SentenceTransformer based on sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2
This is a sentence-transformers model finetuned from sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. It maps sentences & paragraphs to a 384-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 Sources
Full Model Architecture
SentenceTransformer(
(0): Transformer({'max_seq_length': 128, 'do_lower_case': False, 'architecture': 'BertModel'})
(1): Pooling({'word_embedding_dimension': 384, '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})
)
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
model = SentenceTransformer("ntAnh-dev/new-paraphrase-multilingual-MiniLM-L12-v2")
sentences = [
'Mục đích tham dự các kỳ thi theo Quy định này đóng góp như thế nào vào việc xây dựng thương hiệu và nâng cao vị thế của Đại học Bách khoa Hà Nội?',
'Quy định về công tác tổ chức đội tuyển tham dự các kỳ thi Olympic môn học và kỳ thi về đổi mới, sáng tạo và khởi nghiệp\nChương I NHỮNG QUY ĐỊNH CHUNG\nĐiều 1. Phạm vi điều chỉnh\nQuy định này quy định về hoạt động tuyển chọn, bồi dưỡng đội tuyển và tham dự\nkỳ thi Olympic cấp quốc gia /quốc tế đối với các môn học /học phần đang được giảng\ndạy tại Đại học Bách khoa Hà Nội (sau đây gọi là ĐHBK Hà Nội hoặc Đại học) và các\nkỳ thi về đổi mới, sáng tạo và khởi nghiệp dành cho sinh viên (sau đây gọi chung là kỳ\nthi) do Giám đốc Đại học cử tham dự, bao gồm: mục đích, nhiệm vụ và quy trình thực\nhiện của các đơn vị liên quan, trách nhiệm và quyền lợi của c á nhân tham gia và\nphương thức hỗ trợ của Đại học.\nĐiều 2. Thành viên tham gia đội tuyển\n1. Thành viên đội tuyển tham dự kỳ thi Olympic môn học phải là sinh viên , học\nviên (sau đây gọi chung là sinh viên) đang học tập tại ĐHBK Hà Nội.\n2. Thành viên đội tuyển tham dự kỳ thi về đổi mới, sáng tạo và khởi nghiệp là\nsinh viên đang học tập tại ĐHBK Hà Nội hoặc các cơ sở giáo dục đại học khác, tuy\nnhiên số lượng thành viên trong mỗi đội tuyển tối thiểu 50% là sinh viên ĐHBK Hà\nNội.\nĐiều 3. Mục đích tham dự kỳ thi\nMục đích tham dự kỳ thi nhằm khuyến khích sự sáng tạo, tích cực trong hoạt\nđộng giảng dạy, học tập và nghiên cứu khoa học; tạo nguồn bồi dưỡng, đào tạo nhân\ntài; thúc đẩy tinh thần đổi mới sáng tạo và khởi nghiệp trong sinh viên; tạo tâm thế chủ\nđộng tìm kiếm, tự tạo việc làm của sinh viên sau khi tốt nghiệp, đồng thời góp phần\nxây dựng thương hiệu và nâng cao vị thế của ĐHBK Hà Nội.\n',
'QUY ĐỊNH Đánh giá kết quả rèn luyện của sinh viên Đại học Bách khoa Hà Nội 2023\nĐiều 1. Phạm vi điều chỉnh và đối tượng áp dụng\nQuy định này quy đ ịnh việc đánh giá k ết quả rèn luyện của sinh viên đ ại học hình\nthức đào tạo chính quy (không bao gồm lưu học sinh nước ngoài) thuộc Đại học Bách khoa\nHà Nội, bao gồm: nội dung đánh giá kết quả rèn luyện và khung đi ểm; cách thức và quy\ntrình đánh giá; sử dụng kết quả đánh giá; tổ chức thực hiện.\n\nĐiều 2. Giải thích từ ngữ và từ viết tắt\n1. Đại học Bách khoa Hà Nội viết tắt là ĐHBK Hà Nội hoặc Đại học;\n2. Công tác sinh viên viết tắt là CTSV;\n3. Sinh viên hệ đại học hình thức đào tạo chính quy viết gọn là sinh viên;\n4. Cán bộ phụ trách hoạt động có thể là giảng viên, cán bộ hoặc sinh viên là cán b ộ\nĐoàn – Hội, Tổ/Đội/Nhóm được Trường/Viện/Khoa, Đoàn Thanh niên – Hội sinh viên Đại\nhọc, Phòng/Ban chức năng của Đại học tổ chức hoạt động phân công xác nhận minh chứng\ntham gia hoạt động cho sinh viên.\n',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
similarities = model.similarity(embeddings, embeddings)
print(similarities)
Evaluation
Metrics
Triplet
| Metric |
Value |
| cosine_accuracy |
0.1833 |
Training Details
Training Dataset
Unnamed Dataset
Evaluation Dataset
Unnamed Dataset
Training Hyperparameters
Non-Default Hyperparameters
eval_strategy: steps
per_device_train_batch_size: 16
per_device_eval_batch_size: 16
learning_rate: 2e-05
num_train_epochs: 14
warmup_ratio: 0.1
fp16: True
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: 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: 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: 14
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
bf16: False
fp16: True
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}
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
project: huggingface
trackio_space_id: trackio
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: no
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: None
batch_sampler: no_duplicates
multi_dataset_batch_sampler: proportional
router_mapping: {}
learning_rate_mapping: {}
Training Logs
| Epoch |
Step |
Training Loss |
Validation Loss |
all-nli-dev_cosine_accuracy |
| -1 |
-1 |
- |
- |
0.7333 |
| 2.2222 |
100 |
4.5235 |
3.5364 |
0.2611 |
| 4.4444 |
200 |
3.5018 |
2.8764 |
0.2111 |
| 6.6667 |
300 |
3.2012 |
2.5856 |
0.2111 |
| 8.8889 |
400 |
2.8031 |
2.2668 |
0.1556 |
| 11.1111 |
500 |
2.3997 |
2.1782 |
0.1833 |
| 13.3333 |
600 |
2.1554 |
2.1920 |
0.1833 |
Framework Versions
- Python: 3.12.12
- Sentence Transformers: 5.2.0
- Transformers: 4.57.3
- PyTorch: 2.9.0+cu126
- Accelerate: 1.12.0
- Datasets: 4.0.0
- Tokenizers: 0.22.1
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",
}
TripletLoss
@misc{hermans2017defense,
title={In Defense of the Triplet Loss for Person Re-Identification},
author={Alexander Hermans and Lucas Beyer and Bastian Leibe},
year={2017},
eprint={1703.07737},
archivePrefix={arXiv},
primaryClass={cs.CV}
}