--- tags: - sentence-transformers - sentence-similarity - feature-extraction - dense - generated_from_trainer - dataset_size:56358 - loss:MultipleNegativesRankingLoss base_model: BAAI/bge-m3 widget: - source_sentence: '''신영복'' 작가의 ''설악일우''의 제작년도' sentences: - '''원성원'' 작가의 ''드림룸-배경''은(는) 2004/2017에 제작되었습니다.' - '''신영복'' 작가의 ''설악일우''은(는) 1989에 제작되었습니다.' - '''강용운'' 작가의 ''비(秘)''의 부문은 회화 II입니다.' - source_sentence: '''김소라'' 작가의 ''왜냐고 내게 묻지 마세요''의 규격' sentences: - '''김소라'' 작가의 ''왜냐고 내게 묻지 마세요''의 규격은 330×1400×700(가변크기)입니다.' - '''문신'' 작가의 ''무제''의 규격은 22×27.5입니다.' - '''변관식'' 작가의 ''드로잉''은(는) 1960년대에 제작되었습니다.' - source_sentence: '''서세옥'' 작가의 ''모자''의 부문' sentences: - '''김기창 a'' 작가의 ''점과 선 시리즈 II''은(는) 1989에 제작되었습니다.' - '''서세옥'' 작가의 ''모자''의 부문은 회화 I입니다.' - '''문신'' 작가의 ''무제''은(는) 1979에 제작되었습니다.' - source_sentence: '''문신'' 작가의 ''무제''의 부문' sentences: - '이수경(李受徑, 1963- )은 서양화를 전공했으며 조각, 설치, 영상, 회화 등 다양한 매체를 다룬다. 작가는 파편화된 도자기 및 신화, 불화(佛畫) 소재 등을 차용하여 재해석한 작품을 보여 준다. 그는 2006년 제6회 광주비엔날레, 2012년 제18회 시드니비엔날레에 참여했으며, 2017년에는 제57회 베니스비엔날레 본 전시에 초청받기도 하였다. 국립현대미술관 《올해의 작가상 2012》에 선정되었으며, 독일, 일본, 대만, 미국 등에서 개인전을 가지며 국내외에서 활발한 활동을 한다.<달빛 왕관_신라 금관 그림자>는 국립중앙박물관에 소장되어 있는 보물 신라시대 서봉총 금관을 오마주한 작품이다. 국립현대미술관의 커미션으로 제작되어 《DNA: 한국미술 어제와 오늘》(2021)에 출품되었다. 흑운모와 다양한 원석을 캐스팅하여 거칠게 장식한 표면은 마치 검은 동굴을 연상케 하며 그 안과 밖에는 보주* 형태의 오브제가 위치하는데, 이러한 구성은 신라금관이 지니고 있는 이야기들을 들여다보게끔 하는 방식으로 구현되었다. 신라인들의 섬세한 공예기술을 재현하듯 작가가 생각하는 가장 한국적인 여인 얼굴상과 삼국시대 벽화에 등장하는 각종 장식적 요소들을 비롯해, 설화 속 등장하는 호랑이 이미지와 함께 세밀하고 섬세하게 조각하였다. 이수경은 황금의 나라로 불렸던 신라의 금속공예 기술, 고대 미술의 신화성 등을 현대적 미감과 시각으로 풀어냈다.*보주(寶珠)는 불교의 영물(靈物)로, 마니주(摩尼珠), 여의주 또는 여의보주라고도 불린다. 일반적으로 불교 법당의 가장 높은 용마루 중앙에 자리한다.' - '''임영길'' 작가의 ''이미지 91-9''의 재료는 종이에 석판, 스크린프린트입니다.' - '''문신'' 작가의 ''무제''의 부문은 드로잉입니다.' - source_sentence: '''파블로 피카소 '' 작가의 ''둥근 눈의 얼굴''의 재료' sentences: - '''파블로 피카소 '' 작가의 ''둥근 눈의 얼굴''의 재료는 백색 도기토입니다.' - '''정연희'' 작가의 ''다시 만날때 -계단''의 재료는 캔버스에 유화 물감, 오일 스틱입니다.' - '''한묵'' 작가의 ''무제''의 규격은 75×63입니다.' pipeline_tag: sentence-similarity library_name: sentence-transformers --- # SentenceTransformer based on BAAI/bge-m3 This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [BAAI/bge-m3](https://huggingface.co/BAAI/bge-m3). It maps sentences & paragraphs to a 1024-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:** [BAAI/bge-m3](https://huggingface.co/BAAI/bge-m3) - **Maximum Sequence Length:** 8192 tokens - **Output Dimensionality:** 1024 dimensions - **Similarity Function:** Cosine Similarity ### Model Sources - **Documentation:** [Sentence Transformers Documentation](https://sbert.net) - **Repository:** [Sentence Transformers on GitHub](https://github.com/UKPLab/sentence-transformers) - **Hugging Face:** [Sentence Transformers on Hugging Face](https://huggingface.co/models?library=sentence-transformers) ### Full Model Architecture ``` SentenceTransformer( (0): Transformer({'max_seq_length': 8192, 'do_lower_case': False, 'architecture': 'XLMRobertaModel'}) (1): Pooling({'word_embedding_dimension': 1024, '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: ```bash pip install -U sentence-transformers ``` Then you can load this model and run inference. ```python from sentence_transformers import SentenceTransformer # Download from the 🤗 Hub model = SentenceTransformer("hwjello/artwork_embedding") # Run inference sentences = [ "'파블로 피카소 ' 작가의 '둥근 눈의 얼굴'의 재료", "'파블로 피카소 ' 작가의 '둥근 눈의 얼굴'의 재료는 백색 도기토입니다.", "'한묵' 작가의 '무제'의 규격은 75×63입니다.", ] embeddings = model.encode(sentences) print(embeddings.shape) # [3, 1024] # Get the similarity scores for the embeddings similarities = model.similarity(embeddings, embeddings) print(similarities) # tensor([[ 1.0000, 0.9937, -0.1045], # [ 0.9937, 