anhtuansh/gte-multilingual-base-Matryoshka-1e-9k

SentenceTransformer based on Alibaba-NLP/gte-multilingual-base

This is a sentence-transformers model finetuned from Alibaba-NLP/gte-multilingual-base on the json 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: Alibaba-NLP/gte-multilingual-base
• Maximum Sequence Length: 8192 tokens
• Output Dimensionality: 768 dimensions
• Similarity Function: Cosine Similarity
• Training Dataset:
  • json

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}) with Transformer model: NewModel 
  (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("anhtuansh/gte-multilingual-base-Matryoshka-1e-9k")
# Run inference
sentences = [
    'quản_lý nhập_khẩu hàng_hóa bị điều_tra , phục_vụ công_tác điều_tra , áp_dụng biện_pháp phòng_vệ thương_mại .',
    'mục_đích của thủ_tục khai_báo là gì ?',
    'đơn_vị chúng_tôi đã được cấp chứng_chỉ năng_lực hoạt_động xây_dựng nhưng hiện_nay chúng_tôi thay_đổi người đại_diện pháp_luật của đơn_vị . vậy chúng_tôi có phải làm thủ_tục nào để thay_đổi người đại_diện theo pháp_luật của chúng_tôi trên chứng_chỉ ?',
]
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

• Datasets: dim_768 and dim_512
• Evaluated with InformationRetrievalEvaluator

Metric	dim_768	dim_512
cosine_accuracy@1	0.5937	0.5817
cosine_accuracy@3	0.7571	0.7549
cosine_accuracy@5	0.7996	0.8017
cosine_accuracy@10	0.8529	0.8519
cosine_precision@1	0.5937	0.5817
cosine_precision@3	0.2524	0.2516
cosine_precision@5	0.1599	0.1603
cosine_precision@10	0.0853	0.0852
cosine_recall@1	0.5937	0.5817
cosine_recall@3	0.7571	0.7549
cosine_recall@5	0.7996	0.8017
cosine_recall@10	0.8529	0.8519
cosine_ndcg@10	0.7258	0.7211
cosine_mrr@10	0.6849	0.6788
cosine_map@100	0.6892	0.6831

Training Details

Training Dataset

json

• Dataset: json
• Size: 8,259 training samples
• Columns: positive and anchor
• Approximate statistics based on the first 1000 samples:

  	positive	anchor
  type	string	string
  details	min: 5 tokens mean: 303.9 tokens max: 3209 tokens	min: 7 tokens mean: 56.17 tokens max: 578 tokens

• Samples:

