File size: 33,006 Bytes
182d2f5 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719 720 721 722 723 724 725 726 727 728 729 730 731 732 733 734 735 736 737 738 739 740 741 742 743 744 745 746 747 748 749 750 751 752 753 754 755 756 757 758 759 760 761 762 763 764 765 766 767 768 769 770 771 772 773 774 775 776 777 778 779 780 781 782 783 784 785 786 787 788 789 790 791 792 793 794 795 796 797 798 799 800 801 802 803 804 805 806 807 808 809 810 811 812 813 814 815 816 817 818 819 820 821 822 823 824 825 826 827 828 829 830 831 832 833 834 835 836 837 838 839 840 841 842 843 844 845 846 847 848 849 850 851 852 853 854 855 856 857 858 859 860 861 862 863 864 865 866 867 868 869 870 871 872 873 874 875 876 877 878 879 880 881 882 883 884 885 886 887 |
---
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:6749
- loss:MatryoshkaLoss
- loss:MultipleNegativesRankingLoss
widget:
- source_sentence: La presentació de la comunicació prèvia, acompanyada de la documentació
exigida, habilita a la persona interessada a executar els actes que s'hi descriuen,
des del dia de la seva presentació, sens perjudici de les facultats de comprovació,
control i inspecció de l'Ajuntament.
sentences:
- Quin és el resultat de la llicència d'usos i obres provisionals en relació amb
altres autoritzacions administratives?
- Quin és el paper de la persona interessada en aquest tràmit?
- Quin és el tipus d'impost que es beneficia d'aquest tràmit?
- source_sentence: L'aportació de residus a la Deixalleria municipal us permet obtenir
una bonificació de la taxa de residus del 15%.
sentences:
- Quin és el benefici de la Deixalleria municipal?
- Quin és el benefici de tenir un volant de convivència?
- Quin és el benefici de tenir el certificat del nombre d’habitants i habitatges
del Padró d’Habitants?
- source_sentence: La presentació de la comunicació prèvia, acompanyada de la documentació
exigida, habilita a la persona interessada a executar els actes que s'hi descriuen,
des del dia de la seva presentació, sens perjudici de les facultats de comprovació,
control i inspecció de l’Ajuntament.
sentences:
- Quin és el resultat de la presentació de la documentació exigida?
- Quina és la condició per a la concessió de la bonificació?
- On es troben els drets funeraris que es volen canviar?
- source_sentence: Renovació de concessió de drets funeraris a llarg termini (cementiri)
sentences:
- Quin és el requisit per aturar o estacionar el vehicle amb la targeta d'aparcament
de transport col·lectiu?
- Quin és el benefici de la concessió de drets funeraris a llarg termini?
- Quin és el tipus de residus que es requereixen per a la bonificació?
- source_sentence: La presentació de la sol·licitud no dona dret al muntatge de la
parada.
sentences:
- Quin és el motiu per canviar la persona titular dels drets funeraris?
- Quin és el propòsit de la reunió informativa i de coordinació?
- Quin és el requisit per a la presentació de la sol·licitud d’autorització?
