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:9593
  - loss:MatryoshkaLoss
  - loss:MultipleNegativesRankingLoss
widget:
  - source_sentence: >-
      Aquest tràmit permet a la nova persona titular sol·licitar el canvi de nom
      d'una llicència de gual, sempre que no variïn la utilització ni les
      característiques de la llicència concedida prèviament, i s’acompleixen les
      ordenances vigents.
    sentences:
      - >-
        Quin és el resultat de la presentació del tràmit de comunicació d'inici
        i modificació substancial d'activitat en un establiment?
      - >-
        Quin és el benefici per a les entitats especialitzades de la gestió
        delegada?
      - Necessito canviar el titular de la meva llicència de gual
  - source_sentence: >-
      Mitjançant aquest tràmit la persona interessada posa en coneixement de
      l'Ajuntament l'inici o modificació substancial d'una activitat econòmica,
      de les incloses en l'annex de la Llei de facilitació de l'activitat
      econòmica, i hi adjunta el projecte i el certificat tècnic acreditatiu del
      compliment dels requisits necessaris que estableix la normativa vigent per
      a l'exercici de l'activitat.
    sentences:
      - Quins canvis es poden fer en els tanques?
      - >-
        Què és necessari per gaudir d'exempció de les taxes per recollida
        d'escombraries?
      - Quin és el resultat de la presentació del certificat tècnic acreditatiu?
  - source_sentence: >-
      La instal·lació i utilització d’una grua torre està subjecta a l’obtenció
      d’una llicència municipal.
    sentences:
      - >-
        Quin és el propòsit de la Declaració de baixa de la Taxa pel servei
        municipal complementari de recollida, tractament i eliminació de residus
        comercials?
      - >-
        Quin és el paper de la persona beneficiària en el pagament de l'ajut de
        lloguer just?
      - Què és necessari per a la instal·lació i utilització d'una grua torre?
  - source_sentence: >-
      El procediment d'adjudicació serà mitjançant concurs públic, amb la
      presentació de la sol·licitud dins del termini establert per cada
      convocatòria, amb la priorització de casos amb seguiment social i educatiu
      a persones i famílies en situació de vulnerabilitat social i econòmica.
    sentences:
      - >-
        Quins són els casos que tenen prioritat en l'adjudicació dels habitatges
        del Fons d'Habitatges d'Inclusió Social?
      - >-
        Quin és el paper del certificat del nombre d'habitatges en el tràmit
        d'obertura d'una oficina de farmàcia?
      - >-
        Quin és el paper de la Junta de Govern Local en relació amb les
        garanties?
  - source_sentence: >-
      Els comerciants locals han de sol·licitar els ajuts per al projecte de la
      targeta de fidelització dins del termini establert per l'Ajuntament de
      Sitges.
    sentences:
      - >-
        Quin és el paper de la persona cuidadora en la gestió de les emergències
        en la colònia felina?
      - >-
        Quin és el termini perquè els comerciants locals puguin sol·licitar els
        ajuts per al projecte de la targeta de fidelització?
      - >-
        Quin és el règim especial al qual han d'estar inscrites les persones per
        rebre els ajuts?
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: 0.0600375234521576
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.1303939962476548
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.1801125703564728
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.32833020637898686
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.0600375234521576
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.04346466541588492
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.036022514071294566
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.03283302063789869
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.0600375234521576
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.1303939962476548
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.1801125703564728
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.32833020637898686
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.16801025559505256
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.12051319276929036
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.14641981337897508
            name: Cosine Map@100
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: dim 768
          type: dim_768
        metrics:
          - type: cosine_accuracy@1
            value: 0.05909943714821764
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.12195121951219512
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.18105065666041276
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.3302063789868668
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.05909943714821764
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.04065040650406503
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.03621013133208256
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.03302063789868668
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.05909943714821764
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.12195121951219512
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.18105065666041276
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.3302063789868668
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.1674921436005172
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.119329044938801
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.14541664461952028
            name: Cosine Map@100
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: dim 512
          type: dim_512
        metrics:
          - type: cosine_accuracy@1
            value: 0.058161350844277676
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.12851782363977485
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.1904315196998124
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.32645403377110693
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.058161350844277676
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.04283927454659161
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.03808630393996248
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.03264540337711069
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.058161350844277676
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.12851782363977485
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.1904315196998124
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.32645403377110693
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.16736509943357222
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.11985169302242468
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.14638786229645445
            name: Cosine Map@100
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: dim 256
          type: dim_256
        metrics:
          - type: cosine_accuracy@1
            value: 0.054409005628517824
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.11913696060037524
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.18198874296435272
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.3170731707317073
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.054409005628517824
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.03971232020012507
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.036397748592870545
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.03170731707317073
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.054409005628517824
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.11913696060037524
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.18198874296435272
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.3170731707317073
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.16104635688777047
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.11454927186634503
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.14146334434951485
            name: Cosine Map@100
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: dim 128
          type: dim_128
        metrics:
          - type: cosine_accuracy@1
            value: 0.054409005628517824
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.12195121951219512
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.18198874296435272
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.31144465290806755
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.054409005628517824
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.04065040650406503
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.03639774859287054
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.031144465290806757
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.054409005628517824
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.12195121951219512
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.18198874296435272
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.31144465290806755
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.15963450508596505
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.11438361773727633
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.14164175280264735
            name: Cosine Map@100
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: dim 64
          type: dim_64
        metrics:
          - type: cosine_accuracy@1
            value: 0.05065666041275797
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.11444652908067542
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.18292682926829268
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.3076923076923077
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.05065666041275797
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.0381488430268918
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.036585365853658534
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.030769230769230767
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.05065666041275797
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.11444652908067542
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.18292682926829268
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.3076923076923077
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.1558660768539628
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.11049949373120106
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.13758639006498824
            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-m3-300824v2")
# Run inference
sentences = [
    "Els comerciants locals han de sol·licitar els ajuts per al projecte de la targeta de fidelització dins del termini establert per l'Ajuntament de Sitges.",
    'Quin és el termini perquè els comerciants locals puguin sol·licitar els ajuts per al projecte de la targeta de fidelització?',
    'Quin és el paper de la persona cuidadora en la gestió de les emergències en la colònia felina?',
]
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	0.06
cosine_accuracy@3	0.1304
cosine_accuracy@5	0.1801
cosine_accuracy@10	0.3283
cosine_precision@1	0.06
cosine_precision@3	0.0435
cosine_precision@5	0.036
cosine_precision@10	0.0328
cosine_recall@1	0.06
cosine_recall@3	0.1304
cosine_recall@5	0.1801
cosine_recall@10	0.3283
cosine_ndcg@10	0.168
cosine_mrr@10	0.1205
cosine_map@100	0.1464

