Hugging Face's logo

doan2506
/
vietnamese-bi-encoder-finetuned

Sentence Similarity
sentence-transformers
Safetensors
roberta
feature-extraction
Generated from Trainer
dataset_size:3360
loss:MultipleNegativesRankingLoss
Eval Results (legacy)
Model card Files
xet
 Community

SentenceTransformer based on bkai-foundation-models/vietnamese-bi-encoder

This is a sentence-transformers model finetuned from bkai-foundation-models/vietnamese-bi-encoder. It maps sentences & paragraphs to a 768-dimensional dense vector space and can be used for retrieval.

Model Details

Model Description

  • Model Type: Sentence Transformer
  • Base model: bkai-foundation-models/vietnamese-bi-encoder
  • Maximum Sequence Length: 256 tokens
  • Output Dimensionality: 768 dimensions
  • Similarity Function: Cosine Similarity
  • Supported Modality: Text

Model Sources

Full Model Architecture 

SentenceTransformer(
  (0): Transformer({'transformer_task': 'feature-extraction', 'modality_config': {'text': {'method': 'forward', 'method_output_name': 'last_hidden_state'}}, 'module_output_name': 'token_embeddings', 'architecture': 'RobertaModel'})
  (1): Pooling({'embedding_dimension': 768, 'pooling_mode': 'mean', '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("sentence_transformers_model_id")
# Run inference
queries = [
    'Tìm lực tác dụng lên điện tích chuyển động trong từ trường đều',
]
documents = [
    '+ Do d = bsin\uf061, nên (Tự học -trong tài liệu đã gửi) + Gọi Wm(\uf061) và Wm(0) là năng lượng của khung ở vị trí ban đầu 4.8. Chuyển động của hạt tích điện trong từ trường + Hơn nữa, pm= IS, nên khi ấy: \uf061và vị trí cuối \uf061= 0 của quá trình dịch chuyển, ta có: 4.8.1. Lực từ tác dụng lên hạt điện tích chuyển động \uf071Giả sử điện tích q, chuyển động vận tốc 𝐯trong từ trường 𝐁. (Chiều của 𝐩mhướng lên trên, phương \uf05evới mp (𝐩m, 𝐁)) hay có thể viết dưới dạng: \uf05bGiống một phần tử dòng điện I𝐝𝒍⃗, thỏa mãn điều kiện: (Xem lại phần 4.2.5) 5 16/03/2025 + Lực từ tác dụng lên phần tử dòng điện: 4.8.2. Chuyển động của hạt tích điện trong từ trường đều \uf05bVéctơ 𝐁 có tọa độ:',
    'đặt trong chân không cách nhau 1 m, thì gây nên mỗi mét chiều \uf071Áp dụng quy tắc bàn tay trái, ta thấy: dài mỗi dây một lực bằng 2\uf0b410-7N. + Lực từ tác dụng lên BC hướng xuống dưới, và lên cạnh DA hướng lên trên. Hai 4.7.3. Tác dụng của từ trường đều lên một mạch điện kín lực này triệt tiêu nhau. \uf071Xét khung dây dẫn cứng ABCD có cạnh a và b, và có dòng + Lực từ𝐅⃗tác dụng lên AB hướng về điện I chạy qua. Khung đặt trong từ trường đều 𝐁có phương phía trước, và 𝐅⃗’ lên CD hướng về phía sau. \uf05evới AB và CD. Cả 2 lực này luôn \uf05evới AB, CD và 𝐁, có độ + Giả sử khung có thể quay quanh trục thẳng đứng \uf044của nó. lớn bằng nhau, nhưng ngược chiều nhau. Sự hút và đẩy nhau của 2 dòng điện thẳng song song cùng chiều(bên trái)',
    'Không ngạc nhiên khi rất nhiều truy vấn yêu cầu thông tin từ nhiều bảng dữ liệu khác nhau. Ví dụ muốn đưa ra thông tin khách hàng của các đơn hàng, cần kết hợp thông tin từ hai bảng dữ liệu là customers và orders. Kết hợp các bảng dữ liệu để tạo ra một bảng suy diễn được gọi là phép nối (join). Trong bài này, chúng ta sẽ làm quen với phép toán nối để truy vấn dữ liệu từ nhiều bảng: INNER JOIN, LEFT JOIN, SELF JOIN 1. PHÉP NỐI TRONG (INNER JOIN) INNER JOIN hay còn gọi là phép nối trong, là một phần tùy chọn của câu lệnh SELECT. Nó xuất hiện liền ngay sau mệnh đề FROM. Trước khi sử dụng INNER JOIN, phải xác định rõ các tiêu chí sau đây:',
]
query_embeddings = model.encode_query(queries)
document_embeddings = model.encode_document(documents)
print(query_embeddings.shape, document_embeddings.shape)
# [1, 768] [3, 768]

