README.md

---
language:
- es
license: apache-2.0
library_name: sentence-transformers
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:74124
- loss:MultipleNegativesRankingLoss
base_model: microsoft/mpnet-base
datasets: []
metrics:
- cosine_accuracy
- dot_accuracy
- manhattan_accuracy
- euclidean_accuracy
- max_accuracy
widget:
- source_sentence: ¿Cuál es la tensión nominal en las redes monofásicas trifilares
    con el punto medio conectado a tierra?
  sentences:
  - 'Reglamento de Baja Tensión de la ANDE: El 14.3.1 trata sobre: Circuitos trifásicos
    son aquellos que emplean las tres fases de la energía que provee la ANDE, con
    interruptor y protección adecuados en el tablero de arranque y se emplean en líneas
    distribuidoras de fuerza motriz, calefacción, refrigeración y similares, comprendiendo
    incluso aparatos monofásicos, sin limitaciones de carga, siempre que:  a) Se realice
    el equilibrio de cargas de los equipos monofásicos. b) Se atienda correctamente
    a 13.4.2. c) Que ninguna de las cargas trifásicas individuales sea igual o superior
    a 15 A nominales en el caso de motores, o 20 A si son equipos de calefacción o
    similares. d) Se use un circuito trifásico independiente por cada motor de 15
    A nominales o más. e) Se use un circuito trifásico independiente por cada equipo
    de calefacción o similar de 20 A o más.'
  - 'Reglamento de Baja Tensión de la ANDE: El 24.5.1 trata sobre: No podrán ser usadas
    curvas de abertura inferior a 90°. En una tubería comprendida entre dos cajas,
    o entre extremidades libres, o entre una caja y una extremidad libre, no se podrán
    usar más de 3 curvas.'
  - 'Reglamento de Baja Tensión de la ANDE: El 1.1 trata sobre: Este reglamento se
    aplica a las instalaciones eléctricas de baja tensión conectadas y a ser conectadas
    a las redes de la Administración Nacional de Electricidad (ANDE).  Observación:
    ANDE distribuye energía eléctrica en baja tensión a la frecuencia nominal de 50
    Hz según los siguientes sistemas:  a) Mediante redes trifásicas trifilares sin
    neutro, a la tensión nominal de 220 Voltios entre fases; b) Mediante redes monofásicas
    trifilares con el punto medio conectado a tierra, a la tensión nominal de 220
    Voltios; c) Mediante redes trifásicas tetrafilares con neutro conectado a tierra,
    a la tensión nominal de 380 Voltios entre fases y de 220 Voltios entre fase y
    neutro.  NOTA 1: Entiéndase por “frecuencia nominal” la citada, admitiéndose una
    variación de hasta 2% en más o menos. NOTA 2: Entiéndase por “tensión nominal”
    las citadas, admitiéndose una variación de hasta 2% en más o en menos. NOTA 3:
    Las tolerancias indicadas en las notas precedentes se refieren a servicio normal,
    pudiendo ser excedidas en situaciones anormales no permanentes. NOTA 4: La Baja
    Tensión de las instalaciones servidas en Media o Alta Tensión, con transformador
    de uso exclusivo, podrá ser optativa.'
- source_sentence: ¿Cuál es la altura mínima requerida en relación a patios, jardines
    y paseos de exclusivo uso de peatones?
  sentences:
  - 'Reglamento de Baja Tensión de la ANDE: El 36.3.2 trata sobre: Deberán ser usados
    transformadores monofásicos de potencia no superior a 1 kVA, con tensión en el
    secundario, en vacío, no mayor de 20 kV y corriente de corto circuito no superior
    a 80 mA.. El 36.3.2 pertenece a la sección: <section>36.3</section>'
  - 'Reglamento de Baja Tensión de la ANDE: El 36.6.1 trata sobre: Las partes conductoras
    de los circuitos de este tipo que operen con tensiones superiores a 1000 voltios,
    deberán mantener las siguientes separaciones mínimas:  a) 1,5 m en relación a
    ventanas, terrazas, balcones y lugares semejantes. b) 1,5 m en relación a líneas
    aéreas de luz, fuerza motriz, teléfonos y similares. c) 2,5 m de altura en relación
    al piso en instalaciones interiores, no protegidas, así como también en el caso
