README.md

metadata

base_model: BAAI/bge-m3
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:6468
  - loss:MatryoshkaLoss
  - loss:MultipleNegativesRankingLoss
widget:
  - source_sentence: >-
      El seu objecte és que -prèviament a la seva execució material-
      l'Ajuntament comprovi l'adequació de l’actuació a la normativa i
      planejament, així com a les ordenances municipals sobre l’ús del sòl i
      edificació.
    sentences:
      - >-
        Quin és el paper de les ordenances municipals en la llicència
        d'extracció d'àrids i explotació de pedreres?
      - Quin és el percentatge de bonificació que es pot obtenir?
      - >-
        Quin és el propòsit del tràmit d'adjudicació d'habitatges socials i
        d'emergència?
  - source_sentence: >-
      La renda és un element important en la tramitació d'un ajornament o
      fraccionament, ja que es té en compte per determinar si el sol·licitant
      compleix els requisits per a sol·licitar el criteri excepcional.
    sentences:
      - >-
        Quin és el paper de la renda en la tramitació d'un ajornament o
        fraccionament?
      - Quin és l'objectiu del tràmit C03?
      - >-
        Quin és el paper de les ordenances municipals en la llicència de
        parcel·lació?
  - source_sentence: >-
      L’article 14 de la llei 39/2015 estableix l’obligatorietat de l’ús de
      mitjans electrònics, informàtics o telemàtics per desenvolupar totes les
      fases del procediment de contractació.
    sentences:
      - >-
        Quin és el paper de les ordenances municipals sobre l’ús del sòl i
        edificació en el tràmit de modificació substancial de la llicència
        d'obres?
      - Quin és el requisit per a la intervenció d'una persona tècnica?
      - Quin és el propòsit de l’article 14 de la llei 39/2015?
  - source_sentence: >-
      El seu objecte és que -prèviament a la seva execució material-
      l'Ajuntament comprovi l'adequació de l’actuació a la normativa i
      planejament, així com a les ordenances municipals sobre l’ús del sòl i
      edificació.
    sentences:
      - >-
        Quin és el paper del planejament en el tràmit de llicència d'obres per
        l'obertura, la pavimentació i la modificació de camins rurals?
      - Quin és el requisit per presentar una sol·licitud?
      - >-
        Quin és el resultat de la falta de presentació de la documentació
        tècnica corresponent?
  - source_sentence: >-
      L’Ajuntament de Sant Quirze del Vallès reconeix un dret preferent al
      titular del dret funerari sobre la corresponent sepultura o al successor o
      causahavent de l’anterior titular d’aquest dret, que permet adquirir de
      nou el dret funerari referit, sobre la mateixa sepultura, un cop el dret
      atorgat ha exhaurit el termini de vigència
    sentences:
      - >-
        Quin és el requisit per a les instal·lacions solars per mantenir la
        bonificació?
      - Quin és el paper del cens electoral en les eleccions?
      - Quan es pot adquirir de nou el dret funerari?
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: 0.10173160173160173
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.27705627705627706
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.36796536796536794
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.48268398268398266
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.10173160173160173
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.09235209235209235
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.0735930735930736
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.04826839826839826
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.10173160173160173
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.27705627705627706
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.36796536796536794
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.48268398268398266
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.27573421573267004
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.21126485947914525
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.22874042563037256
            name: Cosine Map@100
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: dim 768
          type: dim_768
        metrics:
          - type: cosine_accuracy@1
            value: 0.11904761904761904
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.29004329004329005
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.3658008658008658
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.49567099567099565
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.11904761904761904
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.09668109668109669
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.07316017316017315
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.049567099567099565
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.11904761904761904
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.29004329004329005
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.3658008658008658
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.49567099567099565
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.2892077987787756
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.22525767882910738
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.24276232307204765
            name: Cosine Map@100
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: dim 512
          type: dim_512
        metrics:
          - type: cosine_accuracy@1
            value: 0.10822510822510822
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.2662337662337662
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.36363636363636365
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.5064935064935064
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.10822510822510822
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.08874458874458875
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.07272727272727272
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.050649350649350645
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.10822510822510822
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.2662337662337662
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.36363636363636365
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.5064935064935064
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.28386807922368074
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.21557239057239053
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.23234161860560523
            name: Cosine Map@100
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: dim 256
          type: dim_256
        metrics:
          - type: cosine_accuracy@1
            value: 0.11471861471861472
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.24025974025974026
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.3398268398268398
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.4805194805194805
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.11471861471861472
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.08008658008658008
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.06796536796536796
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.04805194805194805
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.11471861471861472
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.24025974025974026
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.3398268398268398
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.4805194805194805
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.2749619650624931
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.21201642273070856
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.23043548788604293
            name: Cosine Map@100
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: dim 128
          type: dim_128
        metrics:
          - type: cosine_accuracy@1
            value: 0.11255411255411256
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.26406926406926406
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.329004329004329
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.487012987012987
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.11255411255411256
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.08802308802308802
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.0658008658008658
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.048701298701298704
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.11255411255411256
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.26406926406926406
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.329004329004329
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.487012987012987
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.27907708560411776
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.21522795987081703
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.23398722217128723
            name: Cosine Map@100
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: dim 64
          type: dim_64
        metrics:
          - type: cosine_accuracy@1
            value: 0.1038961038961039
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.2619047619047619
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.3354978354978355
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.474025974025974
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.1038961038961039
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.0873015873015873
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.0670995670995671
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.0474025974025974
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.1038961038961039
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.2619047619047619
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.3354978354978355
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.474025974025974
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.2700415740619265
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.20714285714285718
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.22556246902969454
            name: Cosine Map@100