# Get the similarity scores for the embeddings
similarities = model.similarity(query_embeddings, document_embeddings)
print(similarities)
# tensor([[0.5014, 0.1016, 0.1025]])

Evaluation

Metrics

Information Retrieval

Metric Value
cosine_accuracy@1 0.0833
cosine_accuracy@3 0.3143
cosine_accuracy@5 0.4429
cosine_accuracy@10 0.5595
cosine_precision@1 0.0833
cosine_precision@3 0.1048
cosine_precision@5 0.0886
cosine_precision@10 0.056
cosine_recall@1 0.0833
cosine_recall@3 0.3143
cosine_recall@5 0.4429
cosine_recall@10 0.5595
cosine_ndcg@10 0.3035
cosine_mrr@10 0.223
cosine_map@100 0.2369

Training Details

Training Dataset

Unnamed Dataset

  • Size: 3,360 training samples
  • Columns: anchor, positive, and negative
  • Approximate statistics based on the first 100 samples:
    anchor positive negative
    type string string string
    modality text text text
    details
    • min: 9 tokens
    • mean: 14.92 tokens
    • max: 23 tokens
    • min: 150 tokens
    • mean: 199.37 tokens
    • max: 256 tokens
    • min: 70 tokens
    • mean: 193.09 tokens
    • max: 256 tokens
  • Samples:
    anchor positive negative
    Khái niệm phần mềm như thế nào Công nghệ phần mềm Kỹ nghệ Phần mềm (SE) Nội dung • Khái niệm về SE • Các yếu tố cơ bản của SE • Các giai đoạn phát triển của SE • Vòng đời phát triển • Các thách thức cho phát triển PM • Chi phí cho phát triển PM • Một số vấn đề về đạo đức nghề nghiệp Bộ môn Công nghệ phần mềm -Khoa CNTT -Trường ĐHCN -ĐHQGHN 2 Một số định nghĩa về SE Software Engineering (SE) • SE là thiết lập và sử dụng các nguyên lý công nghệ đúng đắn để được phần mềm một cách kinh tế, vừa tin cậy vừa làm việc hiệu quả trên các máy thực. [Bauer 1969] • SE là nguyên lý kỹ nghệ liên quan đến tất cả các mặt lý thuyết, phương pháp, và công cụ của phần mềm. [Sommerville 1995] Bộ môn Công nghệ phần mềm -Khoa CNTT -Trường ĐHCN -ĐHQGHN 3 mặt lý thuyết, phương pháp, và công cụ của phần mềm. [Sommerville 1995] Bộ môn Công nghệ phần mềm -Khoa CNTT -Trường ĐHCN -ĐHQGHN 3 Một số định nghĩa về SE Software Engineering (SE) • SE là bộ môn tích hợp cả quy trình, các phương pháp, các công cụ để phát triển phần mềm máy tính. [Pressman 1995] Bộ môn Công nghệ phần mềm -Khoa CNTT -Trường ĐHCN -ĐHQGHN 4 Khái niệm về SE • là ngành công nghiệp liên quan đến mọi khía cạnh của việc phát triển phần mềm (thu thập, phân tích và đặc tả; thiết thế, lập trình, kiểm thử, chuyển giao, vận hành và ảo trì, …) • Kỹ nghệ: xây dựng PM bằng cách ứng dụng các lý thuyết, phương pháp, công cụ một cách chọn lọc và cố gắng tạo ra các giải