  positive	anchor
  điểm a , mục 2 phần ii thông_tư số 04 / 1999 / tt - bca ( c13 ) ngày 29 / 4 / 1999 của bộ công_an hướng_dẫn một_số quy_định của nghị_định số 05 / 1999 / nđ - cp ngày 03 / 01 / 1999 của chính_phủ về chứng_minh nhân_dân quy_định các trường_hợp phải đổi cmnd như sau : - quá thời_hạn sử_dụng 15 năm kể từ ngày cấp ; - cmnd rách , nát , không rõ ảnh hoặc một trong các thông_tin đã ghi trên cmnd ; - thay_đổi họ , tên , chữ đệm , ngày , tháng , năm sinh . những thay_đổi này phải có quyết_định của cơ_quan có thẩm_quyền ; - những người đã được cấp giấy cmnd nhưng chuyển nơi đăng_ký hộ_khẩu thường_trú ngoài phạm_vi tỉnh , thành_phố trực_thuộc trung_ương . trường_hợp chuyển nơi thường_trú trong phạm_vi tỉnh , thành_phố mà công_dân có yêu_cầu thì được đổi lại cmnd ; - thay_đổi đặc_điểm nhận_dạng là những trường_hợp đã qua phẫu_thuật thẩm_mỹ , chỉnh_hình hoặc vì lý_do khác đã làm thay_đổi hình_ảnh hoặc đặc_điểm nhận_dạng của họ .	công_dân phải làm thủ_tục đổi chứng_minh nhân_dân khi nào ?
  việc thực_hiện thủ_tục tặng cờ thi_đua cấp bộ , ban , ngành , đoàn_thể trung_ương , tỉnh , thành_phố trực_thuộc trung_ương theo đợt hoặc chuyên_đề được tiến_hành như sau : bước 1 . vụ , phòng , ban thi_đua – khen_thưởng các bộ , ngành , đoàn_thể trung_ương , tỉnh , thành_phố trực_thuộc trung_ương tiếp_nhận đề_nghị khen_thưởng của các đơn_vị thực thuộc . bước 2 . thẩm_định hồ_sơ , xin ý_kiến các cơ_quan liên_quan , báo_cáo hội_đồng thi_đua khen_thưởng cùng cấp , tổng_hợp trình bộ_trưởng , thủ_trưởng đơn_vị , chủ_tịch ubnd tỉnh , thành_phố quyết_định khen_thưởng . bước 3 . khi có quyết_định của bộ_trưởng , thủ_trưởng đơn_vị , chủ_tịch ubnd tỉnh , thành_phố trực_thuộc trung_ương ; vụ , phòng , ban thi_đua – khen_thưởng các bộ , ngành , đoàn_thể trung_ương , tỉnh , thành_phố trực_thuộc trung_ương thông_báo quyết_định , viết bằng , đóng_dấu và cấp_phát cho đơn_vị trình khen . bước 4 . các trường_hợp không được khen_thưởng ( không đúng đối_tượng , không đủ tiêu_chuẩn , không đủ hồ_sơ...	đề_nghị cho biết trình_tự thực_hiện thủ_tục tặng cờ thi_đua cấp bộ , ban , ngành , đoàn_thể trung_ương , tỉnh , thành_phố trực_thuộc trung_ương theo đợt hoặc chuyên_đề
  thời_gian phục_vụ tại_ngũ của hạ_sĩ_quan binh_sĩ được quy_định tại điều 21 luật nvqs năm 2015 , cụ_thể như sau : “ điều 21 . thời_hạn phục_vụ tại_ngũ của hạ_sĩ_quan , binh sĩ1 . thời_hạn phục_vụ tại_ngũ trong thời_bình của hạ_sĩ_quan , binh_sĩ là 24 tháng . 2 . bộ_trưởng bộ quốc_phòng được quyết_định kéo_dài thời_hạn phục_vụ tại_ngũ của hạ_sĩ_quan , binh_sĩ nhưng không quá 06 tháng trong trường_hợp sau đây : a ) để bảo_đảm_nhiệm_vụ sẵn_sàng chiến_đấu ; b ) đang thực_hiện nhiệm_vụ phòng , chống thiên_tai , dịch_bệnh , cứu_hộ , cứu nạn . 3 . thời_hạn phục_vụ của hạ_sĩ_quan , binh_sĩ trong tình_trạng chiến_tranh hoặc tình_trạng khẩn_cấp về quốc_phòng được thực_hiện theo lệnh tổng_động_viên hoặc động_viên cục_bộ . ”	quy_định thời_gian phục_vụ tại_ngũ của hạ_sĩ_quan binh_sĩ như thế_nào ?

• Loss: MatryoshkaLoss with these parameters:

  {
      "loss": "MultipleNegativesRankingLoss",
      "matryoshka_dims": [
          768,
          512
      ],
      "matryoshka_weights": [
          1,
          1
      ],
      "n_dims_per_step": -1
  }
  

Evaluation Dataset

json

• Dataset: json
• Size: 918 evaluation samples
• Columns: positive and anchor
• Approximate statistics based on the first 918 samples:

  	positive	anchor
  type	string	string
  details	min: 5 tokens mean: 307.44 tokens max: 3463 tokens	min: 11 tokens mean: 55.94 tokens max: 383 tokens