    de balcones, terrazas y lugares semejantes. d) 3,5 m de altura en relación a patios,
    jardines y paseos de exclusivo uso de peatones. e) 5,5 m de altura en relación
    a calles, patios y áreas de circulación de vehículos.'
  - 'Reglamento de Baja Tensión de la ANDE: El 32.5 trata sobre Vanos y tiene las
    siguientes sub-secciones: 32.5.1, 32.5.2'
- source_sentence: Determine quién es responsable de la conservación y mantenimiento
    del material de la acometida una vez conectada la energía eléctrica.
  sentences:
  - 'Reglamento de Baja Tensión de la ANDE: El 11.2.1 trata sobre: Entrada es la conexión
    eléctrica entre el servicio y el equipo de medición.'
  - 'Reglamento de Baja Tensión de la ANDE: El 31.1.2 trata sobre: Las barras desnudas
    podrán ser instaladas en canaletas, incluso en recintos de tránsito, siempre que
    las mismas aseguren adecuada protección eléctrica y mecánica.'
  - 'Reglamento de Baja Tensión de la ANDE: El 11.4.2 trata sobre: La entrada  debe
    ser instalada por el electricista responsable. El material para el servicio será
    adquirido por el usuario e instalado por ANDE. Una vez conectada la energía eléctrica,
    todo el material de la acometida queda a cargo de la ANDE que, en consecuencia,
    es la responsable de su conservación y mantenimiento.'
- source_sentence: Identifique el número de la sección que trata sobre la Medida de
    la resistencia de aislación.
  sentences:
  - 'Reglamento de Baja Tensión de la ANDE: El 21.2 trata sobre Medida de la resistencia
    de aislación y tiene las siguientes sub-secciones: 21.2.1,
     21.2.2, 21.2.3'
  - 'Reglamento de Baja Tensión de la ANDE: El 17.7 trata sobre Protección de los
    conductores y tiene las siguientes sub-secciones: 17.7.1,
    17.7.2, 17.7.3, 17.7.4'
  - 'Reglamento de Baja Tensión de la ANDE: El 21.1 trata sobre Aplicación y tiene
    las siguientes sub-secciones: 21.1.1'
- source_sentence: ¿Cuál es el número del artículo que trata sobre la mínima sección
    permisible para una lámpara o grupo de lámparas?
  sentences:
  - 'Reglamento de Baja Tensión de la ANDE: El 12.1.1 trata sobre: El material con
    que se confeccionen los soportes, dependerá del material que se emplee en los
    elementos de maniobra, protección y control. Así, podrán usarse bastidores de
    metal, chapas metálicas, placas de mármol o de otra substancia aislante y maderas
    debidamente tratadas en dependencia de las características de los seccionadores,
    portafusibles, interruptores, llaves y demás elementos componentes del tablero.'
  - 'Reglamento de Baja Tensión de la ANDE: El 14.7.3 trata sobre: La mínima sección
    permisible para una lámpara, o grupo de lámparas que forman un solo artefacto
    de iluminación, será de 1 mm².'
  - 'Reglamento de Baja Tensión de la ANDE: El 19.2.1 trata sobre: La caída de tensión
    máxima permisible, es la siguiente:  a) Para iluminación, en general (19.1.1),
    hasta 4%. -2% en el alimentador, y -2% en el circuito (19.1.2). b) Para fuerza
    motriz y/o calefacción, hasta 5%. -4% en el alimentador, y -1% en el ramal. c)
    En el caso de clientes que reciban la energía a tensión diferente de las normales
    de utilización (19.1.3), hasta 4%.'
pipeline_tag: sentence-similarity
model-index:
- name: andegpt-embed
  results:
  - task:
      type: triplet
      name: Triplet
    dataset:
      name: andegpt dev
      type: andegpt-dev
    metrics:
    - type: cosine_accuracy
      value: 0.9970859640602234
      name: Cosine Accuracy
    - type: dot_accuracy
      value: 0.0031568722680913063
      name: Dot Accuracy
    - type: manhattan_accuracy
      value: 0.9968431277319086
      name: Manhattan Accuracy
    - type: euclidean_accuracy
      value: 0.9970859640602234
      name: Euclidean Accuracy
    - type: max_accuracy
      value: 0.9970859640602234
      name: Max Accuracy
---

