpoint.

Framework Versions

Python: 3.12.12
Sentence Transformers: 5.3.0
Transformers: 5.3.0
PyTorch: 2.10.0+cu128
Accelerate: 1.13.0
Datasets: 4.7.0
Tokenizers: 0.22.2

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",
}