metadata

base_model: huudan123/model_stage3_latest
datasets: []
language: []
library_name: sentence-transformers
metrics:
  - pearson_cosine
  - spearman_cosine
  - pearson_manhattan
  - spearman_manhattan
  - pearson_euclidean
  - spearman_euclidean
  - pearson_dot
  - spearman_dot
  - pearson_max
  - spearman_max
pipeline_tag: sentence-similarity
tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - generated_from_trainer
  - dataset_size:11498
  - loss:CosineSimilarityLoss
widget:
  - source_sentence: >-
      Prince, người đứng đầu ngân hàng đầu tư và doanh nghiệp toàn cầu của
      Citigroup, sẽ thay thế Sanford Weill làm CEO.
    sentences:
      - Lực lượng Israel bắt giữ nghị sĩ Palestine ở Hebron
      - Chứng khoán Trung Quốc đóng cửa cao hơn vào thứ Ba
      - 'Trung Quốc không còn là điểm đến đầu tư hàng đầu: thăm dò ý kiến'
  - source_sentence: >-
      Hãng hàng không cho biết một phát hiện tương tự đã được thực hiện trên máy
      bay ở Houston.
    sentences:
      - Những con voi đang tắm.
      - Biên tập viên Tehelka bị lôi kéo vào vụ lừa đảo tấn công tình dục
      - >-
        Một máy bay phản lực của hãng hàng không AeroMexico chạy dọc theo đường
        băng.
  - source_sentence: 'HRW: Jordan thiên vị người Palestine từ Syria'
    sentences:
      - Thủ tướng Syria đào tẩu sang Jordan
      - Người biểu tình Thái Lan kêu gọi tổng đình công
      - Hai người đàn ông châu Á và một phụ nữ đang thư giãn trên ghế massage.
  - source_sentence: Một đen đứng cạnh vật liệu tại một công trường xây dựng.
    sentences:
      - Một đen đứng trong một căn phòng đang được xây dựng.
      - Tôi muốn nói rằng nó phụ thuộc vào kết quả cuối cùng mà bạn muốn?
      - Một người đang vẽ.
  - source_sentence: Đụng độ giáo phái làm rung chuyển thành phố Lebanon, 3 người thiệt mạng
    sentences:
      - >-
        Vụ nổ bom làm rung chuyển trung tâm mua sắm ở Nigeria, 12 người thiệt
        mạng
      - Tay súng giết chết 6 người trong vụ xả súng tại ngôi đền Sikh Wisconsin
      - >-
        Sáu thành viên đảng Dân chủ và hai đảng viên Cộng hòa đang tranh cử ghế
        của bà và đã đủ điều kiện tham gia cuộc bỏ phiếu sơ bộ ngày 3/2.
model-index:
  - name: SentenceTransformer based on huudan123/model_stage3_latest
    results:
      - task:
          type: semantic-similarity
          name: Semantic Similarity
        dataset:
          name: sts evaluator
          type: sts-evaluator
        metrics:
          - type: pearson_cosine
            value: 0.8350055271775176
            name: Pearson Cosine
          - type: spearman_cosine
            value: 0.841042354007397
            name: Spearman Cosine
          - type: pearson_manhattan
            value: 0.8264494542351044
            name: Pearson Manhattan
          - type: spearman_manhattan
            value: 0.8369639138966621
            name: Spearman Manhattan
          - type: pearson_euclidean
            value: 0.8275561624506375
            name: Pearson Euclidean
          - type: spearman_euclidean
            value: 0.8380427776305215
            name: Spearman Euclidean
          - type: pearson_dot
            value: 0.8132919055349899
            name: Pearson Dot
          - type: spearman_dot
            value: 0.817738461289994
            name: Spearman Dot
          - type: pearson_max
            value: 0.8350055271775176
            name: Pearson Max
          - type: spearman_max
            value: 0.841042354007397
            name: Spearman Max

SentenceTransformer based on huudan123/model_stage3_latest

This is a sentence-transformers model finetuned from huudan123/model_stage3_latest. 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: huudan123/model_stage3_latest
Maximum Sequence Length: 256 tokens
Output Dimensionality: 768 tokens
Similarity Function: Cosine Similarity

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': 256, 'do_lower_case': False}) with Transformer model: RobertaModel 
  (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:

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("huudan123/model_stage4_latest")
# Run inference
sentences = [
    'Đụng độ giáo phái làm rung chuyển thành phố Lebanon, 3 người thiệt mạng',
    'Vụ nổ bom làm rung chuyển trung tâm mua sắm ở Nigeria, 12 người thiệt mạng',
    'Tay súng giết chết 6 người trong vụ xả súng tại ngôi đền Sikh Wisconsin',
]
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]

Evaluation

Metrics

Semantic Similarity

Dataset: sts-evaluator
Evaluated with EmbeddingSimilarityEvaluator

Metric	Value
pearson_cosine	0.835
spearman_cosine	0.841
pearson_manhattan	0.8264
spearman_manhattan	0.837
pearson_euclidean	0.8276
spearman_euclidean	0.838
pearson_dot	0.8133
spearman_dot	0.8177
pearson_max	0.835
spearman_max	0.841

Training Details

Training Hyperparameters

Non-Default Hyperparameters

overwrite_output_dir: True
eval_strategy: epoch
per_device_train_batch_size: 256
per_device_eval_batch_size: 256
learning_rate: 2e-06
weight_decay: 0.01
num_train_epochs: 20
warmup_ratio: 0.1
fp16: True
load_best_model_at_end: True
gradient_checkpointing: True

All Hyperparameters

Click to expand

overwrite_output_dir: True
do_predict: False
eval_strategy: epoch
prediction_loss_only: True
per_device_train_batch_size: 256
per_device_eval_batch_size: 256
per_gpu_train_batch_size: None
per_gpu_eval_batch_size: None
gradient_accumulation_steps: 1
eval_accumulation_steps: None
torch_empty_cache_steps: None
learning_rate: 2e-06
weight_decay: 0.01
adam_beta1: 0.9
adam_beta2: 0.999
adam_epsilon: 1e-08
max_grad_norm: 1.0
num_train_epochs: 20
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
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: False
fp16: True
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: 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
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: True
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: batch_sampler
multi_dataset_batch_sampler: proportional

Training Logs

Epoch	Step	loss	sts-evaluator_spearman_max
0	0	-	0.8480
1.0	45	0.0354	0.8492
2.0	90	0.0293	0.8473
3.0	135	0.0267	0.8446
4.0	180	0.0253	0.8429
5.0	225	0.0253	0.8424
6.0	270	0.0241	0.8410

The bold row denotes the saved checkpoint.

Framework Versions

Python: 3.10.12
Sentence Transformers: 3.0.1
Transformers: 4.44.0
PyTorch: 2.4.0+cu121
Accelerate: 0.33.0
Datasets: 2.21.0
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",
}