# andegpt-embed

This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [microsoft/mpnet-base](https://huggingface.co/microsoft/mpnet-base). 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:** [microsoft/mpnet-base](https://huggingface.co/microsoft/mpnet-base) <!-- at revision 6996ce1e91bd2a9c7d7f61daec37463394f73f09 -->
- **Maximum Sequence Length:** 512 tokens
- **Output Dimensionality:** 768 tokens
- **Similarity Function:** Cosine Similarity
<!-- - **Training Dataset:** Unknown -->
- **Language:** es
- **License:** apache-2.0

### Model Sources

- **Documentation:** [Sentence Transformers Documentation](https://sbert.net)
- **Repository:** [Sentence Transformers on GitHub](https://github.com/UKPLab/sentence-transformers)
- **Hugging Face:** [Sentence Transformers on Hugging Face](https://huggingface.co/models?library=sentence-transformers)

### Full Model Architecture

```
SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: MPNetModel 
  (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:

```bash
pip install -U sentence-transformers
```

Then you can load this model and run inference.
```python
from sentence_transformers import SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("enpaiva/embed-andegpt-280724")
# Run inference
sentences = [
    '¿Cuál es el número del artículo que trata sobre la mínima sección permisible para una lámpara o grupo de lámparas?',
    'Reglamento de Baja Tensión de la ANDE: El 14.7.3 trata sobre: La mínima sección permisible para una lámpara, o grupo de lámparas que forman un solo artefacto de iluminación, será de 1 mm².',
    'Reglamento de Baja Tensión de la ANDE: El 19.2.1 trata sobre: La caída de tensión máxima permisible, es la siguiente:  a) Para iluminación, en general (19.1.1), hasta 4%. -2% en el alimentador, y -2% en el circuito (19.1.2). b) Para fuerza motriz y/o calefacción, hasta 5%. -4% en el alimentador, y -1% en el ramal. c) En el caso de clientes que reciban la energía a tensión diferente de las normales de utilización (19.1.3), hasta 4%.',
]
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]
```

<!--
### Direct Usage (Transformers)

<details><summary>Click to see the direct usage in Transformers</summary>

</details>
-->

<!--
### Downstream Usage (Sentence Transformers)

You can finetune this model on your own dataset.

<details><summary>Click to expand</summary>

</details>
-->

<!--
### Out-of-Scope Use

*List how the model may foreseeably be misused and address what users ought not to do with the model.*
-->

## Evaluation

### Metrics

#### Triplet
* Dataset: `andegpt-dev`
* Evaluated with [<code>TripletEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.TripletEvaluator)

| Metric             | Value      |
|:-------------------|:-----------|
| cosine_accuracy    | 0.9971     |
| dot_accuracy       | 0.0032     |
| manhattan_accuracy | 0.9968     |
| euclidean_accuracy | 0.9971     |
| **max_accuracy**   | **0.9971** |

<!--
## Bias, Risks and Limitations

*What are the known or foreseeable issues stemming from this model? You could also flag here known failure cases or weaknesses of the model.*
-->

<!--
### Recommendations

*What are recommendations with respect to the foreseeable issues? For example, filtering explicit content.*
-->

## Training Details

### Training Hyperparameters
#### Non-Default Hyperparameters

- `prediction_loss_only`: False
- `learning_rate`: 2e-05
- `lr_scheduler_type`: cosine
- `log_level_replica`: passive
- `log_on_each_node`: False
- `logging_nan_inf_filter`: False
- `bf16`: True
- `batch_sampler`: no_duplicates

#### All Hyperparameters
<details><summary>Click to expand</summary>

- `overwrite_output_dir`: False
- `do_predict`: False
- `prediction_loss_only`: False
- `per_device_train_batch_size`: 8
- `per_device_eval_batch_size`: 8
- `per_gpu_train_batch_size`: None
- `per_gpu_eval_batch_size`: None
- `gradient_accumulation_steps`: 1
- `eval_accumulation_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`: 3
- `max_steps`: -1
- `lr_scheduler_type`: cosine
- `lr_scheduler_kwargs`: {}
- `warmup_ratio`: 0
- `warmup_steps`: 0
- `log_level`: passive
- `log_level_replica`: passive