Information Retrieval

• Dataset: dim_768
• Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.0591
cosine_accuracy@3	0.122
cosine_accuracy@5	0.1811
cosine_accuracy@10	0.3302
cosine_precision@1	0.0591
cosine_precision@3	0.0407
cosine_precision@5	0.0362
cosine_precision@10	0.033
cosine_recall@1	0.0591
cosine_recall@3	0.122
cosine_recall@5	0.1811
cosine_recall@10	0.3302
cosine_ndcg@10	0.1675
cosine_mrr@10	0.1193
cosine_map@100	0.1454

Information Retrieval

• Dataset: dim_512
• Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.0582
cosine_accuracy@3	0.1285
cosine_accuracy@5	0.1904
cosine_accuracy@10	0.3265
cosine_precision@1	0.0582
cosine_precision@3	0.0428
cosine_precision@5	0.0381
cosine_precision@10	0.0326
cosine_recall@1	0.0582
cosine_recall@3	0.1285
cosine_recall@5	0.1904
cosine_recall@10	0.3265
cosine_ndcg@10	0.1674
cosine_mrr@10	0.1199
cosine_map@100	0.1464

Information Retrieval

• Dataset: dim_256
• Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.0544
cosine_accuracy@3	0.1191
cosine_accuracy@5	0.182
cosine_accuracy@10	0.3171
cosine_precision@1	0.0544
cosine_precision@3	0.0397
cosine_precision@5	0.0364
cosine_precision@10	0.0317
cosine_recall@1	0.0544
cosine_recall@3	0.1191
cosine_recall@5	0.182
cosine_recall@10	0.3171
cosine_ndcg@10	0.161
cosine_mrr@10	0.1145
cosine_map@100	0.1415

Information Retrieval

• Dataset: dim_128
• Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.0544
cosine_accuracy@3	0.122
cosine_accuracy@5	0.182
cosine_accuracy@10	0.3114
cosine_precision@1	0.0544
cosine_precision@3	0.0407
cosine_precision@5	0.0364
cosine_precision@10	0.0311
cosine_recall@1	0.0544
cosine_recall@3	0.122
cosine_recall@5	0.182
cosine_recall@10	0.3114
cosine_ndcg@10	0.1596
cosine_mrr@10	0.1144
cosine_map@100	0.1416

Information Retrieval

• Dataset: dim_64
• Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.0507
cosine_accuracy@3	0.1144
cosine_accuracy@5	0.1829
cosine_accuracy@10	0.3077
cosine_precision@1	0.0507
cosine_precision@3	0.0381
cosine_precision@5	0.0366
cosine_precision@10	0.0308
cosine_recall@1	0.0507
cosine_recall@3	0.1144
cosine_recall@5	0.1829
cosine_recall@10	0.3077
cosine_ndcg@10	0.1559
cosine_mrr@10	0.1105
cosine_map@100	0.1376

