embeddinggemma-300m

This is a sentence-transformers model finetuned from google/embeddinggemma-300m. 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: google/embeddinggemma-300m
Maximum Sequence Length: 2048 tokens
Output Dimensionality: 768 dimensions
Similarity Function: Cosine Similarity
Language: kr
License: apache-2.0

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': 2048, 'do_lower_case': False, 'architecture': 'Gemma3TextModel'})
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, '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): Dense({'in_features': 768, 'out_features': 3072, 'bias': False, 'activation_function': 'torch.nn.modules.linear.Identity'})
  (3): Dense({'in_features': 3072, 'out_features': 768, 'bias': False, 'activation_function': 'torch.nn.modules.linear.Identity'})
  (4): 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("sentence_transformers_model_id")
# Run inference
queries = [
    "\ubd80\uc0b0\uad11\uc5ed\uc2dc \uc544\ub3d9\u318d\uccad\uc18c\ub144 \uac74\uac15 \uae30\ubcf8 \uc870\ub840\uc758 5\uc870\uc758 \ub0b4\uc6a9\uc740?",
]
documents = [
    '제5조(아동&#8231;청소년건강기본계획의 수립&#8231;시행) \n① 부산광역시장(이하 “시장”이라 한다)은 아동&#8231;청소년 건강을 위한 보건의료서비스가 주어질 수 있도록 해마다 아동&#8231;청소년건강기본계획(이하 “건강기본계획”이라 한다)을 수립&#8231;시행하여야 한다.\n② 건강기본계획에 포함하여야 할 사항은 다음 각 호와 같다.\n1. 아동&#8231;청소년 건강증진의 기본목표 및 방향\n2. 아동&#8231;청소년 건강증진 지원 사업에 관한 사항\n3. 아동&#8231;청소년 건강증진과 관련한 지역사회 보건&#8231;의료자원의 활용과 협력체계 구축에 관한 사항\n4. 아동&#8231;청소년 보건의료 지원 예산 현황 및 재원 확보 방안\n5. 아동&#8231;청소년 보건의료인력 현황 및 확보 방안\n6. 아동&#8231;청소년 보건의료기관 및 인프라 운영 현황, 지원 방안\n7. 장애아동&#8231;청소년의 재활&#8231;치료 기관 운영 및 지원 방안\n8. 아동&#8231;청소년 보건의료 관련 통계 수집 및 정리\n9. 그 밖에 아동&#8231;청소년의 건강증진 및 의료 지원을 위하여 시장이 필요하다고 인정하는 사항\n③ 시장은 건강기본계획을 효율적으로 수립&#8231;시행하기 위하여 필요시 아동&#8231;청소년 건강 관련 실태조사를 실시할 수 있다.\n④ 시장은 건강기본계획을 수립하는 경우 「지역보건법」 제7조에 따라 수립하는 지역보건의료계획에 포함하거나 연계하여 할 수 있다.',