    Khái niệm phần mềm như thế nào Công nghệ phần mềm Kỹ nghệ Phần mềm (SE) Nội dung • Khái niệm về SE • Các yếu tố cơ bản của SE • Các giai đoạn phát triển của SE • Vòng đời phát triển • Các thách thức cho phát triển PM • Chi phí cho phát triển PM • Một số vấn đề về đạo đức nghề nghiệp Bộ môn Công nghệ phần mềm -Khoa CNTT -Trường ĐHCN -ĐHQGHN 2 Một số định nghĩa về SE Software Engineering (SE) • SE là thiết lập và sử dụng các nguyên lý công nghệ đúng đắn để được phần mềm một cách kinh tế, vừa tin cậy vừa làm việc hiệu quả trên các máy thực. [Bauer 1969] • SE là nguyên lý kỹ nghệ liên quan đến tất cả các mặt lý thuyết, phương pháp, và công cụ của phần mềm. [Sommerville 1995] Bộ môn Công nghệ phần mềm -Khoa CNTT -Trường ĐHCN -ĐHQGHN 3 Công nghệ phần mềm Thiết kế kiến trúc Nội dung • Định nghĩa kiến trúc phần và một số khái niệm • Thiết kế kiến trúc • Một số kiểu kiến trúc Bộ môn Công nghệ phần mềm -Khoa CNTT -Trường ĐHCN -ĐHQGHN 2 Nội dung • Định nghĩa kiến trúc phần mềm và Một số khái niệm • Thiết kế kiến trúc • Một số kiểu kiến trúc Bộ môn Công nghệ phần mềm -Khoa CNTT -Trường ĐHCN -ĐHQGHN 3 Định nghĩa KTPM • Có nhiều trường phái • Richard N. Taylor và đồng nghiệp – “A software system’s architecture is the set of principal design decisions about the system” – Kiến trúc phần mềm là bản thiết kế cho việc xây dựng và tiến hóa phần mềm – Các quyết định thiết kế bao gồm nhiều khía cạnh của hệ thống đang được phát triển • Cấu trúc • Hành vi
    Khái niệm phần mềm như thế nào Công nghệ phần mềm Kỹ nghệ Phần mềm (SE) Nội dung • Khái niệm về SE • Các yếu tố cơ bản của SE • Các giai đoạn phát triển của SE • Vòng đời phát triển • Các thách thức cho phát triển PM • Chi phí cho phát triển PM • Một số vấn đề về đạo đức nghề nghiệp Bộ môn Công nghệ phần mềm -Khoa CNTT -Trường ĐHCN -ĐHQGHN 2 Một số định nghĩa về SE Software Engineering (SE) • SE là thiết lập và sử dụng các nguyên lý công nghệ đúng đắn để được phần mềm một cách kinh tế, vừa tin cậy vừa làm việc hiệu quả trên các máy thực. [Bauer 1969] • SE là nguyên lý kỹ nghệ liên quan đến tất cả các mặt lý thuyết, phương pháp, và công cụ của phần mềm. [Sommerville 1995] Bộ môn Công nghệ phần mềm -Khoa CNTT -Trường ĐHCN -ĐHQGHN 3 – Cấu trúc phần mềm thành nhiều tầng Bộ môn Công nghệ phần mềm -Khoa CNTT -Trường ĐHCN -ĐHQGHN 10 Các thuộc tính chất lượng • Thuộc tính thiết kế (Design qualities) • Thuộc tính thời gian thực thi (Run-time qualities) • Thuộc tính hệ thống (System qualities) • Thuộc tính người dùng (User qualities) Nguồn: https://msdn.microsoft.com/en-us/library/ee658094.aspx Bộ môn Công nghệ phần mềm -Khoa CNTT -Trường ĐHCN -ĐHQGHN 11 Nội dung • Định nghĩa kiến trúc phần mềm và một số khái niệm • Thiết kế kiến trúc • Một số kiểu kiến trúc Bộ môn Công nghệ phần mềm -Khoa CNTT -Trường ĐHCN -ĐHQGHN 12 Các nguyên lý thiết kế • Phân tách các khía cạnh quan tâm (Separation of concerns): chia ứng dụng thành các phần càng ít
  • Loss: MultipleNegativesRankingLoss with these parameters:
    {
    "scale": 20.0,
    "similarity_fct": "cos_sim",
    "gather_across_devices": false,
    "directions": [
        "query_to_doc"
    ],
    "partition_mode": "joint",
    "hardness_mode": null,
    "hardness_strength": 0.0
}