SentenceTransformer based on BAAI/bge-m3

This is a sentence-transformers model finetuned from BAAI/bge-m3 on the json dataset. 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
• Training Dataset:
  • json

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/ST-tramits-SQV-007-5ep")
# Run inference
sentences = [
    'L’Ajuntament de Sant Quirze del Vallès reconeix un dret preferent al titular del dret funerari sobre la corresponent sepultura o al successor o causahavent de l’anterior titular d’aquest dret, que permet adquirir de nou el dret funerari referit, sobre la mateixa sepultura, un cop el dret atorgat ha exhaurit el termini de vigència',
    'Quan es pot adquirir de nou el dret funerari?',
    'Quin és el paper del cens electoral en les eleccions?',
]
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	0.1017
cosine_accuracy@3	0.2771
cosine_accuracy@5	0.368
cosine_accuracy@10	0.4827
cosine_precision@1	0.1017
cosine_precision@3	0.0924
cosine_precision@5	0.0736
cosine_precision@10	0.0483
cosine_recall@1	0.1017
cosine_recall@3	0.2771
cosine_recall@5	0.368
cosine_recall@10	0.4827
cosine_ndcg@10	0.2757
cosine_mrr@10	0.2113
cosine_map@100	0.2287

Information Retrieval

• Dataset: dim_768
• Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.119
cosine_accuracy@3	0.29
cosine_accuracy@5	0.3658
cosine_accuracy@10	0.4957
cosine_precision@1	0.119
cosine_precision@3	0.0967
cosine_precision@5	0.0732
cosine_precision@10	0.0496
cosine_recall@1	0.119
cosine_recall@3	0.29
cosine_recall@5	0.3658
cosine_recall@10	0.4957
cosine_ndcg@10	0.2892
cosine_mrr@10	0.2253
cosine_map@100	0.2428

Information Retrieval

• Dataset: dim_512
• Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.1082
cosine_accuracy@3	0.2662
cosine_accuracy@5	0.3636
cosine_accuracy@10	0.5065
cosine_precision@1	0.1082
cosine_precision@3	0.0887
cosine_precision@5	0.0727
cosine_precision@10	0.0506
cosine_recall@1	0.1082
cosine_recall@3	0.2662
cosine_recall@5	0.3636
cosine_recall@10	0.5065
cosine_ndcg@10	0.2839
cosine_mrr@10	0.2156
cosine_map@100	0.2323