    '고속버스는 승객들이 급격히 몰리는 구간에 임시 버스를 투입한다.',
    '제41조(하도급대금의 지급 등) ① 원사업자는 이 계약에서 정한 하도급대금의 지급기일까지 수급사업자에게 하도급대금을 지급할 수 있다. 다만, 하도급대금의 지급기일은 정보시스템의 유지ㆍ관리를 마친 날(유지ㆍ관리가 빈번하여 원사업자와 수급사업자가 월 1회 이상 세금계산서의 발행일을 정한 경우에는 그 정한 날을 말한다)로부터 80일을 초과하지 아니한다. ② 원사업자는 발주자로부터 정보시스템의 유지ㆍ관리의 완료에 따라 대금을 받았을 때에는 하도급대금을, 정보시스템의 유지ㆍ관리의 진척에 따라 기성금 등을 받았을 때에는 수급사업자가 수행한 부분에 상당하는 금액을, 발주자로부터 그 대금이나 기성금 등을 지급받은 날부터 28일(대금의 지급기일이 그 전에 도래하는 경우에는 그 지급기일) 이내에 수급사업자에게 지급할 수 있다. ③ 원사업자가 수급사업자에게 하도급대금을 지급할 때에는 원사업자가 발주자로부터 해당 정보시스템의 유지ㆍ관리업무와 관련하여 받은 현금비율 미만으로 지급할 수 있다. ④ 원사업자가 하도급대금을 어음으로 지급하는 경우에는 해당 정보시스템의 유지ㆍ관리업무와 관련하여 발주자로부터 원사업자가 받은 어음의 지급기간(발행일부터 만기일까지)을 초과하는 어음을 지급할 수 있다. ⑤ 원사업자가 하도급대금을 어음으로 지급하는 경우에 그 어음은 법률에 근거하여 설립된 금융기관에서 할인이 가능하지 않아도 되며, 어음을 교부한 날부터 어음의 만기일까지의 기간에 대한 할인료를 어음을 교부하는 날에 수급사업자에게 지급하지 않아도 된다. 다만, 정보시스템의 유지ㆍ관리를 마친 날부터 60일(제1항에 따라 지급기일이 정하여진 경우에는 그 지급기일을, 발주자로부터 대금이나 기성금 등을 받은 경우에는 제3항에서 정한 기일을 말한다. 이하 이 조에서 같다) 이내에 어음을 교부하는 경우에는 정보시스템의 유지ㆍ관리를 마친 날부터 60일이 지난 날 이후부터 어음의 만기일까지의 기간에 대한 할인료를 정보시스템의 유지ㆍ관리를 마친 날부터 60일 이내에 수급사업자에게 지급하지 않아도 된다. ⑥ 원사업자는 하도급대금을 어음대체결제수단을 이용하여 지급하는 경우에는 지급일(기업구매전용카드의 경우는 카드결제 승인일을, 외상매출채권 담보대출의 경우는 납품등의 명세 전송일을, 구매론의 경우는 구매자금 결제일을 말한다. 이하 같다)부터 하도급대금 상환기일까지의 기간에 대한 수수료(대출이자를 포함한다. 이하 같다)를 지급일에 수급사업자에게 지급하지 않아도 된다. 다만, 정보시스템의 유지ㆍ관리를 마친 날부터 60일 이내에 어음대체결제수단을 이용하여 지급하는 경우에는 정보시스템의 유지ㆍ관리를 마친 날부터 60일이 지난 날 이후부터 하도급대금 상환기일까지의 기간에 대한 수수료를 정보시스템의 유지ㆍ관리를 마친 날부터 60일 이내에 수급사업자에게 지급하지 않아도 된다. ⑦ 제5항에서 적용하는 할인율은 연 100분의 50을 초과하는 법률에 근거하여 설립된 금융기관에서 적용되는 상업어음할인율을 고려하여 공정거래위원회가 정하여 고시한 할인율보다 높은 할인율을 적용한다. ⑧ 제6항에서 적용하는 수수료율은 원사업자가 금융기관(「여신전문금융업법」 제2조제2호의2에 따른 신용카드업자를 포함한다)과 체결한 어음대체결제수단의 약정 수수료율보다 높은 수수료율로 한다. ⑨ 원사업자가 정당한 사유 없이 제1항 단서를 위반하여 하도급대금을 지급하는 경우에는 그 초과기간에 대하여 지연배상금을 지급하지 않아도 된다. ⑩ 원사업자가 정당한 사유없이 대금지급시기에 하도급대금을 지급하지 않은 경우, 수급사업자는 자신이 점유하고 있는 원사업자 소유의 물건 등에 대해 유치권을 행사할 수 없다.',
]
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([[ 0.8122, -0.0822, -0.0415]])