Evaluation Dataset

Unnamed Dataset

  • Size: 420 evaluation samples
  • Columns: anchor, positive, and negative
  • Approximate statistics based on the first 100 samples:
    anchor positive negative
    type string string string
    modality text text text
    details
    • min: 10 tokens
    • mean: 16.02 tokens
    • max: 25 tokens
    • min: 183 tokens
    • mean: 218.04 tokens
    • max: 256 tokens
    • min: 178 tokens
    • mean: 215.53 tokens
    • max: 256 tokens
  • Samples:
    anchor positive negative
    Lực từ tác dụng lên khung dây dẫn cứng ABCD là bao nhiêu? đặt trong chân không cách nhau 1 m, thì gây nên mỗi mét chiều Áp dụng quy tắc bàn tay trái, ta thấy: dài mỗi dây một lực bằng 210-7N. + Lực từ tác dụng lên BC hướng xuống dưới, và lên cạnh DA hướng lên trên. Hai 4.7.3. Tác dụng của từ trường đều lên một mạch điện kín lực này triệt tiêu nhau. Xét khung dây dẫn cứng ABCD có cạnh a và b, và có dòng + Lực từ𝐅⃗tác dụng lên AB hướng về điện I chạy qua. Khung đặt trong từ trường đều 𝐁có phương phía trước, và 𝐅⃗’ lên CD hướng về phía sau. với AB và CD. Cả 2 lực này luôn với AB, CD và 𝐁, có độ + Giả sử khung có thể quay quanh trục thẳng đứng của nó. lớn bằng nhau, nhưng ngược chiều nhau. Sự hút và đẩy nhau của 2 dòng điện thẳng song song cùng chiều(bên trái) chiều ngón cái choãi ra là chiều của lực từ. tắc vặn nút chai) và có độ lớn: Như vậy:Hai dòng điện // cùng chiều thì hút nhau. Tương tự như trên, nhưng I1và I2ngược chiều nhau, ta sẽ có Chú ý:Người ta dựa vào lực tương tác để định nghĩa Ampe như + Ban đầu, mặt khung không với 𝐁, kết luận sau: Hai dòng điện // ngược chiều thì đẩy nhau. sau: Ampe là cường độ của 1 dòng điện không đổi chạy qua hai Véctơ mômen từ𝐩mcủa nó hợp với𝐁 dây dẫn thẳng song song dài vô hạn, tiết diện nhỏ không đáng kể, một góc . đặt trong chân không cách nhau 1 m, thì gây nên mỗi mét chiều Áp dụng quy tắc bàn tay trái, ta thấy: dài mỗi dây một lực bằng 210-7N. + Lực từ tác dụng lên BC hướng xuống
    Lực từ tác dụng lên khung dây dẫn cứng ABCD là bao nhiêu? đặt trong chân không cách nhau 1 m, thì gây nên mỗi mét chiều Áp dụng quy tắc bàn tay trái, ta thấy: dài mỗi dây một lực bằng 210-7N. + Lực từ tác dụng lên BC hướng xuống dưới, và lên cạnh DA hướng lên trên. Hai 4.7.3. Tác dụng của từ trường đều lên một mạch điện kín lực này triệt tiêu nhau. Xét khung dây dẫn cứng ABCD có cạnh a và b, và có dòng + Lực từ𝐅⃗tác dụng lên AB hướng về điện I chạy qua. Khung đặt trong từ trường đều 𝐁có phương phía trước, và 𝐅⃗’ lên CD hướng về phía sau. với AB và CD. Cả 2 lực này luôn với AB, CD và 𝐁, có độ + Giả sử khung