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: 0.044
name: Cosine Accuracy@1
- type: cosine_accuracy@3
value: 0.116
name: Cosine Accuracy@3
- type: cosine_accuracy@5
value: 0.18
name: Cosine Accuracy@5
- type: cosine_accuracy@10
value: 0.3506666666666667
name: Cosine Accuracy@10
- type: cosine_precision@1
value: 0.044
name: Cosine Precision@1
- type: cosine_precision@3
value: 0.03866666666666667
name: Cosine Precision@3
- type: cosine_precision@5
value: 0.036
name: Cosine Precision@5
- type: cosine_precision@10
value: 0.03506666666666667
name: Cosine Precision@10
- type: cosine_recall@1
value: 0.044
name: Cosine Recall@1
- type: cosine_recall@3
value: 0.116
name: Cosine Recall@3
- type: cosine_recall@5
value: 0.18
name: Cosine Recall@5
- type: cosine_recall@10
value: 0.3506666666666667
name: Cosine Recall@10
- type: cosine_ndcg@10
value: 0.16592235166459846
name: Cosine Ndcg@10
- type: cosine_mrr@10
value: 0.11099682539682543
name: Cosine Mrr@10
- type: cosine_map@100
value: 0.13414156200645738
name: Cosine Map@100
- task:
type: information-retrieval
name: Information Retrieval
dataset:
name: dim 768
type: dim_768
metrics:
- type: cosine_accuracy@1
value: 0.04133333333333333
name: Cosine Accuracy@1
- type: cosine_accuracy@3
value: 0.116
name: Cosine Accuracy@3
- type: cosine_accuracy@5
value: 0.17866666666666667
name: Cosine Accuracy@5
- type: cosine_accuracy@10
value: 0.3626666666666667
name: Cosine Accuracy@10
- type: cosine_precision@1
value: 0.04133333333333333
name: Cosine Precision@1
- type: cosine_precision@3
value: 0.03866666666666666
name: Cosine Precision@3
- type: cosine_precision@5
value: 0.03573333333333333
name: Cosine Precision@5
- type: cosine_precision@10
value: 0.03626666666666667
name: Cosine Precision@10
- type: cosine_recall@1
value: 0.04133333333333333
name: Cosine Recall@1
- type: cosine_recall@3
value: 0.116
name: Cosine Recall@3
- type: cosine_recall@5
value: 0.17866666666666667
name: Cosine Recall@5
- type: cosine_recall@10
value: 0.3626666666666667
name: Cosine Recall@10
- type: cosine_ndcg@10
value: 0.16902152680215465
name: Cosine Ndcg@10
- type: cosine_mrr@10
value: 0.11157989417989429
name: Cosine Mrr@10
- type: cosine_map@100
value: 0.13412743689937764
name: Cosine Map@100
- task:
type: information-retrieval
name: Information Retrieval
dataset:
name: dim 512
type: dim_512
metrics:
- type: cosine_accuracy@1
value: 0.04666666666666667
name: Cosine Accuracy@1
- type: cosine_accuracy@3
value: 0.116
name: Cosine Accuracy@3
- type: cosine_accuracy@5
value: 0.17866666666666667
name: Cosine Accuracy@5
- type: cosine_accuracy@10
value: 0.356
name: Cosine Accuracy@10
- type: cosine_precision@1
value: 0.04666666666666667
name: Cosine Precision@1
- type: cosine_precision@3
value: 0.03866666666666667
name: Cosine Precision@3
- type: cosine_precision@5
value: 0.03573333333333333
name: Cosine Precision@5
- type: cosine_precision@10
value: 0.03560000000000001
name: Cosine Precision@10
- type: cosine_recall@1
value: 0.04666666666666667
name: Cosine Recall@1
- type: cosine_recall@3
value: 0.116
name: Cosine Recall@3
- type: cosine_recall@5
value: 0.17866666666666667
name: Cosine Recall@5
- type: cosine_recall@10
value: 0.356
name: Cosine Recall@10
- type: cosine_ndcg@10
value: 0.16772455344289713
name: Cosine Ndcg@10
- type: cosine_mrr@10
value: 0.11209576719576728
name: Cosine Mrr@10
- type: cosine_map@100
value: 0.13459804045251053
name: Cosine Map@100
- task:
type: information-retrieval
name: Information Retrieval
dataset:
name: dim 256
type: dim_256
metrics:
- type: cosine_accuracy@1
value: 0.03866666666666667
name: Cosine Accuracy@1
- type: cosine_accuracy@3
value: 0.10666666666666667
name: Cosine Accuracy@3
- type: cosine_accuracy@5
value: 0.17066666666666666
name: Cosine Accuracy@5
- type: cosine_accuracy@10