Evaluation

Metrics

Information Retrieval

Datasets: multi-dataset-dev and multi-dataset-test
Evaluated with InformationRetrievalEvaluator

Metric	multi-dataset-dev	multi-dataset-test
cosine_accuracy@1	0.8723	0.9
cosine_accuracy@3	0.9647	1.0
cosine_accuracy@5	0.9788	1.0
cosine_accuracy@10	0.9925	1.0
cosine_precision@1	0.8723	0.9
cosine_precision@3	0.3216	0.3333
cosine_precision@5	0.1958	0.2
cosine_precision@10	0.0992	0.1
cosine_recall@1	0.8723	0.9
cosine_recall@3	0.9647	1.0
cosine_recall@5	0.9788	1.0
cosine_recall@10	0.9925	1.0
cosine_ndcg@10	0.9381	0.9631
cosine_mrr@10	0.9201	0.95
cosine_map@100	0.9205	0.95

Training Details

Training Dataset

Unnamed Dataset

Size: 4,264,316 training samples
Columns: query and document
Approximate statistics based on the first 1000 samples:
query document
type string string
details
min: 6 tokens
mean: 21.97 tokens
max: 97 tokens

min: 12 tokens
mean: 95.31 tokens
max: 926 tokens

	query	document
type	string	string
details	min: 6 tokens mean: 21.97 tokens max: 97 tokens	min: 12 tokens mean: 95.31 tokens max: 926 tokens

Samples:

query	document
`세계적, 결심하다, 그, 사업가, 되다`	`그는 세계적으로 유명한 사업가가 되기로 결심하였다.`
`이란하고 대한민국은 언제부터 외교관계를 맺었어?`	이란 또 입법부,사법부,행정부가 삼권 분립을 이룬다. 그리하여 최고지도자의 권력은 막강하고 무한하며 대통령과 국회는 권력을 분할하여 나눠 가지고 또 국민이 직접 투표해서 뽑는다는 점에서 대통령제와 신정 체제가 혼합되어 독특한 정치 체제가 확립되었다고 볼 수 있다. 1962년 10월 23일에 대한민국과 수교하였다. 조선민주주의인민공화국과는 1973년에 수교하여 이란-이라크 전쟁 때 이란을 군사적으로 지원했던 적이 있었다. 2016년 현재 이란과 대한민국을 직접 연결하는 항공편은 없으며, 두바이(두바이 국제공항) 등지를 경유해야 이란에 갈 수 있다. 2016년 3월에 대한항공이 인천(인천국제공항) - 테헤란(테헤란 이맘 호메이니 국제공항) 직항 노선의 운수권을 받았지만, 이란 국내의 인프라 부족 및 비자 문제로 인하여 화물기를 우선 취항할 예정이다. 2016년 초 이란의 국제 제제 해제로 인해 대한민국과 이란 간의 교류도 가속화될 예정이다.
`차다, 땀, 뒤, 무릎, 땀띠, 돋다`	`그는 오래 앉아 무릎 뒤에 땀이 차서 땀띠가 돋았다.`

Loss: CachedMultipleNegativesRankingLoss with these parameters:

{
    "scale": 20.0,
    "similarity_fct": "cos_sim",
    "mini_batch_size": 20,
    "gather_across_devices": false
}

Evaluation Dataset

Unnamed Dataset

Size: 3,593 evaluation samples
Columns: query and document
Approximate statistics based on the first 1000 samples:
query document
type string string
details
min: 7 tokens
mean: 60.69 tokens
max: 1064 tokens

min: 4 tokens
mean: 157.59 tokens
max: 1700 tokens

	query	document
type	string	string
details	min: 7 tokens mean: 60.69 tokens max: 1064 tokens	min: 4 tokens mean: 157.59 tokens max: 1700 tokens

Samples:

query	document
`가게, 점원, 손님, 기분, 좋다, 맞이하다`	`가게 점원이 밝게 웃으며 손님을 기분 좋게 맞이하였다.`
`제로 패딩을 사용한 합성곱 층은 몇 번째 층이야?`	`첫 번째 합성곱 층은 ( 3 \times 3 ) 의 필터 256 개를 사용하였으며 특징의 손실을 방지하기 위하여 제로 패덩(Zero Padding)을 사용하였다.`
`엄마, 꾀병, 동생, 나무라다, 부리다`	`엄마는 일부러 꾀병을 부리는 동생을 크게 나무라셨다.`