• Samples:

  positive	anchor
  theo quy_định tại khoản 9 điều 1 nghị_định số 161 / 2018 / nđ - cpngày 29 / 11 / 2018 của chính_phủ sửa_đổi , bổ_sung một_số quy_định về tuyển_dụng công_chức , viên_chức , nâng ngạch công_chức , thăng_hạng viên_chức và thực_hiện chế_độ hợp_đồng một_số loại công_việc trong cơ_quan hành_chính nhà_nước , đơn_vị sự_nghiệp công_lập thì đối_tượng và điểm ưu_tiên trong thi_tuyển hoặc xét tuyển công_chức : + anh_hùng lực_lượng vũ_trang , anh_hùng lao_động , thương_binh , người hưởng chính_sách như thương_binh , thương_binh loại b : được cộng 7,5 điểm vào kết_quả điểm thi tại vòng 2 ; + người dân_tộc_thiểu_số , sĩ_quan quân_đội , sĩ_quan công_an , quân_nhân chuyên_nghiệp , người làm công_tác cơ_yếu chuyển ngành , con liệt_sĩ , con thương_binh , con bệnh_binh , con của người hưởng chính_sách như thương_binh , con của thương_binh loại b , con của người hoạt_động cách_mạng trước tổng_khởi_nghĩa ( từ ngày 19 / 8 / 1945 trở về trước ) , con_đẻ của người hoạt_động kháng_chiến bị nhiễm chất_độc_hó...	đề_nghị cho tôi được biết đối_tượng được hưởng ưu_tiên trong tuyển_dụng công_chức ?
  1 . khi phát_hiện tổ_chức , cá_nhân kê_khai hồ_sơ , thông_báo không_trung_thực hoặc vi_phạm_quy_định tại điều 8 nghị_định số 23 / 2019 / nđ - cp , cơ_quan tiếp_nhận thông_báo yêu_cầu tạm dừng hoạt_động triển_lãm bằng văn_bản ( mẫu_số 03 tại phụ_lục ban_hành kèm theo nghị_định số 23 / 2019 / nđ - cp ) . 2 . tổ_chức , cá_nhân phải dừng hoạt_động triển_lãm ngay khi nhận được văn_bản của cơ_quan có thẩm_quyền ; kịp_thời_khắc_phục hậu_quả , đề_xuất phương_án tiếp_tục tổ_chức triển_lãm gửi cơ_quan có thẩm_quyền xem_xét , quyết_định . 3 . kết_quả xem_xét , quyết_định của cơ_quan có thẩm_quyền phải được thể_hiện bằng văn_bản và gửi cho tổ_chức , cá_nhân biết để thực_hiện . thời_hạn gửi văn_bản cho tổ_chức , cá_nhân là 03 ngày , kể từ ngày cơ_quan có thẩm_quyền nhận được văn_bản đề_xuất phương_án tiếp_tục tổ_chức triển_lãm của tổ_chức , cá_nhân .	những lý_do nào khiến hoạt_động triển_lãm bị tạm dừng ?
  theo quy_định tại khoản 1 điều 33 luật quản_lý , sử_dụng vũ_khí , vật_liệu nổ và công_cụ hỗ_trợ và điểm a khoản 4 điều 3 thông_tư số 16 / 2018 / tt - bca ngày 15 / 5 / 2018 của bộ công_an quy_định chi_tiết thi_hành một_số điều của luật quản_lý , sử_dụng vũ_khí , vật_liệu nổ và công_cụ hỗ_trợ thì thủ_tục đề_nghị cấp giấy_phép vận_chuyển vũ_khí quân_dụng đối_với cơ_quan , tổ_chức ở trung_ương không thuộc phạm_vi quản_lý của bộ quốc_phòng được thực_hiện như sau : a ) hồ_sơ đề_nghị bao_gồm : văn_bản đề_nghị nêu rõ số_lượng , chủng_loại , nguồn_gốc xuất_xứ của vũ_khí cần vận_chuyển ; nơi đi , nơi đến , thời_gian và tuyến đường vận_chuyển ; họ và tên , địa_chỉ của người chịu trách_nhiệm vận_chuyển , người điều_khiển phương_tiện ; biển kiểm_soát của phương_tiện ; giấy giới_thiệu kèm theo bản_sao thẻ căn_cước công_dân , chứng_minh nhân_dân , hộ_chiếu hoặc chứng_minh công_an nhân_dân của người đến liên_hệ ; b ) hồ_sơ lập thành 01 bộ và nộp tại cục cảnh_sát qlhc về ttxh ; c ) trong thời_hạn 05 n...	thủ_tục cấp giấy_phép vận_chuyển vũ_khí quân_dụng đối_với cơ_quan , tổ_chức ở trung_ương không thuộc phạm_vi quản_lý của bộ quốc_phòng thực_hiện như thế_nào ?