value: 0.3413333333333333
name: Cosine Accuracy@10
- type: cosine_precision@1
value: 0.03866666666666667
name: Cosine Precision@1
- type: cosine_precision@3
value: 0.035555555555555556
name: Cosine Precision@3
- type: cosine_precision@5
value: 0.034133333333333335
name: Cosine Precision@5
- type: cosine_precision@10
value: 0.034133333333333335
name: Cosine Precision@10
- type: cosine_recall@1
value: 0.03866666666666667
name: Cosine Recall@1
- type: cosine_recall@3
value: 0.10666666666666667
name: Cosine Recall@3
- type: cosine_recall@5
value: 0.17066666666666666
name: Cosine Recall@5
- type: cosine_recall@10
value: 0.3413333333333333
name: Cosine Recall@10
- type: cosine_ndcg@10
value: 0.15868936356762114
name: Cosine Ndcg@10
- type: cosine_mrr@10
value: 0.10455608465608475
name: Cosine Mrr@10
- type: cosine_map@100
value: 0.12901246498692368
name: Cosine Map@100
- task:
type: information-retrieval
name: Information Retrieval
dataset:
name: dim 128
type: dim_128
metrics:
- type: cosine_accuracy@1
value: 0.04933333333333333
name: Cosine Accuracy@1
- type: cosine_accuracy@3
value: 0.12266666666666666
name: Cosine Accuracy@3
- type: cosine_accuracy@5
value: 0.19866666666666666
name: Cosine Accuracy@5
- type: cosine_accuracy@10
value: 0.36666666666666664
name: Cosine Accuracy@10
- type: cosine_precision@1
value: 0.04933333333333333
name: Cosine Precision@1
- type: cosine_precision@3
value: 0.040888888888888884
name: Cosine Precision@3
- type: cosine_precision@5
value: 0.039733333333333336
name: Cosine Precision@5
- type: cosine_precision@10
value: 0.03666666666666667
name: Cosine Precision@10
- type: cosine_recall@1
value: 0.04933333333333333
name: Cosine Recall@1
- type: cosine_recall@3
value: 0.12266666666666666
name: Cosine Recall@3
- type: cosine_recall@5
value: 0.19866666666666666
name: Cosine Recall@5
- type: cosine_recall@10
value: 0.36666666666666664
name: Cosine Recall@10
- type: cosine_ndcg@10
value: 0.17594327999948436
name: Cosine Ndcg@10
- type: cosine_mrr@10
value: 0.11901798941798955
name: Cosine Mrr@10
- type: cosine_map@100
value: 0.14198426639116846
name: Cosine Map@100
- task:
type: information-retrieval
name: Information Retrieval
dataset:
name: dim 64
type: dim_64
metrics:
- type: cosine_accuracy@1
value: 0.037333333333333336
name: Cosine Accuracy@1
- type: cosine_accuracy@3
value: 0.09466666666666666
name: Cosine Accuracy@3
- type: cosine_accuracy@5
value: 0.15733333333333333
name: Cosine Accuracy@5
- type: cosine_accuracy@10
value: 0.34
name: Cosine Accuracy@10
- type: cosine_precision@1
value: 0.037333333333333336
name: Cosine Precision@1
- type: cosine_precision@3
value: 0.03155555555555555
name: Cosine Precision@3
- type: cosine_precision@5
value: 0.03146666666666667
name: Cosine Precision@5
- type: cosine_precision@10
value: 0.034
name: Cosine Precision@10
- type: cosine_recall@1
value: 0.037333333333333336
name: Cosine Recall@1
- type: cosine_recall@3
value: 0.09466666666666666
name: Cosine Recall@3
- type: cosine_recall@5
value: 0.15733333333333333
name: Cosine Recall@5
- type: cosine_recall@10
value: 0.34
name: Cosine Recall@10
- type: cosine_ndcg@10
value: 0.1535334048621682
name: Cosine Ndcg@10
- type: cosine_mrr@10
value: 0.09865185185185205
name: Cosine Mrr@10
- type: cosine_map@100
value: 0.12262604132052936
name: Cosine Map@100
---
# SentenceTransformer based on BAAI/bge-m3
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [BAAI/bge-m3](https://huggingface.co/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](https://huggingface.co/BAAI/bge-m3) <!-- at revision 5617a9f61b028005a4858fdac845db406aefb181 -->
- **Maximum Sequence Length:** 8192 tokens
- **Output Dimensionality:** 1024 tokens
- **Similarity Function:** Cosine Similarity
- **Training Dataset:**
- json
<!-- - **Language:** Unknown -->
<!-- - **License:** Unknown -->