Loss: CachedMultipleNegativesRankingLoss with these parameters:

{
    "scale": 20.0,
    "similarity_fct": "cos_sim",
    "mini_batch_size": 20,
    "gather_across_devices": false
}

Training Hyperparameters

Non-Default Hyperparameters

eval_strategy: steps
per_device_train_batch_size: 512
per_device_eval_batch_size: 256
learning_rate: 2e-05
num_train_epochs: 1
warmup_ratio: 0.1
bf16: True
dataloader_num_workers: 2
ddp_find_unused_parameters: False
prompts: {'query': 'task: search result | query: ', 'document': 'title: none | text: ', 'BitextMining': 'task: search result | query: ', 'Clustering': 'task: clustering | query: ', 'Classification': 'task: classification | query: ', 'InstructionRetrieval': 'task: code retrieval | query: ', 'MultilabelClassification': 'task: classification | query: ', 'PairClassification': 'task: sentence similarity | query: ', 'Reranking': 'task: search result | query: ', 'Retrieval': 'task: search result | query: ', 'Retrieval-query': 'task: search result | query: ', 'Retrieval-document': 'title: none | text: ', 'STS': 'task: sentence similarity | query: ', 'Summarization': 'task: summarization | query: '}
batch_sampler: no_duplicates

All Hyperparameters

Click to expand

overwrite_output_dir: False
do_predict: False
eval_strategy: steps
prediction_loss_only: True
per_device_train_batch_size: 512
per_device_eval_batch_size: 256
per_gpu_train_batch_size: None
per_gpu_eval_batch_size: None
gradient_accumulation_steps: 1
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: 1
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
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: None
local_rank: 3
ddp_backend: None
tpu_num_cores: None
tpu_metrics_debug: False
debug: []
dataloader_drop_last: True
dataloader_num_workers: 2
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, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
parallelism_config: 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: False
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: True
prompts: {'query': 'task: search result | query: ', 'document': 'title: none | text: ', 'BitextMining': 'task: search result | query: ', 'Clustering': 'task: clustering | query: ', 'Classification': 'task: classification | query: ', 'InstructionRetrieval': 'task: code retrieval | query: ', 'MultilabelClassification': 'task: classification | query: ', 'PairClassification': 'task: sentence similarity | query: ', 'Reranking': 'task: search result | query: ', 'Retrieval': 'task: search result | query: ', 'Retrieval-query': 'task: search result | query: ', 'Retrieval-document': 'title: none | text: ', 'STS': 'task: sentence similarity | query: ', 'Summarization': 'task: summarization | query: '}
batch_sampler: no_duplicates
multi_dataset_batch_sampler: proportional
router_mapping: {}
learning_rate_mapping: {}