- `log_on_each_node`: False
- `logging_nan_inf_filter`: False
- `save_safetensors`: True
- `save_on_each_node`: False
- `save_only_model`: 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}
- `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`: False
- `hub_always_push`: False
- `gradient_checkpointing`: False
- `gradient_checkpointing_kwargs`: None
- `include_inputs_for_metrics`: False
- `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_sampler`: no_duplicates
- `multi_dataset_batch_sampler`: proportional

</details>

### Training Logs
| Epoch  | Step | Training Loss | loss   | andegpt-dev_max_accuracy |
|:------:|:----:|:-------------:|:------:|:------------------------:|
| 0      | 0    | -             | -      | 0.6136                   |
| 0.0270 | 250  | 0.8269        | 0.3100 | 0.9658                   |
| 0.0540 | 500  | 0.3667        | 0.2169 | 0.9721                   |
| 0.0809 | 750  | 0.2305        | 0.1594 | 0.9801                   |
| 0.1079 | 1000 | 0.1866        | 0.1372 | 0.9830                   |
| 0.1349 | 1250 | 0.1639        | 0.1114 | 0.9859                   |
| 0.1619 | 1500 | 0.1375        | 0.0983 | 0.9871                   |
| 0.1889 | 1750 | 0.1082        | 0.0815 | 0.9886                   |
| 0.2158 | 2000 | 0.1023        | 0.0723 | 0.9900                   |
| 0.2428 | 2250 | 0.0777        | 0.0703 | 0.9905                   |
| 0.2698 | 2500 | 0.0809        | 0.0656 | 0.9896                   |
| 0.2968 | 2750 | 0.0639        | 0.0662 | 0.9891                   |
| 0.3238 | 3000 | 0.0633        | 0.0590 | 0.9922                   |
| 0.3507 | 3250 | 0.0545        | 0.0533 | 0.9930                   |
| 0.3777 | 3500 | 0.0541        | 0.0458 | 0.9932                   |
| 0.4047 | 3750 | 0.0475        | 0.0365 | 0.9947                   |
| 0.4317 | 4000 | 0.0394        | 0.0330 | 0.9939                   |
| 0.4587 | 4250 | 0.0561        | 0.0345 | 0.9939                   |
| 0.4856 | 4500 | 0.0432        | 0.0327 | 0.9942                   |
| 0.5126 | 4750 | 0.0417        | 0.0328 | 0.9944                   |
| 0.5396 | 5000 | 0.0388        | 0.0252 | 0.9949                   |
| 0.5666 | 5250 | 0.033         | 0.0284 | 0.9959                   |
| 0.5936 | 5500 | 0.0243        | 0.0229 | 0.9964                   |
| 0.6205 | 5750 | 0.023         | 0.0223 | 0.9959                   |
| 0.6475 | 6000 | 0.0313        | 0.0209 | 0.9966                   |
| 0.6745 | 6250 | 0.0285        | 0.0208 | 0.9961                   |
| 0.7015 | 6500 | 0.022         | 0.0192 | 0.9961                   |
| 0.7285 | 6750 | 0.0219        | 0.0235 | 0.9956                   |
| 0.7555 | 7000 | 0.0258        | 0.0186 | 0.9954                   |
| 0.7824 | 7250 | 0.0226        | 0.0230 | 0.9959                   |
| 0.8094 | 7500 | 0.0226        | 0.0240 | 0.9961                   |
| 0.8364 | 7750 | 0.0208        | 0.0173 | 0.9968                   |
| 0.8634 | 8000 | 0.0147        | 0.0200 | 0.9956                   |
| 0.8904 | 8250 | 0.0193        | 0.0147 | 0.9971                   |
| 0.9173 | 8500 | 0.0254        | 0.0136 | 0.9968                   |
| 0.9443 | 8750 | 0.0148        | 0.0132 | 0.9971                   |
| 0.9713 | 9000 | 0.0174        | 0.0157 | 0.9968                   |
| 0.9983 | 9250 | 0.0221        | 0.0144 | 0.9971                   |


### Framework Versions
- Python: 3.11.0
- Sentence Transformers: 3.0.1
- Transformers: 4.39.3
- PyTorch: 2.2.0+cu121
- Accelerate: 0.28.0
- Datasets: 2.20.0
- Tokenizers: 0.15.2

## Citation

### BibTeX

#### Sentence Transformers
```bibtex
@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
```bibtex
@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}
}
```

<!--
## Glossary

*Clearly define terms in order to be accessible across audiences.*
-->

<!--
## Model Card Authors

*Lists the people who create the model card, providing recognition and accountability for the detailed work that goes into its construction.*
-->

<!--
## Model Card Contact

*Provides a way for people who have updates to the Model Card, suggestions, or questions, to contact the Model Card authors.*
-->