1.0000, -0.0946], # [-0.1045, -0.0946, 1.0000]]) ``` ## Training Details ### Training Dataset #### Unnamed Dataset * Size: 56,358 training samples * Columns: sentence_0 and sentence_1 * Approximate statistics based on the first 1000 samples: | | sentence_0 | sentence_1 | |:--------|:-----------------------------------------------------------------------------------|:------------------------------------------------------------------------------------| | type | string | string | | details | | | * Samples: | sentence_0 | sentence_1 | |:------------------------------------|:-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------| | '아이작 위트킨' 작가의 '가을'의 부문 | '아이작 위트킨' 작가의 '가을'의 부문은 조각ㆍ설치입니다. | | '이항성' 작가의 '강수(江水)'의 재료 | '이항성' 작가의 '강수(江水)'의 재료는 종이에 석판입니다. | | '김순기' 작가의 '정원과 돌' | 김순기(金順基, 1946- )는 서양화를 전공하고 1971년 니스에 위치한 국제예술교류센터(Centre Artistique de Rencontre International) 초청작가로 선발되어 프랑스로 건너갔다. 그는 1974년부터 니스 국립장식미술학교(École Nationale d’Art Décoratif de Nice), 디종 국립고등미술학교(École Nationale Supérieure d’Art de Dijon) 등에서 교수로 재직했다. 그는 남프랑스 지역에서 철학자, 단체와 만나면서 실험적인 설치 작품 및 프로젝트를 선보였다. 1980년대 초부터는 존 케이지(John Cage), 백남준, 이라 슈나이더(Ira Schneider) 등과 교류하면서 예술과 철학, 과학이 접목된 실험적인 비디오와 멀티미디어 작업을 지속해왔다. 그는 1986년부터 파리 근교 비엘메종(Viels-Maisons)의 농가를 개조한 작업실에 거주하면서 동·서양의 철학, 시간과 공간 개념에 관한 탐구를 바탕으로 정형화될 수 없는 예술과 삶의 관계를 고찰해왔다.<정원과 돌>은 핀홀 카메라로 정원을 촬영한 사진 중 하나로, 우측 화단에 넓적한 돌판이 놓여 있고 그 옆으로 나무와 야생화가 피어 있다. 핀홀 카메라는 상자에 작은 구멍을 뚫어 만든 단순한 형태의 사진기로, 구멍을 통해 빛이 들어오면 상자 안쪽에 부착된 필름에 상이 맺혀 사진이 찍힌다. 김순기는 장시간 노출이 필요한 핀홀 카메라를 사용하여 시간에 따라 변화하는 자연의 모습을 사진에 담아냈다. 작가에게 핀홀 카메라 작업은 자연 속에서 이미지를 발견하는 일, 더 나아가 자연이 스스로 이미지를 만들게 하는 일이었다. 여기에는 ‘억지로 무엇인가를 하지 않으려는’ 작가의 미학적 태도가 반영되어 있다. | * Loss: [MultipleNegativesRankingLoss](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters: ```json { "scale": 20.0, "similarity_fct": "cos_sim" } ``` ### Training Hyperparameters #### Non-Default Hyperparameters - `per_device_train_batch_size`: 16 - `per_device_eval_batch_size`: 16 - `num_train_epochs`: 1 - `multi_dataset_batch_sampler`: round_robin #### All Hyperparameters
Click to expand - `overwrite_output_dir`: False - `do_predict`: False - `eval_strategy`: no - `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`: 1 - `eval_accumulation_steps`: None - `torch_empty_cache_steps`: None - `learning_rate`: 5e-05 - `weight_decay`: 0.0 - `adam_beta1`: 0.9 - `adam_beta2`: 0.999 - `adam_epsilon`: 1e-08 - `max_grad_norm`: 1 - `num_train_epochs`: 1 - `max_steps`: -1 - `lr_scheduler_type`: linear - `lr_scheduler_kwargs`: {} - `warmup_ratio`: 0.0 - `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`: False - `fp16_opt_level`: O1 - `half_precision_backend`: auto - `bf16_full_eval`: False - `fp16_full_eval`: False - `tf32`: None - `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`: 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} - `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`: batch_sampler - `multi_dataset_batch_sampler`: round_robin - `router_mapping`: {} - `learning_rate_mapping`: {}
### Training Logs | Epoch | Step | Training Loss | |:------:|:----:|:-------------:| | 0.1419 | 500 | 0.0097 | | 0.2838 | 1000 | 0.0022 | | 0.4258 | 1500 | 0.0021 | | 0.5677 | 2000 | 0.0032 | | 0.7096 | 2500 | 0.0026 | | 0.8515 | 3000 | 0.0027 | | 0.9935 | 3500 | 0.0015 | ### Framework Versions - Python: 3.11.11 - Sentence Transformers: 5.0.0 - Transformers: 4.54.0 - PyTorch: 2.8.0.dev20250319+cu128 - Accelerate: 1.9.0 - Datasets: 4.0.0 - Tokenizers: 0.21.2 ## Citation ### BibTeX #### Sentence Transformers ```bibtex @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 ```bibtex @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} } ```