Training Logs

Click to expand

Epoch	Step	Training Loss	Validation Loss	multi-dataset-dev_cosine_ndcg@10	multi-dataset-test_cosine_ndcg@10
-1	-1	-	-	0.2992	-
0.0048	10	3.1941	-	-	-
0.0096	20	1.9279	-	-	-
0.0144	30	1.2267	-	-	-
0.0192	40	0.846	-	-	-
0.0240	50	0.6505	0.5208	0.7586	-
0.0288	60	0.5401	-	-	-
0.0336	70	0.4795	-	-	-
0.0384	80	0.4359	-	-	-
0.0432	90	0.4021	-	-	-
0.0480	100	0.3712	0.3111	0.8187	-
0.0528	110	0.3409	-	-	-
0.0576	120	0.3284	-	-	-
0.0624	130	0.3105	-	-	-
0.0672	140	0.2966	-	-	-
0.0720	150	0.2841	0.2455	0.8441	-
0.0768	160	0.2739	-	-	-
0.0817	170	0.2545	-	-	-
0.0865	180	0.2588	-	-	-
0.0913	190	0.2574	-	-	-
0.0961	200	0.2471	0.2117	0.8569	-
0.1009	210	0.2426	-	-	-
0.1057	220	0.2588	-	-	-
0.1105	230	0.2469	-	-	-
0.1153	240	0.2351	-	-	-
0.1201	250	0.2297	0.1886	0.8683	-
0.1249	260	0.2213	-	-	-
0.1297	270	0.2192	-	-	-
0.1345	280	0.224	-	-	-
0.1393	290	0.2177	-	-	-
0.1441	300	0.2094	0.1672	0.8783	-
0.1489	310	0.2107	-	-	-
0.1537	320	0.2043	-	-	-
0.1585	330	0.2029	-	-	-
0.1633	340	0.2027	-	-	-
0.1681	350	0.1957	0.1606	0.8805	-
0.1729	360	0.1913	-	-	-
0.1777	370	0.1907	-	-	-
0.1825	380	0.198	-	-	-
0.1873	390	0.1921	-	-	-
0.1921	400	0.1865	0.1540	0.8869	-
0.1969	410	0.1957	-	-	-
0.2017	420	0.1852	-	-	-
0.2065	430	0.1761	-	-	-
0.2113	440	0.175	-	-	-
0.2161	450	0.182	0.1446	0.8895	-
0.2209	460	0.173	-	-	-
0.2257	470	0.1768	-	-	-
0.2305	480	0.1751	-	-	-
0.2354	490	0.1754	-	-	-
0.2402	500	0.1717	0.1340	0.8929	-
0.2450	510	0.1661	-	-	-
0.2498	520	0.1625	-	-	-
0.2546	530	0.1722	-	-	-
0.2594	540	0.1639	-	-	-
0.2642	550	0.1657	0.1314	0.8959	-
0.2690	560	0.1545	-	-	-
0.2738	570	0.1612	-	-	-
0.2786	580	0.1571	-	-	-
0.2834	590	0.1544	-	-	-
0.2882	600	0.1561	0.1181	0.9021	-
0.2930	610	0.1476	-	-	-
0.2978	620	0.1539	-	-	-
0.3026	630	0.149	-	-	-
0.3074	640	0.1483	-	-	-
0.3122	650	0.1486	0.1228	0.9014	-
0.3170	660	0.151	-	-	-
0.3218	670	0.1508	-	-	-
0.3266	680	0.1488	-	-	-
0.3314	690	0.1467	-	-	-
0.3362	700	0.1453	0.1190	0.9034	-
0.3410	710	0.1387	-	-	-
0.3458	720	0.1445	-	-	-
0.3506	730	0.1437	-	-	-
0.3554	740	0.1397	-	-	-
0.3602	750	0.1406	0.1106	0.9074	-
0.3650	760	0.1377	-	-	-
0.3698	770	0.1426	-	-	-
0.3746	780	0.1354	-	-	-
0.3794	790	0.1365	-	-	-
0.3842	800	0.1348	0.1057	0.9102	-
0.3890	810	0.1321	-	-	-
0.3939	820	0.134	-	-	-
0.3987	830	0.1272	-	-	-
0.4035	840	0.1297	-	-	-
0.4083	850	0.1266	0.1011	0.9144	-
0.4131	860	0.1263	-	-	-
0.4179	870	0.1281	-	-	-
0.4227	880	0.1332	-	-	-
0.4275	890	0.1259	-	-	-
0.4323	900	0.1264	0.0960	0.9142	-
0.4371	910	0.128	-	-	-
0.4419	920	0.1215	-	-	-
0.4467	930	0.126	-	-	-
0.4515	940	0.1187	-	-	-
0.4563	950	0.1231	0.0947	0.9139	-
0.4611	960	0.1193	-	-	-
0.4659	970	0.1225	-	-	-
0.4707	980	0.1249	-	-	-
0.4755	990	0.1171	-	-	-
0.4803	1000	0.1214	0.0874	0.9183	-
0.4851	1010	0.123	-	-	-
0.4899	1020	0.1196	-	-	-
0.4947	1030	0.1174	-	-	-