### 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': 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:
```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("adriansanz/sqv2")
# Run inference
sentences = [
'La presentació de la sol·licitud no dona dret al muntatge de la parada.',
'Quin és el requisit per a la presentació de la sol·licitud d’autorització?',
'Quin és el motiu per canviar la persona titular dels drets funeraris?',
]
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]
```
<!--
### 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
#### Information Retrieval
* Dataset: `dim_1024`
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
| Metric | Value |
|:--------------------|:-----------|
| cosine_accuracy@1 | 0.044 |
| cosine_accuracy@3 | 0.116 |
| cosine_accuracy@5 | 0.18 |
| cosine_accuracy@10 | 0.3507 |
| cosine_precision@1 | 0.044 |
| cosine_precision@3 | 0.0387 |
| cosine_precision@5 | 0.036 |
| cosine_precision@10 | 0.0351 |
| cosine_recall@1 | 0.044 |
| cosine_recall@3 | 0.116 |
| cosine_recall@5 | 0.18 |
| cosine_recall@10 | 0.3507 |
| cosine_ndcg@10 | 0.1659 |
| cosine_mrr@10 | 0.111 |
| **cosine_map@100** | **0.1341** |
#### Information Retrieval
* Dataset: `dim_768`
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
| Metric | Value |
|:--------------------|:-----------|
| cosine_accuracy@1 | 0.0413 |
| cosine_accuracy@3 | 0.116 |
| cosine_accuracy@5 | 0.1787 |
| cosine_accuracy@10 | 0.3627 |
| cosine_precision@1 | 0.0413 |
| cosine_precision@3 | 0.0387 |
| cosine_precision@5 | 0.0357 |
| cosine_precision@10 | 0.0363 |
| cosine_recall@1 | 0.0413 |
| cosine_recall@3 | 0.116 |
| cosine_recall@5 | 0.1787 |
| cosine_recall@10 | 0.3627 |
| cosine_ndcg@10 | 0.169 |
| cosine_mrr@10 | 0.1116 |
| **cosine_map@100** | **0.1341** |
#### Information Retrieval
* Dataset: `dim_512`
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
| Metric | Value |
|:--------------------|:-----------|
| cosine_accuracy@1 | 0.0467 |
| cosine_accuracy@3 | 0.116 |
| cosine_accuracy@5 | 0.1787 |
| cosine_accuracy@10 | 0.356 |
| cosine_precision@1 | 0.0467 |
| cosine_precision@3 | 0.0387 |
| cosine_precision@5 | 0.0357 |
| cosine_precision@10 | 0.0356 |
| cosine_recall@1 | 0.0467 |
| cosine_recall@3 | 0.116 |
| cosine_recall@5 | 0.1787 |
| cosine_recall@10 | 0.356 |
| cosine_ndcg@10 | 0.1677 |
| cosine_mrr@10 | 0.1121 |
| **cosine_map@100** | **0.1346** |
#### Information Retrieval
* Dataset: `dim_256`
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
| Metric | Value |
|:--------------------|:----------|
| cosine_accuracy@1 | 0.0387 |
| cosine_accuracy@3 | 0.1067 |
| cosine_accuracy@5 | 0.1707 |
| cosine_accuracy@10 | 0.3413 |
| cosine_precision@1 | 0.0387 |
| cosine_precision@3 | 0.0356 |
| cosine_precision@5 | 0.0341 |
| cosine_precision@10 | 0.0341 |
| cosine_recall@1 | 0.0387 |
| cosine_recall@3 | 0.1067 |
| cosine_recall@5 | 0.1707 |
| cosine_recall@10 | 0.3413 |
| cosine_ndcg@10 | 0.1587 |
| cosine_mrr@10 | 0.1046 |
| **cosine_map@100** | **0.129** |
#### Information Retrieval
* Dataset: `dim_128`
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
| Metric | Value |
|:--------------------|:----------|
| cosine_accuracy@1 | 0.0493 |
| cosine_accuracy@3 | 0.1227 |
| cosine_accuracy@5 | 0.1987 |
| cosine_accuracy@10 | 0.3667 |
| cosine_precision@1 | 0.0493 |
| cosine_precision@3 | 0.0409 |
| cosine_precision@5 | 0.0397 |
| cosine_precision@10 | 0.0367 |
| cosine_recall@1 | 0.0493 |
| cosine_recall@3 | 0.1227 |
| cosine_recall@5 | 0.1987 |
| cosine_recall@10 | 0.3667 |
| cosine_ndcg@10 | 0.1759 |
| cosine_mrr@10 | 0.119 |
| **cosine_map@100** | **0.142** |
#### Information Retrieval
* Dataset: `dim_64`
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
| Metric | Value |
|:--------------------|:-----------|