• Loss: MatryoshkaLoss with these parameters:

  {
      "loss": "MultipleNegativesRankingLoss",
      "matryoshka_dims": [
          768,
          512
      ],
      "matryoshka_weights": [
          1,
          1
      ],
      "n_dims_per_step": -1
  }
  

Training Hyperparameters

Non-Default Hyperparameters

• eval_strategy: epoch
• per_device_train_batch_size: 2
• per_device_eval_batch_size: 2
• gradient_accumulation_steps: 2
• learning_rate: 2e-05
• num_train_epochs: 1
• lr_scheduler_type: cosine
• warmup_ratio: 0.1
• fp16: True
• tf32: False
• load_best_model_at_end: True
• optim: adamw_torch_fused
• 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: 2
• per_device_eval_batch_size: 2
• per_gpu_train_batch_size: None
• per_gpu_eval_batch_size: None
• gradient_accumulation_steps: 2
• 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: 1
• 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: False
• fp16: True
• 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: False
• hub_always_push: False
• gradient_checkpointing: False
• gradient_checkpointing_kwargs: None
• include_inputs_for_metrics: False
• 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
• 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_eval_metrics: False
• prompts: None
• batch_sampler: no_duplicates
• multi_dataset_batch_sampler: proportional

Training Logs

Click to expand

Epoch	Step	Training Loss	Validation Loss	dim_768_cosine_ndcg@10	dim_512_cosine_ndcg@10
0	0	-	-	0.5887	0.5836
0.0048	10	0.1623	-	-	-
0.0097	20	0.1729	-	-	-
0.0145	30	0.2747	-	-	-
0.0194	40	0.2127	-	-	-
0.0242	50	0.1473	-	-	-
0.0291	60	0.4109	-	-	-
0.0339	70	0.2261	-	-	-
0.0387	80	0.0818	-	-	-
0.0436	90	0.089	-	-	-
0.0484	100	0.0978	-	-	-
0.0533	110	0.0086	-	-	-
0.0581	120	0.1008	-	-	-
0.0630	130	0.2521	-	-	-
0.0678	140	0.0351	-	-	-
0.0726	150	0.0749	-	-	-
0.0775	160	0.1351	-	-	-
0.0823	170	0.0856	-	-	-
0.0872	180	0.0394	-	-	-
0.0920	190	0.2015	-	-	-
0.0969	200	0.026	-	-	-
0.1017	210	0.0287	-	-	-
0.1065	220	0.2549	-	-	-
0.1114	230	0.1615	-	-	-
0.1162	240	0.0181	-	-	-
0.1211	250	0.0582	-	-	-
0.1259	260	0.0537	-	-	-
0.1308	270	0.0404	-	-	-
0.1356	280	0.0307	-	-	-
0.1404	290	0.0316	-	-	-
0.1453	300	0.1625	-	-	-
0.1501	310	0.0104	-	-	-
0.1550	320	0.1477	-	-	-
0.1598	330	0.3662	-	-	-
0.1646	340	0.0763	-	-	-
0.1695	350	0.0291	-	-	-
0.1743	360	0.0858	-	-	-
0.1792	370	0.0131	-	-	-
0.1840	380	0.0255	-	-	-
0.1889	390	0.0596	-	-	-