Information Retrieval

• Dataset: dim_256
• Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.1147
cosine_accuracy@3	0.2403
cosine_accuracy@5	0.3398
cosine_accuracy@10	0.4805
cosine_precision@1	0.1147
cosine_precision@3	0.0801
cosine_precision@5	0.068
cosine_precision@10	0.0481
cosine_recall@1	0.1147
cosine_recall@3	0.2403
cosine_recall@5	0.3398
cosine_recall@10	0.4805
cosine_ndcg@10	0.275
cosine_mrr@10	0.212
cosine_map@100	0.2304

Information Retrieval

• Dataset: dim_128
• Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.1126
cosine_accuracy@3	0.2641
cosine_accuracy@5	0.329
cosine_accuracy@10	0.487
cosine_precision@1	0.1126
cosine_precision@3	0.088
cosine_precision@5	0.0658
cosine_precision@10	0.0487
cosine_recall@1	0.1126
cosine_recall@3	0.2641
cosine_recall@5	0.329
cosine_recall@10	0.487
cosine_ndcg@10	0.2791
cosine_mrr@10	0.2152
cosine_map@100	0.234

Information Retrieval

• Dataset: dim_64
• Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.1039
cosine_accuracy@3	0.2619
cosine_accuracy@5	0.3355
cosine_accuracy@10	0.474
cosine_precision@1	0.1039
cosine_precision@3	0.0873
cosine_precision@5	0.0671
cosine_precision@10	0.0474
cosine_recall@1	0.1039
cosine_recall@3	0.2619
cosine_recall@5	0.3355
cosine_recall@10	0.474
cosine_ndcg@10	0.27
cosine_mrr@10	0.2071
cosine_map@100	0.2256

Training Details

Training Dataset

json

• Dataset: json
• Size: 6,468 training samples
• Columns: positive and anchor
• Approximate statistics based on the first 1000 samples:

  	positive	anchor
  type	string	string
  details	min: 5 tokens mean: 39.4 tokens max: 168 tokens	min: 10 tokens mean: 20.48 tokens max: 44 tokens

• Samples:

  positive	anchor
  Aquest tràmit permet la inscripció al padró dels canvis de domicili dins de Sant Quirze del Vallès...	Quin és el benefici de la inscripció al Padró d'Habitants?
  Els recursos que es poden oferir al banc de recursos són: MATERIALS, PROFESSIONALS i SOCIALS.	Quins tipus de recursos es poden oferir al banc de recursos?
  El termini per a la presentació de sol·licituds serà del 8 al 21 de maig de 2024, ambdós inclosos.	Quin és el termini per a la presentació de sol·licituds per a la preinscripció a l'Escola Bressol Municipal El Patufet?

• 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: 5
• 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: 5
• 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
0.3951	10	4.4042	-	-	-	-	-	-
0.7901	20	2.9471	-	-	-	-	-	-
0.9877	25	-	0.2293	0.2045	0.2099	0.2138	0.1717	0.2242
1.1852	30	2.2351	-	-	-	-	-	-
1.5802	40	1.5289	-	-	-	-	-	-
1.9753	50	1.2045	0.2332	0.2182	0.2277	0.2221	0.2051	0.2248
2.3704	60	0.9435	-	-	-	-	-	-
2.7654	70	0.7958	-	-	-	-	-	-
2.963	75	-	0.2379	0.2352	0.2276	0.2204	0.2138	0.2235
3.1605	80	0.6703	-	-	-	-	-	-
3.5556	90	0.6162	-	-	-	-	-	-
3.9506	100	0.6079	-	-	-	-	-	-
3.9901	101	-	0.2251	0.2307	0.2201	0.2343	0.2210	0.2348
4.3457	110	0.5085	-	-	-	-	-	-
4.7407	120	0.5248	-	-	-	-	-	-
4.9383	125	-	0.2287	0.2340	0.2304	0.2323	0.2256	0.2428

• The bold row denotes the saved checkpoint.

Framework Versions

• Python: 3.10.12
• Sentence Transformers: 3.1.1
• Transformers: 4.44.2
• PyTorch: 2.4.1+cu121
• Accelerate: 0.35.0.dev0
• Datasets: 3.0.1
• 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}
}