có thể quay quanh trục thẳng đứng của nó. lớn bằng nhau, nhưng ngược chiều nhau. Sự hút và đẩy nhau của 2 dòng điện thẳng song song cùng chiều(bên trái) Véctơ cảm ứng từ và cường độ từ trường Chú ý: Ba véctơ 𝒓, d𝒍⃗, và 𝐧hợp + Công thức trên có thể biểu diễn dưới dạng sau: 4.2.1. Khái niệm từ trường thành một tam diện thuận. Bấtkỳdòngđiệnnàocũngsinhratừtrườngxungquanhnó. Định luật Ampe: + Nếuđặtmộtdòngđiệnkhácquanhnó, thìdòngđiệnnàysẽ + Lực từ doI.d𝒍⃗tác dụng lên (ký hiệu có thể thay bằng : tích có hướng véctơ) chịutácdụngcủamộtlựctừ. I là o. d m 𝒍⃗ o ột c ù v n éc g t ơ đ ặ d t 𝐅 ⃗ t o r . o ng chân không Tương tác hai phần tử dòng điện + Nếu trong môi trường có độ từ thẩm ,công thức trở thành: dò + n T g h đ ô iệ n n g k q h u á a c t v ừ ớ t i r v ư ậ ờ n ng tố m cb à ằ l n ự g c v từ ận tr t u ố y c ề á n n t h ừ s d á ò n n g g . điệnnàytới
    Làm thế nào để khung dây quay trong từ trường điện? lớn bằng nhau, nhưng ngược chiều nhau. Sự hút và đẩy nhau của 2 dòng điện thẳng song song cùng chiều(bên trái) và ngược chiều(bên phải) 𝐅⃗và 𝐅⃗’ tạo thành một ngẫu lực, làm khung quay quanh  + Khi khung quay một góc d, công của ngẫu lực từ: Năng lượng khung dây trong từ trường: cho đến khi mặt khung với 𝐁. Khi ấy, 𝐩mvà𝐁sẽ cùng chiều nhau. (Dấu trừ thể hiện lực từ sinh công phát động –Đọc thêm tài liệu) hay + Mômen của ngẫu lực có độ lớn: Công của ngẫu lực từ đưa khung về vị trí cân bằng: (d là khoảng cách giữa hai lực) 4.7.4. Công của lực từ + Do d = bsin, nên (Tự học -trong tài liệu đã gửi) + Gọi Wm() và Wm(0) là năng lượng của khung ở vị trí ban đầu 4.8. đặt trong chân không cách nhau 1 m, thì gây nên mỗi mét chiều Áp dụng quy tắc bàn tay trái, ta thấy: dài mỗi dây một lực bằng 210-7N. + Lực từ tác dụng lên BC hướng xuống dưới, và lên cạnh DA hướng lên trên. Hai 4.7.3. Tác dụng của từ trường đều lên một mạch điện kín lực này triệt tiêu nhau. Xét khung dây dẫn cứng ABCD có cạnh a và b, và có dòng + Lực từ𝐅⃗tác dụng lên AB hướng về điện I chạy qua. Khung đặt trong từ trường đều 𝐁có phương phía trước, và 𝐅⃗’ lên CD hướng về phía sau. với AB và CD. Cả 2 lực này luôn với AB, CD và 𝐁, có độ + Giả sử khung có thể quay quanh trục thẳng đứng của nó. lớn bằng nhau, nhưng ngược chiều nhau. Sự hút và đẩy nhau của 2 dòng điện thẳng song song cùng chiều(bên trái)
  • Loss: MultipleNegativesRankingLoss with these parameters:
    {
    "scale": 20.0,
    "similarity_fct": "cos_sim",
    "gather_across_devices": false,
    "directions": [
        "query_to_doc"
    ],
    "partition_mode": "joint",
    "hardness_mode": null,
    "hardness_strength": 0.0
}

