README.md

metadata

base_model: BAAI/bge-m3
datasets: []
language: []
library_name: sentence-transformers
metrics:
  - cosine_accuracy@1
  - cosine_accuracy@3
  - cosine_accuracy@5
  - cosine_accuracy@10
  - cosine_precision@1
  - cosine_precision@3
  - cosine_precision@5
  - cosine_precision@10
  - cosine_recall@1
  - cosine_recall@3
  - cosine_recall@5
  - cosine_recall@10
  - cosine_ndcg@10
  - cosine_mrr@10
  - cosine_map@100
pipeline_tag: sentence-similarity
tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - generated_from_trainer
  - dataset_size:4173
  - loss:MatryoshkaLoss
  - loss:MultipleNegativesRankingLoss
widget:
  - source_sentence: >-
      L'Espai d'escalada és una instal·lació municipal en forma de túnel a una
      sala interior, amb una llargada de 10m, una amplada de 4,6m i una alçada
      de 4m.
    sentences:
      - >-
        Quin és el registre on es comprova la inscripció dels estrangers amb
        ciutadania de l'Espai Econòmic Europeu?
      - >-
        On es pot trobar les bases generals de les convocatòries de selecció de
        personal de l'Ajuntament?
      - Quina és la llargada de l'Espai d'Escalada?
  - source_sentence: Les activitats s’organitzen per setmanes.
    sentences:
      - Quin és el format en què es desenvolupen les activitats de l'Estiu Jove?
      - Quin és el paper del subjecte passiu en la gestió de pagaments?
      - Quin és el benefici de les subvencions?
  - source_sentence: >-
      Les Estades Esportives cerquen que els infants aprenguin a relacionar-se i
      a compartir mitjançant l'esport, experiències i vivències amb d'altres
      infants amb qui no estan en contacte durant la resta de l'any.
    sentences:
      - Quin és el propòsit de l'ajut per a la creació de noves empreses?
      - Quin és el propòsit de la llicència de parcel·lació?
      - Quin és el benefici principal de les Estades Esportives?
  - source_sentence: >-
      Declaració tributària mitjançant la qual es sol·licita la baixa d'una
      activitat de la Taxa pel servei municipal complementari de recollida,
      tractament i eliminació de residus comercials.
    sentences:
      - Quin és el format de la Declaració de baixa?
      - >-
        Quin és el resultat de justificar una sol·licitud de canvi a les estades
        esportives?
      - Quin és el període de celebració de la Fira d'Art de Sitges?
  - source_sentence: >-
      Les entitats inscrites en el Registre resten obligades a comunicar a
      l’Ajuntament qualsevol modificació en les seves dades registrals, podent
      sol·licitar la seva cancel·lació o comunicant la seva dissolució.
    sentences:
      - >-
        Quin és el procediment per cancel·lar la inscripció d'una entitat al
        Registre municipal d'entitats?
      - >-
        Quin és el propòsit de la quota del servei de les Llars d'Infants
        Municipals?
      - >-
        Quin és el paper de les entitats de protecció dels animals en la gestió
        de les colònies urbanes felines?
model-index:
  - name: SentenceTransformer based on BAAI/bge-m3
    results:
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: dim 1024
          type: dim_1024
        metrics:
          - type: cosine_accuracy@1
            value: 0.08620689655172414
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.21551724137931033
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.3275862068965517
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.5107758620689655
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.08620689655172414
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.07183908045977011
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.06551724137931034
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.05107758620689654
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.08620689655172414
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.21551724137931033
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.3275862068965517
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.5107758620689655
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.26401643418499254
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.1896731321839082
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.2150866107809785
            name: Cosine Map@100
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: dim 768
          type: dim_768
        metrics:
          - type: cosine_accuracy@1
            value: 0.08405172413793104
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.20905172413793102
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.31896551724137934
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.5
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.08405172413793104
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.069683908045977
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.06379310344827585
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.04999999999999999
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.08405172413793104
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.20905172413793102
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.31896551724137934
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.5
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.2594763687925116
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.18673713738368922
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.21319033477988852
            name: Cosine Map@100
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: dim 512
          type: dim_512
        metrics:
          - type: cosine_accuracy@1
            value: 0.08620689655172414
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.21120689655172414
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.32112068965517243
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.5129310344827587
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.08620689655172414
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.07040229885057471
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.06422413793103447
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.051293103448275854
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.08620689655172414
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.21120689655172414
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.32112068965517243
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.5129310344827587
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.2646539120704089
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.1899279898741108
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.21554766038692458
            name: Cosine Map@100
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: dim 256
          type: dim_256
        metrics:
          - type: cosine_accuracy@1
            value: 0.08189655172413793
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.20474137931034483
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.30603448275862066
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.5043103448275862
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.08189655172413793
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.0682471264367816
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.061206896551724135
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.05043103448275862
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.08189655172413793
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.20474137931034483
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.30603448275862066
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.5043103448275862
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.25554093803691474
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.1807856116584566
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.20657861277416045
            name: Cosine Map@100
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: dim 128
          type: dim_128
        metrics:
          - type: cosine_accuracy@1
            value: 0.08405172413793104
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.20043103448275862
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.3146551724137931
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.49137931034482757
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.08405172413793104
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.0668103448275862
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.06293103448275862
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.04913793103448275
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.08405172413793104
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.20043103448275862
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.3146551724137931
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.49137931034482757
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.2516576518560222
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.1794651409414343
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.20584710715396837
            name: Cosine Map@100
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: dim 64
          type: dim_64
        metrics:
          - type: cosine_accuracy@1
            value: 0.07974137931034483
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.2025862068965517
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.3017241379310345
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.4956896551724138
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.07974137931034483
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.06752873563218391
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.0603448275862069
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.04956896551724138
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.07974137931034483
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.2025862068965517
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.3017241379310345
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.4956896551724138
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.2527082338557514
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.17959085933223878
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.2058214047481906
            name: Cosine Map@100

