pyrac/rse_handicap

MPNet base trained on AllNLI triplets

This is a sentence-transformers model finetuned from pyrac/rse_gestion_durable. 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: pyrac/rse_gestion_durable
• Maximum Sequence Length: 128 tokens
• Output Dimensionality: 768 dimensions
• Similarity Function: Cosine Similarity
• Language: en
• 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': 128, 'do_lower_case': False}) with Transformer model: XLMRobertaModel 
  (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})
)

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("pyrac/rse_handicap")
# Run inference
sentences = [
    "L'absence de cheminement accessible a rendu la visite difficile pour ma famille.",
    "L'hôtel n'offre pas assez de chambres adaptées aux fauteuils roulants et il est difficile de réserver à la dernière minute",
    'Ce n’était pas du tout ce qu’on voulait, cette chambre a gâché notre séjour.',
]
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

Triplet

• Datasets: all-nli-dev and all-nli-test
• Evaluated with TripletEvaluator

Metric	all-nli-dev	all-nli-test
cosine_accuracy	1.0	1.0

Training Details

Training Dataset

Unnamed Dataset

• Size: 132,020 training samples
• Columns: anchor, positive, and negative
• Approximate statistics based on the first 1000 samples:

  	anchor	positive	negative
  type	string	string	string
  details	min: 7 tokens mean: 20.24 tokens max: 52 tokens	min: 7 tokens mean: 23.96 tokens max: 52 tokens	min: 6 tokens mean: 19.23 tokens max: 31 tokens

• Samples:

  anchor	positive	negative
  Les panneaux d'indication manquaient de braille, ce qui pénalisait les malvoyants.	Hôtel bien situé et accessible mais l'absence de barres d'appui est un vrai point négatif	On a eu une chambre mal entretenue, rien ne fonctionnait comme il fallait.
  Le cheminement extérieur n'était pas praticable pour les fauteuils roulants électriques.	Aucun confort dans cette chambre PMR, elle n'était absolument pas adaptée à nos besoins.	On a eu une chambre trop bruyante, c’était vraiment une mauvaise expérience.
  Il n'y avait pas de signalisation concernant l'accessibilité pour les personnes à mobilité réduite	La chambre adaptée aux fauteuils roulants est spacieuse et permet de circuler sans aucune difficulté	Se retrouver dans cette chambre sans avoir rien demandé, ça a vraiment gâché notre séjour.

• Loss: MultipleNegativesRankingLoss with these parameters:

  {
      "scale": 20.0,
      "similarity_fct": "cos_sim"
  }
  

Evaluation Dataset

Unnamed Dataset

• Size: 16,502 evaluation samples
• Columns: anchor, positive, and negative
• Approximate statistics based on the first 1000 samples:

  	anchor	positive	negative
  type	string	string	string
  details	min: 7 tokens mean: 20.06 tokens max: 55 tokens	min: 7 tokens mean: 24.09 tokens max: 55 tokens	min: 6 tokens mean: 18.96 tokens max: 31 tokens

• Samples:

  anchor	positive	negative
  Le cheminement accessible était interrompu par des obstacles imprévus.	étaient inaccessibles depuis un fauteuil roulant.	On n’a pas du tout aimé la chambre, l’équipement était dépassé et inconfortable.
  était bien adapté pour les fauteuils roulants.	On a été choqués de nous retrouver dans une chambre accessible pour handicapé, c’était inconfortable.	Cette chambre était en tout point décevante, ça ne correspondait pas du tout à ce qu’on avait espéré.
  Leur sensibilisation sur le handicap auditif semblaient insuffisantes.	Le cheminement était bien signalé avec des panneaux visuels et tactiles.	On s’est retrouvés dans une chambre qu’on n’avait pas demandée, ça nous a déstabilisés.

• Loss: MultipleNegativesRankingLoss with these parameters:

  {
      "scale": 20.0,
      "similarity_fct": "cos_sim"
  }
  

Training Hyperparameters

Non-Default Hyperparameters

• eval_strategy: steps
• per_device_train_batch_size: 64
• per_device_eval_batch_size: 64
• num_train_epochs: 1
• warmup_ratio: 0.1
• bf16: 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: 64
• per_device_eval_batch_size: 64
• 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: 1.0
• 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: 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
• 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
• 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
• 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
• eval_on_start: False
• use_liger_kernel: False
• eval_use_gather_object: False
• average_tokens_across_devices: False
• prompts: None
• batch_sampler: no_duplicates
• multi_dataset_batch_sampler: proportional

Training Logs

Epoch	Step	Training Loss	Validation Loss	all-nli-dev_cosine_accuracy	all-nli-test_cosine_accuracy
0.0485	100	4.6964	4.0874	1.0	-
0.0969	200	4.1044	4.0497	1.0	-
0.1454	300	4.0817	4.0305	1.0	-
0.1939	400	4.0734	4.0310	1.0	-
0.2424	500	4.0587	4.0209	1.0	-
0.2908	600	4.0625	4.0180	1.0	-
0.3393	700	4.053	4.0201	1.0	-
0.3878	800	4.0607	4.0116	1.0	-
0.4363	900	4.0511	4.0078	1.0	-
0.4847	1000	4.0433	4.0087	1.0	-
0.5332	1100	4.0385	4.0080	1.0	-
0.5817	1200	4.0413	4.0055	1.0	-
0.6302	1300	4.044	4.0016	1.0	-
0.6786	1400	4.0385	4.0010	1.0	-
0.7271	1500	4.037	3.9974	1.0	-
0.7756	1600	4.0364	3.9965	1.0	-
0.8240	1700	4.0337	3.9988	1.0	-
0.8725	1800	4.0362	3.9965	1.0	-
0.9210	1900	4.0293	3.9964	1.0	-
0.9695	2000	4.0317	3.9947	1.0	-
-1	-1	-	-	-	1.0

Framework Versions

• Python: 3.12.3
• Sentence Transformers: 3.4.1
• Transformers: 4.48.3
• PyTorch: 2.6.0+cu124
• Accelerate: 1.3.0
• Datasets: 3.2.0
• Tokenizers: 0.21.0

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",
}

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}
}