SentenceTransformer based on BAAI/bge-m3

This is a sentence-transformers model finetuned from BAAI/bge-m3. It maps sentences & paragraphs to a 1024-dimensional dense vector space and can be used for semantic textual similarity, semantic search, paraphrase mining, text classification, clustering, and more.

Model Details

Model Description

  • Model Type: Sentence Transformer
  • Base model: BAAI/bge-m3
  • Maximum Sequence Length: 512 tokens
  • Output Dimensionality: 1024 tokens
  • Similarity Function: Cosine Similarity

Model Sources

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, '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("comet24082002/ft_bge_newLaw_ContrastiveLoss_V1_5epochs")
# Run inference
sentences = [
    'Cục Xuất nhập khẩu thuộc phạm vi quản lý nhà nước của cơ quan nào?',
    'Vị trí và chức năng\n1. Cục Xuất nhập khẩu là tổ chức thuộc Bộ Công Thương, thực hiện chức năng tham mưu, giúp Bộ trưởng Bộ Công Thương quản lý nhà nước và tổ chức thực thi pháp luật trong lĩnh vực hoạt động xuất khẩu, nhập khẩu hàng hóa, xuất xứ hàng hóa, mua bán hàng hóa quốc tế, đại lý mua, bán, gia công và quá cảnh hàng hóa với nước ngoài, thuộc phạm vi quản lý nhà nước của Bộ Công Thương.\n2. Cục Xuất nhập khẩu có tư cách pháp nhân, con dấu và tài khoản riêng theo quy định của pháp luật; kinh phí hoạt động do ngân sách nhà nước cấp và từ các khoản thu phí, lệ phí theo quy định của Nhà nước.\nCục Xuất nhập khẩu có tên giao dịch quốc tế bằng tiếng Anh: Agency of Foreign Trade.\nTên viết tắt: AFT.\nTrụ sở chính tại thành phố Hà Nội.',
    '"Điều 112. Nghỉ lễ, tết\n1. Người lao động được nghỉ làm việc, hưởng nguyên lương trong những ngày lễ, tết sau đây:\na) Tết Dương lịch: 01 ngày (ngày 01 tháng 01 dương lịch);\nb) Tết Âm lịch: 05 ngày;\nc) Ngày Chiến thắng: 01 ngày (ngày 30 tháng 4 dương lịch);\nd) Ngày Quốc tế lao động: 01 ngày (ngày 01 tháng 5 dương lịch);\nđ) Quốc khánh: 02 ngày (ngày 02 tháng 9 dương lịch và 01 ngày liền kề trước hoặc sau);\ne) Ngày Giỗ Tổ Hùng Vương: 01 ngày (ngày 10 tháng 3 âm lịch).\n2. Lao động là người nước ngoài làm việc tại Việt Nam ngoài các ngày nghỉ theo quy định tại khoản 1 Điều này còn được nghỉ thêm 01 ngày Tết cổ truyền dân tộc và 01 ngày Quốc khánh của nước họ.\n3. Hằng năm, căn cứ vào điều kiện thực tế, Thủ tướng Chính phủ quyết định cụ thể ngày nghỉ quy định tại điểm b và điểm đ khoản 1 Điều này."',
]
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]