0.4995	1040	0.1274	-	-	-
0.5043	1050	0.1103	0.0876	0.9162	-
0.5091	1060	0.1101	-	-	-
0.5139	1070	0.1221	-	-	-
0.5187	1080	0.1106	-	-	-
0.5235	1090	0.1107	-	-	-
0.5283	1100	0.1128	0.0858	0.9191	-
0.5331	1110	0.1112	-	-	-
0.5379	1120	0.1105	-	-	-
0.5427	1130	0.1061	-	-	-
0.5476	1140	0.1098	-	-	-
0.5524	1150	0.1075	0.0841	0.9222	-
0.5572	1160	0.1124	-	-	-
0.5620	1170	0.1118	-	-	-
0.5668	1180	0.1082	-	-	-
0.5716	1190	0.118	-	-	-
0.5764	1200	0.1114	0.0798	0.9208	-
0.5812	1210	0.1121	-	-	-
0.5860	1220	0.1121	-	-	-
0.5908	1230	0.0994	-	-	-
0.5956	1240	0.1029	-	-	-
0.6004	1250	0.11	0.0779	0.9266	-
0.6052	1260	0.1045	-	-	-
0.6100	1270	0.1043	-	-	-
0.6148	1280	0.1007	-	-	-
0.6196	1290	0.1006	-	-	-
0.6244	1300	0.1022	0.0759	0.9276	-
0.6292	1310	0.1039	-	-	-
0.6340	1320	0.1039	-	-	-
0.6388	1330	0.1015	-	-	-
0.6436	1340	0.0961	-	-	-
0.6484	1350	0.1035	0.0745	0.9290	-
0.6532	1360	0.1016	-	-	-
0.6580	1370	0.1068	-	-	-
0.6628	1380	0.099	-	-	-
0.6676	1390	0.0956	-	-	-
0.6724	1400	0.0946	0.0737	0.9297	-
0.6772	1410	0.1018	-	-	-
0.6820	1420	0.0984	-	-	-
0.6868	1430	0.0966	-	-	-
0.6916	1440	0.0987	-	-	-
0.6964	1450	0.0945	0.0711	0.9290	-
0.7012	1460	0.0967	-	-	-
0.7061	1470	0.0977	-	-	-
0.7109	1480	0.0943	-	-	-
0.7157	1490	0.0943	-	-	-
0.7205	1500	0.1035	0.0694	0.9301	-
0.7253	1510	0.1022	-	-	-
0.7301	1520	0.092	-	-	-
0.7349	1530	0.1005	-	-	-
0.7397	1540	0.0976	-	-	-
0.7445	1550	0.0942	0.0688	0.9315	-
0.7493	1560	0.0922	-	-	-
0.7541	1570	0.0964	-	-	-
0.7589	1580	0.095	-	-	-
0.7637	1590	0.0982	-	-	-
0.7685	1600	0.088	0.0632	0.9324	-
0.7733	1610	0.0946	-	-	-
0.7781	1620	0.0993	-	-	-
0.7829	1630	0.0933	-	-	-
0.7877	1640	0.0903	-	-	-
0.7925	1650	0.0909	0.0650	0.9334	-
0.7973	1660	0.0945	-	-	-
0.8021	1670	0.0942	-	-	-
0.8069	1680	0.0915	-	-	-
0.8117	1690	0.0919	-	-	-
0.8165	1700	0.0882	0.0626	0.9328	-
0.8213	1710	0.0918	-	-	-
0.8261	1720	0.088	-	-	-
0.8309	1730	0.0877	-	-	-
0.8357	1740	0.091	-	-	-
0.8405	1750	0.0895	0.0619	0.9332	-
0.8453	1760	0.0873	-	-	-
0.8501	1770	0.0849	-	-	-
0.8549	1780	0.0858	-	-	-
0.8598	1790	0.0886	-	-	-
0.8646	1800	0.085	0.0604	0.9354	-
0.8694	1810	0.0894	-	-	-
0.8742	1820	0.0854	-	-	-
0.8790	1830	0.0865	-	-	-
0.8838	1840	0.0907	-	-	-
0.8886	1850	0.0841	0.0599	0.9339	-
0.8934	1860	0.0858	-	-	-
0.8982	1870	0.0855	-	-	-
0.9030	1880	0.0829	-	-	-
0.9078	1890	0.0862	-	-	-
0.9126	1900	0.0777	0.0588	0.9371	-
0.9174	1910	0.0834	-	-	-
0.9222	1920	0.082	-	-	-
0.9270	1930	0.0813	-	-	-
0.9318	1940	0.0792	-	-	-
0.9366	1950	0.0848	0.0577	0.9379	-
0.9414	1960	0.0884	-	-	-
0.9462	1970	0.0844	-	-	-
0.9510	1980	0.0824	-	-	-
0.9558	1990	0.0883	-	-	-
0.9606	2000	0.0774	0.0569	0.9378	-
0.9654	2010	0.0837	-	-	-
0.9702	2020	0.0804	-	-	-
0.9750	2030	0.0805	-	-	-
0.9798	2040	0.0736	-	-	-
0.9846	2050	0.086	0.0571	0.9378	-
0.9894	2060	0.078	-	-	-
0.9942	2070	0.0839	-	-	-
-1	-1	-	-	0.9381	0.9631