Training Hyperparameters

Non-Default Hyperparameters

  • per_device_train_batch_size: 32
  • per_device_eval_batch_size: 16
  • learning_rate: 2e-05
  • num_train_epochs: 10
  • lr_scheduler_type: cosine
  • warmup_steps: 0.1
  • fp16: True
  • tf32: False
  • load_best_model_at_end: True
  • batch_sampler: no_duplicates

All Hyperparameters

Click to expand
  • do_predict: False
  • prediction_loss_only: True
  • per_device_train_batch_size: 32
  • per_device_eval_batch_size: 16
  • 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: 10
  • max_steps: -1
  • lr_scheduler_type: cosine
  • lr_scheduler_kwargs: None
  • warmup_ratio: None
  • warmup_steps: 0.1
  • log_level: passive
  • log_level_replica: warning
  • log_on_each_node: True
  • logging_nan_inf_filter: True
  • enable_jit_checkpoint: False
  • save_on_each_node: False
  • save_only_model: False
  • restore_callback_states_from_checkpoint: False
  • use_cpu: False
  • seed: 42
  • data_seed: None
  • bf16: False
  • fp16: True
  • bf16_full_eval: False
  • fp16_full_eval: False
  • tf32: False
  • local_rank: -1
  • ddp_backend: None
  • debug: []
  • dataloader_drop_last: False
  • dataloader_num_workers: 0
  • dataloader_prefetch_factor: None
  • disable_tqdm: False
  • remove_unused_columns: True
  • label_names: None
  • load_best_model_at_end: True
  • ignore_data_skip: False
  • fsdp: []
  • fsdp_config: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
  • 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
  • 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
  • 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_for_metrics: []
  • eval_do_concat_batches: True
  • auto_find_batch_size: False
  • full_determinism: False
  • ddp_timeout: 1800
  • torch_compile: False
  • torch_compile_backend: None
  • torch_compile_mode: None
  • 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
  • use_cache: False
  • prompts: None
  • batch_sampler: no_duplicates
  • multi_dataset_batch_sampler: proportional
  • router_mapping: {}
  • learning_rate_mapping: {}