Training Details

Training Dataset

Unnamed Dataset

  • Size: 10,524 training samples
  • Columns: sentence1, sentence2, and label
  • Approximate statistics based on the first 1000 samples:
    sentence1 sentence2 label
    type string string int
    details
    • min: 8 tokens
    • mean: 24.48 tokens
    • max: 46 tokens
    • min: 32 tokens
    • mean: 283.82 tokens
    • max: 512 tokens
    • 0: ~50.00%
    • 1: ~50.00%
  • Samples:
    sentence1 sentence2 label
    Hồ sơ đề nghị xét cấp lại giấy phép lái xe quá hạn gồm những gì? "Điều 36. Cấp lại giấy phép lái xe
    1. Người có giấy phép lái xe quá thời hạn sử dụng
    a) Từ 03 tháng đến dưới 01 năm, kể từ ngày hết hạn, phải sát hạch lại lý thuyết để cấp lại giấy phép lái xe;
    b) Từ 01 năm trở lên, kể từ ngày hết hạn, phải sát hạch lại cả lý thuyết và thực hành để cấp lại giấy phép lái xe.
    Hồ sơ dự sát hạch lại thực hiện theo quy định tại khoản 3 Điều 19 của Thông tư này.
    2. Người có giấy phép lái xe bị mất, còn thời hạn sử dụng hoặc quá thời hạn sử dụng dưới 03 tháng, được xét cấp lại giấy phép lái xe.
    Hồ sơ bao gồm:
    a) Đơn đề nghị cấp lại giấy phép lái xe theo mẫu quy định tại Phụ lục 19 ban hành kèm theo Thông tư này;
    b) Hồ sơ gốc phù hợp với giấy phép lái xe (nếu có);
    c) Giấy khám sức khỏe của người lái xe do cơ sở y tế có thẩm quyền cấp theo quy định, trừ trường hợp cấp lại giấy phép lái xe không thời hạn các hạng A1, A2, A3;
    d) Bản sao giấy chứng minh nhân dân hoặc thẻ căn cước công dân hoặc hộ chiếu còn thời hạn có ghi số giấy chứng minh nhân dân hoặc thẻ căn cước công dân (đối với người Việt Nam) hoặc hộ chiếu còn thời hạn sử dụng (đối với người nước ngoài, người Việt Nam định, cư ở nước ngoài).
    Khi đến thực hiện thủ tục cấp lại giấy phép lái xe tại Tổng cục Đường bộ Việt Nam hoặc Sở Giao thông vận tải, người lái xe gửi 01 bộ hồ sơ, chụp ảnh trực tiếp và xuất trình, bản chính các hồ sơ nêu trên (trừ các bản chính đã gửi) để đối chiếu. Sau thời gian 02 tháng kể từ ngày nộp đủ hồ sơ, chụp ảnh và nộp lệ phí theo quy định, nếu không phát hiện giấy phép lái xe đang bị các cơ quan có thẩm quyền thu giữ, xử lý; có tên trong hồ sơ của cơ quan quản lý sát hạch, thì được cấp lại giấy phép lái xe.
    3. Người có giấy phép lái xe bị mất, quá thời hạn sử dụng từ 03 tháng trở lên, có tên trong hồ sơ của cơ quan quản lý sát hạch, không thuộc trường hợp đang bị các cơ quan có thẩm quyền thu giữ, xử lý, sau 02 tháng kể từ ngày nộp đủ hồ sơ hợp lệ theo quy định, phải dự sát hạch lại các nội dung:
    a) Quá hạn sử dụng từ 03 tháng đến dưới 01 năm, phải dự sát hạch lại lý thuyết;
    b) Quá hạn sử dụng từ 01 năm trở lên, phải sát hạch lại cả lý thuyết và thực hành.
    Hồ sơ dự sát hạch lại thực hiện theo quy định, tại khoản 4 Điều 19 của Thông tư này.