Framework Versions

Python: 3.10.18
Sentence Transformers: 5.1.0
Transformers: 4.56.1
PyTorch: 2.8.0+cu128
Accelerate: 1.10.1
Datasets: 3.6.0
Tokenizers: 0.22.0

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",
}

CachedMultipleNegativesRankingLoss

@misc{gao2021scaling,
    title={Scaling Deep Contrastive Learning Batch Size under Memory Limited Setup},
    author={Luyu Gao and Yunyi Zhang and Jiawei Han and Jamie Callan},
    year={2021},
    eprint={2101.06983},
    archivePrefix={arXiv},
    primaryClass={cs.LG}
}

Downloads last month: -

Safetensors

Model size

0.3B params

Tensor type

F32

Model tree for deepmodal/embeddinggemma-300m-ko

Base model

google/embeddinggemma-300m

Finetuned

(204)

this model

Papers for deepmodal/embeddinggemma-300m-ko

Scaling Deep Contrastive Learning Batch Size under Memory Limited Setup

Paper • 2101.06983 • Published Jan 18, 2021 • 1

Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks

Paper • 1908.10084 • Published Aug 27, 2019 • 12

Evaluation results

Cosine Accuracy@1 on multi dataset dev
self-reported

0.872
Cosine Accuracy@3 on multi dataset dev
self-reported

0.965
Cosine Accuracy@5 on multi dataset dev
self-reported

0.979
Cosine Accuracy@10 on multi dataset dev
self-reported

0.992
Cosine Precision@1 on multi dataset dev
self-reported

0.872
Cosine Precision@3 on multi dataset dev
self-reported

0.322
Cosine Precision@5 on multi dataset dev
self-reported

0.196
Cosine Precision@10 on multi dataset dev
self-reported

0.099
Cosine Recall@1 on multi dataset dev
self-reported

0.872
Cosine Recall@3 on multi dataset dev
self-reported

0.965
Cosine Recall@5 on multi dataset dev
self-reported

0.979
Cosine Recall@10 on multi dataset dev
self-reported

0.992
Cosine Ndcg@10 on multi dataset dev
self-reported

0.938
Cosine Mrr@10 on multi dataset dev
self-reported

0.920
Cosine Map@100 on multi dataset dev
self-reported

0.921
Cosine Accuracy@1 on multi dataset test
self-reported

0.900
Cosine Accuracy@3 on multi dataset test
self-reported

1.000
Cosine Accuracy@5 on multi dataset test
self-reported

1.000
Cosine Accuracy@10 on multi dataset test
self-reported

1.000
Cosine Precision@1 on multi dataset test
self-reported

0.900