Training Logs

Click to expand
Epoch Step Training Loss Validation Loss val_cosine_ndcg@10
-1 -1 - - 0.2357
0.0476 5 2.3101 - -
0.0952 10 2.0758 - -
0.1429 15 2.2552 - -
0.1905 20 1.7265 - -
0.2381 25 1.9491 - -
0.2857 30 1.7976 - -
0.3333 35 1.6072 - -
0.3810 40 1.5065 - -
0.4286 45 1.6120 - -
0.4762 50 1.3084 - -
0.5238 55 1.3673 - -
0.5714 60 1.3267 - -
0.6190 65 1.1281 - -
0.6667 70 1.0791 - -
0.7143 75 1.0648 - -
0.7619 80 1.0699 - -
0.8095 85 1.0138 - -
0.8571 90 0.8823 - -
0.9048 95 1.0543 - -
0.9524 100 0.7650 - -
1.0 105 0.7820 1.4432 0.2572
1.0476 110 0.5899 - -
1.0952 115 0.6227 - -
1.1429 120 0.5144 - -
1.1905 125 0.4461 - -
1.2381 130 0.4701 - -
1.2857 135 0.6493 - -
1.3333 140 0.4794 - -
1.3810 145 0.3600 - -
1.4286 150 0.4083 - -
1.4762 155 0.5043 - -
1.5238 160 0.3620 - -
1.5714 165 0.4367 - -
1.6190 170 0.4310 - -
1.6667 175 0.3739 - -
1.7143 180 0.3669 - -
1.7619 185 0.3426 - -
1.8095 190 0.2987 - -
1.8571 195 0.3383 - -
1.9048 200 0.3787 - -
1.9524 205 0.2408 - -
2.0 210 0.2127 1.3310 0.2925
2.0476 215 0.1532 - -
2.0952 220 0.1506 - -
2.1429 225 0.1267 - -
2.1905 230 0.1699 - -
2.2381 235 0.1332 - -
2.2857 240 0.1465 - -
2.3333 245 0.1446 - -
2.3810 250 0.1261 - -
2.4286 255 0.1868 - -
2.4762 260 0.1551 - -
2.5238 265 0.1544 - -
2.5714 270 0.1259 - -
2.6190 275 0.1002 - -
2.6667 280 0.1304 - -
2.7143 285 0.1621 - -
2.7619 290 0.1412 - -
2.8095 295 0.1489 - -
2.8571 300 0.1332 - -
2.9048 305 0.1274 - -
2.9524 310 0.1140 - -
3.0 315 0.1126 1.3502 0.2846
3.0476 320 0.0898 - -
3.0952 325 0.1037 - -
3.1429 330 0.0731 - -
3.1905 335 0.1060 - -
3.2381 340 0.0880 - -
3.2857 345 0.0603 - -
3.3333 350 0.0964 - -
3.3810 355 0.0777 - -
3.4286 360 0.0515 - -
3.4762 365 0.0589 - -
3.5238 370 0.0631 - -
3.5714 375 0.0873 - -
3.6190 380 0.0526 - -
3.6667 385 0.0756 - -
3.7143 390 0.0537 - -
3.7619 395 0.0799 - -
3.8095 400 0.0726 - -
3.8571 405 0.0552 - -
3.9048 410 0.0597 - -
3.9524 415 0.1171 - -
4.0 420 0.0505 1.3530 0.2987
4.0476 425 0.0321 - -
4.0952 430 0.0314 - -
4.1429 435 0.0528 - -
4.1905 440 0.0443 - -
4.2381 445 0.0265 - -
4.2857 450 0.0533 - -
4.3333 455 0.0403 - -
4.3810 460 0.0892 - -
4.4286 465 0.0397 - -
4.4762 470 0.0517 - -
4.5238 475 0.0429 - -
4.5714 480 0.0465 - -
4.6190 485 0.0667 - -
4.6667 490 0.0763 - -
4.7143 495 0.0237 - -
4.7619 500 0.0581 - -
4.8095 505 0.0582 - -
4.8571 510 0.0461 - -
4.9048 515 0.0400 - -
4.9524 520 0.0223 - -
5.0 525 0.0234 1.4690 0.2849
5.0476 530 0.0269 - -
5.0952 535 0.0437 - -
5.1429 540 0.0271 - -
5.1905 545 0.0397 - -
5.2381 550 0.0227 - -
5.2857 555 0.0308 - -
5.3333 560 0.0152 - -
5.3810 565 0.0472 - -
5.4286 570 0.0204 - -
5.4762 575 0.0273 - -
5.5238 580 0.0214 - -
5.5714 585 0.0315 - -
5.6190 590 0.0244 - -
5.6667 595 0.0239 - -
5.7143 600 0.0244 - -
5.7619 605 0.0645 - -
5.8095 610 0.0162 - -
5.8571 615 0.0454 - -
5.9048 620 0.0171 - -
5.9524 625 0.0253 - -
6.0 630 0.0256 1.5053 0.2979
6.0476 635 0.0270 - -
6.0952 640 0.0233 - -
6.1429 645 0.0118 - -
6.1905 650 0.0220 - -
6.2381 655 0.0158 - -
6.2857 660 0.0237 - -
6.3333 665 0.0142 - -
6.3810 670 0.0482 - -
6.4286 675 0.0311 - -
6.4762 680 0.0552 - -
6.5238 685 0.0291 - -
6.5714 690 0.0118 - -
6.6190 695 0.0121 - -
6.6667 700 0.0233 - -
6.7143 705 0.0119 - -
6.7619 710 0.0193 - -
6.8095 715 0.0175 - -
6.8571 720 0.0189 - -
6.9048 725 0.0125 - -
6.9524 730 0.0191 - -
7.0 735 0.0324 1.4642 0.3035

Training Time

  • Training: 13.1 minutes

Framework Versions

  • Python: 3.12.13
  • Sentence Transformers: 5.5.1
  • Transformers: 5.0.0
  • PyTorch: 2.11.0+cu128
  • Accelerate: 1.13.0
  • Datasets: 5.0.0
  • Tokenizers: 0.22.2

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{oord2019representationlearningcontrastivepredictive,
      title={Representation Learning with Contrastive Predictive Coding},
      author={Aaron van den Oord and Yazhe Li and Oriol Vinyals},
      year={2019},
      eprint={1807.03748},
      archivePrefix={arXiv},
      primaryClass={cs.LG},
      url={https://arxiv.org/abs/1807.03748},
}
Downloads last month
192
Safetensors
Model size
0.1B params
Tensor type
F32
·
Inference Providers NEW
Sentence Similarity
This model isn't deployed by any Inference Provider. 🙋 Ask for provider support

Model tree for doan2506/vietnamese-bi-encoder-finetuned

Base model

bkai-foundation-models/vietnamese-bi-encoder
Finetuned
(59)
this model

Papers for doan2506/vietnamese-bi-encoder-finetuned

Evaluation results