Training Details

Training Dataset

Unnamed Dataset

• Size: 9,593 training samples
• Columns: positive and anchor
• Approximate statistics based on the first 1000 samples:

  	positive	anchor
  type	string	string
  details	min: 3 tokens mean: 49.72 tokens max: 190 tokens	min: 9 tokens mean: 21.22 tokens max: 45 tokens

• Samples:

  positive	anchor
  Mitjançant aquest tràmit la persona interessada posa en coneixement de l'Ajuntament l’inici o modificació substancial d’una activitat econòmica.	Quin és el paper de l'Ajuntament en la comunicació de modificació d'activitat?
  El Carnet Blau és un carnet personal i intransferible que acredita el compliment dels requisits per a gaudir d'un conjunt de descomptes i avantatges.	Quin és el propòsit del Carnet Blau en relació amb els descomptes?
  Bonificació del 25% de l'import corresponent al consum d'aigua, la conservació d'escomeses, aforaments i comptadors així com els drets de connexió.	Quin és l'objectiu de la bonificació de la taxa per distribució i subministrament d'aigua?

• 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
• learning_rate: 2e-05
• num_train_epochs: 10
• lr_scheduler_type: cosine
• warmup_ratio: 0.2
• bf16: True
• tf32: True
• 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
• 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: 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: True
• 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
• eval_use_gather_object: 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
0.2667	10	3.4587	-	-	-	-	-	-
0.5333	20	2.8693	-	-	-	-	-	-
0.8	30	2.3094	-	-	-	-	-	-
0.9867	37	-	0.1331	0.1252	0.1322	0.1337	0.1128	0.1347
1.0667	40	1.6196	-	-	-	-	-	-
1.3333	50	1.1926	-	-	-	-	-	-
1.6	60	0.9497	-	-	-	-	-	-
1.8667	70	0.882	-	-	-	-	-	-
2.0	75	-	0.1372	0.1272	0.1298	0.1365	0.1212	0.1369
2.1333	80	0.5621	-	-	-	-	-	-
2.4	90	0.4454	-	-	-	-	-	-
2.6667	100	0.4143	-	-	-	-	-	-
2.9333	110	0.4014	-	-	-	-	-	-
2.9867	112	-	0.1365	0.1282	0.1329	0.1437	0.1259	0.1390
3.2	120	0.2863	-	-	-	-	-	-
3.4667	130	0.1977	-	-	-	-	-	-
3.7333	140	0.2411	-	-	-	-	-	-
4.0	150	0.222	0.1355	0.1308	0.1378	0.1346	0.1239	0.1362
4.2667	160	0.1705	-	-	-	-	-	-
4.5333	170	0.1522	-	-	-	-	-	-
4.8	180	0.1606	-	-	-	-	-	-
4.9867	187	-	0.1441	0.1305	0.1344	0.1373	0.1356	0.1409
5.0667	190	0.1281	-	-	-	-	-	-
5.3333	200	0.1099	-	-	-	-	-	-
5.6	210	0.0921	-	-	-	-	-	-
5.8667	220	0.114	-	-	-	-	-	-
6.0	225	-	0.1371	0.1361	0.1331	0.1371	0.1351	0.1421
6.1333	230	0.0703	-	-	-	-	-	-
6.4	240	0.0746	-	-	-	-	-	-
6.6667	250	0.0734	-	-	-	-	-	-
6.9333	260	0.0803	-	-	-	-	-	-
6.9867	262	-	0.1447	0.1400	0.1422	0.1397	0.1376	0.1395
7.2	270	0.0684	-	-	-	-	-	-
7.4667	280	0.0493	-	-	-	-	-	-
7.7333	290	0.0531	-	-	-	-	-	-
8.0	300	0.0705	0.1410	0.1411	0.1379	0.1372	0.1372	0.1380
8.2667	310	0.0495	-	-	-	-	-	-
8.5333	320	0.0478	-	-	-	-	-	-
8.8	330	0.0455	-	-	-	-	-	-
8.9867	337	-	0.1463	0.1456	0.1416	0.1445	0.1408	0.1427
9.0667	340	0.0495	-	-	-	-	-	-
9.3333	350	0.0457	-	-	-	-	-	-
9.6	360	0.0487	-	-	-	-	-	-
9.8667	370	0.0568	0.1464	0.1416	0.1415	0.1464	0.1376	0.1454

• The bold row denotes the saved checkpoint.

Framework Versions

• Python: 3.10.12
• Sentence Transformers: 3.0.1
• Transformers: 4.44.2
• 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}
}