SentenceTransformer based on BAAI/bge-m3

This is a sentence-transformers model finetuned from 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
• Maximum Sequence Length: 8192 tokens
• Output Dimensionality: 1024 tokens
• Similarity Function: Cosine Similarity

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: 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:

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("adriansanz/sitgrsBAAIbge-m3-290824")
# Run inference
sentences = [
    'Les entitats inscrites en el Registre resten obligades a comunicar a l’Ajuntament qualsevol modificació en les seves dades registrals, podent sol·licitar la seva cancel·lació o comunicant la seva dissolució.',
    "Quin és el procediment per cancel·lar la inscripció d'una entitat al Registre municipal d'entitats?",
    'Quin és el paper de les entitats de protecció dels animals en la gestió de les colònies urbanes felines?',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 1024]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]

Evaluation

Metrics

Information Retrieval

• Dataset: dim_1024
• Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.0862
cosine_accuracy@3	0.2155
cosine_accuracy@5	0.3276
cosine_accuracy@10	0.5108
cosine_precision@1	0.0862
cosine_precision@3	0.0718
cosine_precision@5	0.0655
cosine_precision@10	0.0511
cosine_recall@1	0.0862
cosine_recall@3	0.2155
cosine_recall@5	0.3276
cosine_recall@10	0.5108
cosine_ndcg@10	0.264
cosine_mrr@10	0.1897
cosine_map@100	0.2151

Information Retrieval

• Dataset: dim_768
• Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.0841
cosine_accuracy@3	0.2091
cosine_accuracy@5	0.319
cosine_accuracy@10	0.5
cosine_precision@1	0.0841
cosine_precision@3	0.0697
cosine_precision@5	0.0638
cosine_precision@10	0.05
cosine_recall@1	0.0841
cosine_recall@3	0.2091
cosine_recall@5	0.319
cosine_recall@10	0.5
cosine_ndcg@10	0.2595
cosine_mrr@10	0.1867
cosine_map@100	0.2132

Information Retrieval

• Dataset: dim_512
• Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.0862
cosine_accuracy@3	0.2112
cosine_accuracy@5	0.3211
cosine_accuracy@10	0.5129
cosine_precision@1	0.0862
cosine_precision@3	0.0704
cosine_precision@5	0.0642
cosine_precision@10	0.0513
cosine_recall@1	0.0862
cosine_recall@3	0.2112
cosine_recall@5	0.3211
cosine_recall@10	0.5129
cosine_ndcg@10	0.2647
cosine_mrr@10	0.1899
cosine_map@100	0.2155

Information Retrieval

• Dataset: dim_256
• Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.0819
cosine_accuracy@3	0.2047
cosine_accuracy@5	0.306
cosine_accuracy@10	0.5043
cosine_precision@1	0.0819
cosine_precision@3	0.0682
cosine_precision@5	0.0612
cosine_precision@10	0.0504
cosine_recall@1	0.0819
cosine_recall@3	0.2047
cosine_recall@5	0.306
cosine_recall@10	0.5043
cosine_ndcg@10	0.2555
cosine_mrr@10	0.1808
cosine_map@100	0.2066

Information Retrieval

• Dataset: dim_128
• Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.0841
cosine_accuracy@3	0.2004
cosine_accuracy@5	0.3147
cosine_accuracy@10	0.4914
cosine_precision@1	0.0841
cosine_precision@3	0.0668
cosine_precision@5	0.0629
cosine_precision@10	0.0491
cosine_recall@1	0.0841
cosine_recall@3	0.2004
cosine_recall@5	0.3147
cosine_recall@10	0.4914
cosine_ndcg@10	0.2517
cosine_mrr@10	0.1795
cosine_map@100	0.2058

Information Retrieval

• Dataset: dim_64
• Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.0797
cosine_accuracy@3	0.2026
cosine_accuracy@5	0.3017
cosine_accuracy@10	0.4957
cosine_precision@1	0.0797
cosine_precision@3	0.0675
cosine_precision@5	0.0603
cosine_precision@10	0.0496
cosine_recall@1	0.0797
cosine_recall@3	0.2026
cosine_recall@5	0.3017
cosine_recall@10	0.4957
cosine_ndcg@10	0.2527
cosine_mrr@10	0.1796
cosine_map@100	0.2058