    5. Ngày trúng tuyển ghi tại mặt sau giấy phép lái xe cấp lại (phục hồi), được tính theo ngày trúng tuyển của giấy phép lái xe cũ.
    6. Thời gian cấp lại giấy phép lái xe thực hiện như đối với cấp mới.
    7. Người dự sát hạch lại có nhu cầu ôn tập, đăng ký với các cơ sở đào tạo lái xe để được hướng dẫn ôn tập, phải nộp phí ôn tập theo quy định, không phải học lại theo chương trình đào tạo."
    1
    Việc nhận xét và đánh giá đối với công chức cấp Trung ương luân chuyển được thực hiện khi nào? Cấp độ thành tích khen thưởng để xét nâng bậc lương trước thời hạn do lập thành tích xuất sắc:
    1. Đối tượng quy định tại Khoản 1 Điều 1 Quy chế này được tặng thưởng một trong các hình thức dưới đây thì được xét nâng bậc lương trước thời hạn mười hai (12) tháng, gồm:
    a) Huân chương, huy chương, Vinh dự nhà nước, giải thưởng Hồ Chí Minh, giải nhà nước theo quy định của Luật Thi đua khen thưởng.
    b) Chiến sỹ thi đua toàn quốc.
    c) Bằng khen của Thủ tướng Chính phủ.
    d) Thẩm phán mẫu mực, Thẩm phán tiêu biểu, Thẩm phán giỏi.
    đ) Chiến sĩ thi đua Tòa án nhân dân.
    e) Chiến sĩ thi đua cấp tỉnh.
    g) Được tặng 02 bằng khen trở lên của Chánh án Tòa án nhân dân tối cao hoặc 01 bằng khen của Chánh án Tòa án nhân dân tối cao và 01 bằng khen của Bộ trưởng các Bộ, Ban, ngành Trung ương, Chủ tịch UBND tỉnh, thành phố trực thuộc Trung ương (đối với 02 thành tích khác nhau).
    2. Đối tượng quy định tại Khoản 1 Điều 1 Quy chế này được tặng thưởng một trong các hình thức dưới đây thì được xét nâng bậc lương trước thời hạn chín (09) tháng, gồm:
    a) Bằng khen của Chánh án Tòa án nhân dân tối cao;
    b) Bằng khen của Bộ, Ban, ngành Trung ương, Chủ tịch UBND tỉnh, thành phố trực thuộc Trung ương.
    c) Ba (03) năm liên tiếp đạt danh hiệu Chiến sỹ thi đua cơ sở;
    3. Đối tượng quy định tại Khoản 1 Điều 1 Quy chế này được tặng thưởng một trong các hình thức dưới đây thì được xét nâng bậc lương trước thời hạn sáu (06) tháng, gồm:
    a) Hai (02) năm liên tiếp đạt danh hiệu chiến sỹ thi đua cơ sở;
    b) Ba (03) năm liên tiếp được tặng giấy khen của Chánh án Tòa án nhân dân tối cao, Chánh án Tòa án nhân dân cấp cao, Chánh án Tòa án nhân dân cấp tỉnh.
    0
    Người thực tập nghiệp vụ đăng kiểm viên xe cơ giới phải đáp ứng các điều kiện gì? "Điều 3. Thực tập nghiệp vụ đăng kiểm viên xe cơ giới
    Người thực tập nghiệp vụ đăng kiểm viên xe cơ giới (sau đây gọi là đăng kiểm viên thực tập) đáp ứng các quy định tại điểm a và d khoản 1 Điều 14 của Nghị định số 139/2018/NĐ-CP được tập huấn lý thuyết nghiệp vụ và thực hành kiểm định xe cơ giới trong thời gian tối thiểu 12 tháng."
    1
  • Loss: ContrastiveLoss with these parameters:
    {
        "distance_metric": "SiameseDistanceMetric.COSINE_DISTANCE",
        "margin": 0.5,
        "size_average": true
    }
    