0.1937	400	0.0939	-	-	-
0.1985	410	0.0197	-	-	-
0.2034	420	0.0289	-	-	-
0.2082	430	0.0709	-	-	-
0.2131	440	0.0148	-	-	-
0.2179	450	0.0281	-	-	-
0.2228	460	0.0657	-	-	-
0.2276	470	0.2965	-	-	-
0.2324	480	0.0691	-	-	-
0.2373	490	0.0017	-	-	-
0.2421	500	0.0045	-	-	-
0.2470	510	0.0076	-	-	-
0.2518	520	0.0996	-	-	-
0.2567	530	0.1027	-	-	-
0.2615	540	0.0192	-	-	-
0.2663	550	0.0048	-	-	-
0.2712	560	0.1203	-	-	-
0.2760	570	0.0541	-	-	-
0.2809	580	0.0596	-	-	-
0.2857	590	0.027	-	-	-
0.2906	600	0.2358	-	-	-
0.2954	610	0.001	-	-	-
0.3002	620	0.0138	-	-	-
0.3051	630	0.0355	-	-	-
0.3099	640	0.1318	-	-	-
0.3148	650	0.0056	-	-	-
0.3196	660	0.0677	-	-	-
0.3245	670	0.0425	-	-	-
0.3293	680	0.003	-	-	-
0.3341	690	0.0608	-	-	-
0.3390	700	0.0024	-	-	-
0.3438	710	0.0327	-	-	-
0.3487	720	0.0021	-	-	-
0.3535	730	0.0504	-	-	-
0.3584	740	0.0012	-	-	-
0.3632	750	0.0383	-	-	-
0.3680	760	0.0127	-	-	-
0.3729	770	0.0073	-	-	-
0.3777	780	0.0223	-	-	-
0.3826	790	0.2714	-	-	-
0.3874	800	0.1781	-	-	-
0.3923	810	0.1457	-	-	-
0.3971	820	0.0428	-	-	-
0.4019	830	0.0663	-	-	-
0.4068	840	0.0746	-	-	-
0.4116	850	0.048	-	-	-
0.4165	860	0.0052	-	-	-
0.4213	870	0.0063	-	-	-
0.4262	880	0.0183	-	-	-
0.4310	890	0.0075	-	-	-
0.4358	900	0.0085	-	-	-
0.4407	910	0.0006	-	-	-
0.4455	920	0.0112	-	-	-
0.4504	930	0.0128	-	-	-
0.4552	940	0.0092	-	-	-
0.4600	950	0.0187	-	-	-
0.4649	960	0.0003	-	-	-
0.4697	970	0.0027	-	-	-
0.4746	980	0.1156	-	-	-
0.4794	990	0.0921	-	-	-
0.4843	1000	0.0676	-	-	-
0.4891	1010	0.0868	-	-	-
0.4939	1020	0.3319	-	-	-
0.4988	1030	0.0227	-	-	-
0.5036	1040	0.0026	-	-	-
0.5085	1050	0.0033	-	-	-
0.5133	1060	0.038	-	-	-
0.5182	1070	0.1247	-	-	-
0.5230	1080	0.0015	-	-	-
0.5278	1090	0.0104	-	-	-
0.5327	1100	0.0118	-	-	-
0.5375	1110	0.0008	-	-	-
0.5424	1120	0.0094	-	-	-
0.5472	1130	0.0324	-	-	-
0.5521	1140	0.0011	-	-	-
0.5569	1150	0.0394	-	-	-
0.5617	1160	0.0096	-	-	-
0.5666	1170	0.0031	-	-	-
0.5714	1180	0.0564	-	-	-
0.5763	1190	0.181	-	-	-
0.5811	1200	0.0401	-	-	-
0.5860	1210	0.0163	-	-	-
0.5908	1220	0.0583	-	-	-
0.5956	1230	0.1254	-	-	-
0.6005	1240	0.0027	-	-	-
0.6053	1250	0.1357	-	-	-
0.6102	1260	0.0036	-	-	-
0.6150	1270	0.0015	-	-	-
0.6199	1280	0.1927	-	-	-
0.6247	1290	0.098	-	-	-
0.6295	1300	0.0119	-	-	-
0.6344	1310	0.0189	-	-	-
0.6392	1320	0.0792	-	-	-
0.6441	1330	0.0084	-	-	-
0.6489	1340	0.0617	-	-	-
0.6538	1350	0.0818	-	-	-
0.6586	1360	0.0264	-	-	-
0.6634	1370	0.0004	-	-	-
0.6683	1380	0.0472	-	-	-
0.6731	1390	0.0013	-	-	-