Training Details

Training Dataset

Unnamed Dataset

• Size: 4,173 training samples
• Columns: positive and anchor
• Approximate statistics based on the first 1000 samples:

  	positive	anchor
  type	string	string
  details	min: 8 tokens mean: 48.75 tokens max: 125 tokens	min: 10 tokens mean: 21.07 tokens max: 47 tokens

• Samples:

  positive	anchor
  Els ajuts per a la realització d'activitats en el lleure esportiu estan destinats a les entitats sense ànim de lucre que desenvolupen activitats esportives i de lleure.	Quins són els sectors que es beneficien dels ajuts?
  En el certificat s'indiquen les dades de planejament vigent, classificació del sòl, qualificació urbanística, condicions de l’edificació i usos admesos referides a una finca o solar concreta.	Quin és el contingut de les condicions de l'edificació en el certificat d'aprofitament urbanístic?
  Aportació de documentació. Ajuts per compensar la disminució d'ingressos de les empreses o establiments del sector de l'hosteleria i restauració afectats per les mesures adoptades per la situació de crisis provocada pel SARS-CoV2	Quin és el paper dels ajuts en la situació de crisis?

• Loss: MatryoshkaLoss with these parameters:

  {
      "loss": "MultipleNegativesRankingLoss",
      "matryoshka_dims": [
          1024,
          768,
          512,
          256,
          128,
          64
      ],
      "matryoshka_weights": [
          1,
          1,
          1,
          1,
          1,
          1
      ],
      "n_dims_per_step": -1
  }
  

Training Hyperparameters

Non-Default Hyperparameters

• eval_strategy: epoch
• per_device_train_batch_size: 16
• per_device_eval_batch_size: 16
• gradient_accumulation_steps: 16
• num_train_epochs: 10
• lr_scheduler_type: cosine
• warmup_ratio: 0.2
• bf16: 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: 16
• per_device_eval_batch_size: 16
• per_gpu_train_batch_size: None
• per_gpu_eval_batch_size: None
• gradient_accumulation_steps: 16
• eval_accumulation_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: 10
• max_steps: -1
• lr_scheduler_type: cosine
• lr_scheduler_kwargs: {}
• warmup_ratio: 0.2
• 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: 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
• eval_on_start: False
• batch_sampler: no_duplicates
• multi_dataset_batch_sampler: proportional

Training Logs

Epoch	Step	Training Loss	dim_1024_cosine_map@100	dim_128_cosine_map@100	dim_256_cosine_map@100	dim_512_cosine_map@100	dim_64_cosine_map@100	dim_768_cosine_map@100
0.6130	10	3.0594	-	-	-	-	-	-
0.9808	16	-	0.2047	0.1922	0.2020	0.2016	0.1774	0.2115
1.2261	20	1.525	-	-	-	-	-	-
1.8391	30	0.7434	-	-	-	-	-	-
1.9617	32	-	0.2186	0.2003	0.2102	0.2092	0.1870	0.2101
2.4521	40	0.4451	-	-	-	-	-	-
2.9425	48	-	0.2083	0.2054	0.2091	0.2118	0.2009	0.2140
3.0651	50	0.2518	-	-	-	-	-	-
3.6782	60	0.1801	-	-	-	-	-	-
3.9847	65	-	0.2135	0.2071	0.2037	0.2115	0.2030	0.2191
4.2912	70	0.1483	-	-	-	-	-	-
4.9042	80	0.0893	-	-	-	-	-	-
4.9655	81	-	0.2066	0.2053	0.2057	0.2137	0.1982	0.2176
5.5172	90	0.0748	-	-	-	-	-	-
5.9464	97	-	0.2171	0.2113	0.2086	0.2178	0.2120	0.2193
6.1303	100	0.064	-	-	-	-	-	-
6.7433	110	0.0458	-	-	-	-	-	-
6.9885	114	-	0.2294	0.2132	0.2151	0.2227	0.2054	0.2138
7.3563	120	0.0436	-	-	-	-	-	-
7.9693	130	0.0241	0.2133	0.2083	0.2096	0.2138	0.2080	0.2124
8.5824	140	0.021	-	-	-	-	-	-
8.9502	146	-	0.216	0.2074	0.2081	0.2162	0.2094	0.2177
9.1954	150	0.0237	-	-	-	-	-	-
9.8084	160	0.0145	0.2151	0.2058	0.2066	0.2155	0.2058	0.2132

• The bold row denotes the saved checkpoint.

Framework Versions

• Python: 3.10.12
• Sentence Transformers: 3.0.1
• Transformers: 4.42.4
• PyTorch: 2.4.0+cu121
• Accelerate: 0.34.0.dev0
• Datasets: 2.21.0
• 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}
}