Training Hyperparameters

Non-Default Hyperparameters

  • per_device_train_batch_size: 4
  • learning_rate: 2e-05
  • num_train_epochs: 5
  • warmup_ratio: 0.1

All Hyperparameters

Click to expand
  • overwrite_output_dir: False
  • do_predict: False
  • prediction_loss_only: True
  • per_device_train_batch_size: 4
  • 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: 5
  • max_steps: -1
  • lr_scheduler_type: linear
  • lr_scheduler_kwargs: {}
  • warmup_ratio: 0.1
  • 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
  • no_cuda: False
  • use_cpu: False
  • use_mps_device: False
  • seed: 42
  • data_seed: None
  • jit_mode_eval: False
  • use_ipex: False
  • bf16: False
  • 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: batch_sampler
  • multi_dataset_batch_sampler: proportional

Training Logs

Click to expand
Epoch Step Training Loss
0.0190 50 0.0301
0.0380 100 0.023
0.0570 150 0.0197
0.0760 200 0.0179
0.0950 250 0.0172
0.1140 300 0.0166
0.1330 350 0.0164
0.1520 400 0.014
0.1710 450 0.0143
0.1900 500 0.0139
0.2090 550 0.0129
0.2281 600 0.0158
0.2471 650 0.0131
0.2661 700 0.0138
0.2851 750 0.0135
0.3041 800 0.0125
0.3231 850 0.0137
0.3421 900 0.0152
0.3611 950 0.0137
0.3801 1000 0.0138
0.3991 1050 0.0137
0.4181 1100 0.0158
0.4371 1150 0.0115
0.4561 1200 0.0145
0.4751 1250 0.0147
0.4941 1300 0.0134
0.5131 1350 0.0138
0.5321 1400 0.0124
0.5511 1450 0.0134
0.5701 1500 0.012
0.5891 1550 0.0127
0.6081 1600 0.0143
0.6271 1650 0.0154
0.6461 1700 0.0121
0.6651 1750 0.0112
0.6842 1800 0.0143
0.7032 1850 0.0135
0.7222 1900 0.013
0.7412 1950 0.0124
0.7602 2000 0.0117
0.7792 2050 0.0121
0.7982 2100 0.0145
0.8172 2150 0.0125
0.8362 2200 0.0086
0.8552 2250 0.0132
0.8742 2300 0.0127
0.8932 2350 0.0135
0.9122 2400 0.0129
0.9312 2450 0.0121
0.9502 2500 0.0121
0.9692 2550 0.0125
0.9882 2600 0.0117
1.0072 2650 0.0119
1.0262 2700 0.0083
1.0452 2750 0.0071
1.0642 2800 0.0084
1.0832 2850 0.0083
1.1022 2900 0.0073
1.1212 2950 0.0081
1.1403 3000 0.0097
1.1593 3050 0.008
1.1783 3100 0.0081
1.1973 3150 0.0103
1.2163 3200 0.0079
1.2353 3250 0.0085
1.2543 3300 0.0083
1.2733 3350 0.008
1.2923 3400 0.0059
1.3113 3450 0.0078
1.3303 3500 0.0054
1.3493 3550 0.0083
1.3683 3600 0.0082
1.3873 3650 0.0088
1.4063 3700 0.0113
1.4253 3750 0.0067
1.4443 3800 0.0103
1.4633 3850 0.0094
1.4823 3900 0.0081
1.5013 3950 0.007
1.5203 4000 0.0076
1.5393 4050 0.0071
1.5583 4100 0.0085
1.5773 4150 0.0084
1.5964 4200 0.0078
1.6154 4250 0.0071
1.6344 4300 0.0072
1.6534 4350 0.0087
1.6724 4400 0.0066
1.6914 4450 0.0083
1.7104 4500 0.008
1.7294 4550 0.0072
1.7484 4600 0.0094
1.7674 4650 0.0087
1.7864 4700 0.0097
1.8054 4750 0.0101
1.8244 4800 0.0096
1.8434 4850 0.0074
1.8624 4900 0.0084
1.8814 4950 0.0072
1.9004 5000 0.0084
1.9194 5050 0.0096
1.9384 5100 0.0079
1.9574 5150 0.0091
1.9764 5200 0.0091
1.9954 5250 0.0085
2.0144 5300 0.0054
2.0334 5350 0.0038
2.0525 5400 0.0046
2.0715 5450 0.0046
2.0905 5500 0.0059
2.1095 5550 0.0043
2.1285 5600 0.0046
2.1475 5650 0.004
2.1665 5700 0.0034
2.1855 5750 0.0037
2.2045 5800 0.0032
2.2235 5850 0.0031
2.2425 5900 0.0038
2.2615 5950 0.0046
2.2805 6000 0.0035
2.2995 6050 0.0045
2.3185 6100 0.0044
2.3375 6150 0.0037
2.3565 6200 0.0046
2.3755 6250 0.0052
2.3945 6300 0.0037
2.4135 6350 0.004
2.4325 6400 0.0036
2.4515 6450 0.0036
2.4705 6500 0.0041
2.4895 6550 0.0049
2.5086 6600 0.0034
2.5276 6650 0.0056
2.5466 6700 0.0043
2.5656 6750 0.0043
2.5846 6800 0.0042
2.6036 6850 0.0044