0.6780	1400	0.0117	-	-	-
0.6828	1410	0.0213	-	-	-
0.6877	1420	0.1806	-	-	-
0.6925	1430	0.0278	-	-	-
0.6973	1440	0.0053	-	-	-
0.7022	1450	0.1247	-	-	-
0.7070	1460	0.002	-	-	-
0.7119	1470	0.0235	-	-	-
0.7167	1480	0.0044	-	-	-
0.7215	1490	0.029	-	-	-
0.7264	1500	0.004	-	-	-
0.7312	1510	0.001	-	-	-
0.7361	1520	0.003	-	-	-
0.7409	1530	0.0004	-	-	-
0.7458	1540	0.0027	-	-	-
0.7506	1550	0.0018	-	-	-
0.7554	1560	0.004	-	-	-
0.7603	1570	0.0071	-	-	-
0.7651	1580	0.0358	-	-	-
0.7700	1590	0.0015	-	-	-
0.7748	1600	0.0409	-	-	-
0.7797	1610	0.0561	-	-	-
0.7845	1620	0.0311	-	-	-
0.7893	1630	0.0132	-	-	-
0.7942	1640	0.0026	-	-	-
0.7990	1650	0.0925	-	-	-
0.8039	1660	0.0062	-	-	-
0.8087	1670	0.0041	-	-	-
0.8136	1680	0.0014	-	-	-
0.8184	1690	0.0135	-	-	-
0.8232	1700	0.0033	-	-	-
0.8281	1710	0.0003	-	-	-
0.8329	1720	0.0355	-	-	-
0.8378	1730	0.0035	-	-	-
0.8426	1740	0.0018	-	-	-
0.8475	1750	0.0249	-	-	-
0.8523	1760	0.0217	-	-	-
0.8571	1770	0.0883	-	-	-
0.8620	1780	0.0063	-	-	-
0.8668	1790	0.0067	-	-	-
0.8717	1800	0.0127	-	-	-
0.8765	1810	0.0019	-	-	-
0.8814	1820	0.0023	-	-	-
0.8862	1830	0.0246	-	-	-
0.8910	1840	0.0044	-	-	-
0.8959	1850	0.0086	-	-	-
0.9007	1860	0.0323	-	-	-
0.9056	1870	0.013	-	-	-
0.9104	1880	0.002	-	-	-
0.9153	1890	0.0053	-	-	-
0.9201	1900	0.0009	-	-	-
0.9249	1910	0.0082	-	-	-
0.9298	1920	0.0008	-	-	-
0.9346	1930	0.0079	-	-	-
0.9395	1940	0.0031	-	-	-
0.9443	1950	0.0039	-	-	-
0.9492	1960	0.0261	-	-	-
0.9540	1970	0.0006	-	-	-
0.9588	1980	0.0063	-	-	-
0.9637	1990	0.0132	-	-	-
0.9685	2000	0.0061	-	-	-
0.9734	2010	0.0008	-	-	-
0.9782	2020	0.0341	-	-	-
0.9831	2030	0.0054	-	-	-
0.9879	2040	0.0001	-	-	-
0.9927	2050	0.0367	-	-	-
0.9976	2060	0.0046	-	-	-
1.0	2065	-	0.0276	0.7258	0.7211

• The bold row denotes the saved checkpoint.

Framework Versions

• Python: 3.10.14
• Sentence Transformers: 3.3.1
• Transformers: 4.41.2
• PyTorch: 2.4.0
• Accelerate: 0.29.3
• Datasets: 2.19.1
• Tokenizers: 0.19.1

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",
}

MatryoshkaLoss

@misc{kusupati2024matryoshka,
    title={Matryoshka Representation Learning},
    author={Aditya Kusupati and Gantavya Bhatt and Aniket Rege and Matthew Wallingford and Aditya Sinha and Vivek Ramanujan and William Howard-Snyder and Kaifeng Chen and Sham Kakade and Prateek Jain and Ali Farhadi},
    year={2024},
    eprint={2205.13147},
    archivePrefix={arXiv},
    primaryClass={cs.LG}
}

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}
}