| cosine_accuracy@1 | 0.0373 |
| cosine_accuracy@3 | 0.0947 |
| cosine_accuracy@5 | 0.1573 |
| cosine_accuracy@10 | 0.34 |
| cosine_precision@1 | 0.0373 |
| cosine_precision@3 | 0.0316 |
| cosine_precision@5 | 0.0315 |
| cosine_precision@10 | 0.034 |
| cosine_recall@1 | 0.0373 |
| cosine_recall@3 | 0.0947 |
| cosine_recall@5 | 0.1573 |
| cosine_recall@10 | 0.34 |
| cosine_ndcg@10 | 0.1535 |
| cosine_mrr@10 | 0.0987 |
| **cosine_map@100** | **0.1226** |
<!--
## 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 Dataset
#### json
* Dataset: json
* Size: 6,749 training samples
* Columns: <code>positive</code> and <code>anchor</code>
* Approximate statistics based on the first 1000 samples:
| | positive | anchor |
|:--------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|
| type | string | string |
| details | <ul><li>min: 6 tokens</li><li>mean: 42.03 tokens</li><li>max: 106 tokens</li></ul> | <ul><li>min: 10 tokens</li><li>mean: 20.32 tokens</li><li>max: 54 tokens</li></ul> |
* Samples:
| positive | anchor |
|:--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------|
| <code>Aquest tràmit us permet compensar deutes de naturalesa pública a favor de l'Ajuntament, sigui quin sigui el seu estat (voluntari/executiu), amb crèdits reconeguts per aquest a favor del mateix deutor, i que el seu estat sigui pendent de pagament.</code> | <code>Quin és el benefici de la compensació de deutes amb crèdits?</code> |
| <code>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.</code> | <code>Quin és el paper de les ordenances municipals en aquest tràmit?</code> |
| <code>Comunicació prèvia del manteniment en espais, zones o instal·lacions comunitàries interiors dels edificis (reparació i/o millora de materials).</code> | <code>Quin és el límit del manteniment en espais comunitaris interiors dels edificis?</code> |
* Loss: [<code>MatryoshkaLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#matryoshkaloss) with these parameters:
```json
{
"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
<details><summary>Click to expand</summary>
- `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
</details>
### 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 |
|:----------:|:-------:|:-------------:|:-----------------------:|:----------------------:|:----------------------:|:----------------------:|:---------------------:|:----------------------:|
| 0.3791 | 10 | 3.0867 | - | - | - | - | - | - |
| 0.7583 | 20 | 2.4414 | - | - | - | - | - | - |
| 0.9858 | 26 | - | 0.1266 | 0.1255 | 0.1232 | 0.1257 | 0.1091 | 0.1345 |
| 1.1351 | 30 | 1.7091 | - | - | - | - | - | - |
| 1.5142 | 40 | 1.2495 | - | - | - | - | - | - |
| 1.8934 | 50 | 0.9813 | - | - | - | - | - | - |
| 1.9692 | 52 | - | 0.1315 | 0.1325 | 0.1285 | 0.1328 | 0.1218 | 0.1309 |
| 2.2701 | 60 | 0.6918 | - | - | - | - | - | - |
| 2.6493 | 70 | 0.7146 | - | - | - | - | - | - |
| 2.9905 | 79 | - | 0.1370 | 0.1344 | 0.1355 | 0.1338 | 0.1269 | 0.1363 |
| 3.0261 | 80 | 0.6002 | - | - | - | - | - | - |
| 3.4052 | 90 | 0.4816 | - | - | - | - | - | - |
| 3.7844 | 100 | 0.4949 | - | - | - | - | - | - |
| 3.9739 | 105 | - | 0.1357 | 0.1393 | 0.1302 | 0.1347 | 0.1204 | 0.1354 |
| 4.1611 | 110 | 0.474 | - | - | - | - | - | - |
| 4.5403 | 120 | 0.4692 | - | - | - | - | - | - |
| **4.9194** | **130** | **0.4484** | **0.1341** | **0.142** | **0.129** | **0.1346** | **0.1226** | **0.1341** |
* The bold row denotes the saved checkpoint.
### Framework Versions
- Python: 3.10.12
- Sentence Transformers: 3.1.0
- Transformers: 4.44.2
- PyTorch: 2.4.0+cu121
- Accelerate: 0.35.0.dev0
- Datasets: 3.0.0
- Tokenizers: 0.19.1
## 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",
}
```
#### MatryoshkaLoss
```bibtex
@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
```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.*
--> |