2.6226 6900 0.0037
2.6416 6950 0.005
2.6606 7000 0.0041
2.6796 7050 0.0042
2.6986 7100 0.0035
2.7176 7150 0.0043
2.7366 7200 0.0046
2.7556 7250 0.005
2.7746 7300 0.0036
2.7936 7350 0.004
2.8126 7400 0.0048
2.8316 7450 0.0038
2.8506 7500 0.004
2.8696 7550 0.0045
2.8886 7600 0.0046
2.9076 7650 0.0044
2.9266 7700 0.005
2.9456 7750 0.0039
2.9647 7800 0.0048
2.9837 7850 0.0031
3.0027 7900 0.0044
3.0217 7950 0.0018
3.0407 8000 0.0017
3.0597 8050 0.0019
3.0787 8100 0.0019
3.0977 8150 0.0017
3.1167 8200 0.0021
3.1357 8250 0.0024
3.1547 8300 0.0025
3.1737 8350 0.002
3.1927 8400 0.0022
3.2117 8450 0.0021
3.2307 8500 0.0021
3.2497 8550 0.0017
3.2687 8600 0.0018
3.2877 8650 0.002
3.3067 8700 0.0021
3.3257 8750 0.0017
3.3447 8800 0.0022
3.3637 8850 0.0019
3.3827 8900 0.0018
3.4017 8950 0.0022
3.4208 9000 0.0022
3.4398 9050 0.0019
3.4588 9100 0.0023
3.4778 9150 0.0023
3.4968 9200 0.0018
3.5158 9250 0.002
3.5348 9300 0.0018
3.5538 9350 0.0022
3.5728 9400 0.0024
3.5918 9450 0.002
3.6108 9500 0.0021
3.6298 9550 0.002
3.6488 9600 0.0032
3.6678 9650 0.0021
3.6868 9700 0.002
3.7058 9750 0.002
3.7248 9800 0.0023
3.7438 9850 0.0021
3.7628 9900 0.0022
3.7818 9950 0.0016
3.8008 10000 0.0017
3.8198 10050 0.0015
3.8388 10100 0.0022
3.8578 10150 0.0018
3.8769 10200 0.0022
3.8959 10250 0.0027
3.9149 10300 0.0027
3.9339 10350 0.0018
3.9529 10400 0.0017
3.9719 10450 0.0016
3.9909 10500 0.0023
4.0099 10550 0.0015
4.0289 10600 0.0012
4.0479 10650 0.0012
4.0669 10700 0.0012
4.0859 10750 0.001
4.1049 10800 0.001
4.1239 10850 0.0011
4.1429 10900 0.0013
4.1619 10950 0.0011
4.1809 11000 0.0011
4.1999 11050 0.0011
4.2189 11100 0.0012
4.2379 11150 0.001
4.2569 11200 0.0014
4.2759 11250 0.0011
4.2949 11300 0.0009
4.3139 11350 0.0012
4.3330 11400 0.001
4.3520 11450 0.001
4.3710 11500 0.0011
4.3900 11550 0.001
4.4090 11600 0.0012
4.4280 11650 0.0014
4.4470 11700 0.0012
4.4660 11750 0.0011
4.4850 11800 0.0013
4.5040 11850 0.0014
4.5230 11900 0.0014
4.5420 11950 0.0013
4.5610 12000 0.0012
4.5800 12050 0.0011
4.5990 12100 0.0011
4.6180 12150 0.0011
4.6370 12200 0.0013
4.6560 12250 0.001
4.6750 12300 0.0009
4.6940 12350 0.001
4.7130 12400 0.0013
4.7320 12450 0.001
4.7510 12500 0.001
4.7700 12550 0.0009
4.7891 12600 0.001
4.8081 12650 0.0012
4.8271 12700 0.001
4.8461 12750 0.0015
4.8651 12800 0.0009
4.8841 12850 0.0011
4.9031 12900 0.0009
4.9221 12950 0.0013
4.9411 13000 0.0011
4.9601 13050 0.0013
4.9791 13100 0.001
4.9981 13150 0.001

Framework Versions

  • Python: 3.10.13
  • Sentence Transformers: 3.0.1
  • Transformers: 4.39.3
  • PyTorch: 2.1.2
  • Accelerate: 0.29.3
  • Datasets: 2.18.0
  • Tokenizers: 0.15.2

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",
}

ContrastiveLoss

@inproceedings{hadsell2006dimensionality,
    author={Hadsell, R. and Chopra, S. and LeCun, Y.},
    booktitle={2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'06)}, 
    title={Dimensionality Reduction by Learning an Invariant Mapping}, 
    year={2006},
    volume={2},
    number={},
    pages={1735-1742},
    doi={10.1109/CVPR.2006.100}
}
Downloads last month
28
Safetensors
Model size
568M params
Tensor type
F32
·
Inference Examples
This model does not have enough activity to be deployed to Inference API (serverless) yet. Increase its social visibility and check back later, or deploy to Inference Endpoints (dedicated) instead.

Model tree for comet24082002/ft_bge_newLaw_ContrastiveLoss_V1_5epochs

Base model

BAAI/bge-m3
Finetuned
(181)
this model