--- base_model: Alibaba-NLP/gte-multilingual-base 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:10200 - loss:MatryoshkaLoss - loss:MultipleNegativesRankingLoss widget: - source_sentence: 1.500.000 ( một triệu năm trăm_nghìn ) đồng / giấy_phép ( theo quy_định tại khoản b điều 4 thông_tư số 143 / 2016 / tt - btc ngày 26 / 9 / 2016 của bộ tài_chính , có hiệu_lực thi_hành kể từ ngày 01 / 01 / 2017 ) . sentences: - 'phí lệ_phí của thủ_tục : thủ_tục cấp lại giấy_phép thành_lập văn_phòng đại_diện của thương_nhân nước_ngoài tại việt_nam là bao_nhiêu ?' - khi nào người giải_quyết tố_cáo tạm đình_chỉ việc giải_quyết tố_cáo ? - người điều_khiển , người đi trên phương_tiện , phương_tiện xuất_cảnh , nhập_cảnh qua cửa_khẩu biên_giới đất_liền phải thực_hiện thủ_tục biên_phòng điện_tử như thế_nào ? - source_sentence: "bước 1 : tổ_chức sử_dụng đất chuẩn_bị hồ_sơ theo quy_định của\ \ pháp_luật ; \n bước 2 : tổ_chức sử_dụng đất nộp hồ_sơ tại bộ_phận hành_chính\ \ công về tài_nguyên và môi_trường của ban quản_lý khu kinh_tế quảng_ninh tại\ \ trung_tâm phục_vụ hành_chính công tỉnh ; \n bước 3 : cán_bộ bộ_phận hành_chính\ \ công về tài_nguyên và môi_trường kiểm_tra hồ_sơ và trao giấy tiếp_nhận hồ_sơ\ \ cho nhà đầu_tư ; \n bước 4 : tổ_chức sử_dụng đất căn_cứ thời_gian ghi trên giấy\ \ tiếp_nhận hồ_sơ đến trung_tâm phục_vụ hành_chính công_nhận kết_quả ." sentences: - khiếu_nại quyết_định kỷ_luật cán_bộ , công_chức được thực_hiện trong trường_hợp nào ? - 'trình_tự thực_hiện của thủ_tục : thủ_tục miễn , giảm tiền thuê đất trong khu kinh_tế ( trừ khu kinh_tế vân_đồn ) là gì ?' - trường_hợp đã hết thời_hiệu yêu_cầu thi_hành án , đề_nghị khôi_phục thời_hiệu thi_hành án cần những thủ_tục gì ? - source_sentence: "theo quy_định tại nghị_định số 91 / 2017 / nđ - cp ngày 31 / 7\ \ / 2017 của chính_phủ quy_định chi_tiết thi_hành luật sửa_đổi , bổ_sung một_số\ \ điều của luật thi_đua , khen_thưởng năm 2013 : \n trong thời_hạn 20 ngày_ngày\ \ làm_việc ( 30 ngày làm_việc đối_với trường_hợp phải lấy ý_kiến hiệp y ) kể từ\ \ ngày nhận đủ hồ_sơ theo quy_định , trưởng ban ban thi_đua - khen_thưởng trung_ương\ \ trình thủ_tướng chính_phủ xem_xét , quyết_định ; \n sau khi nhận được quyết_định\ \ khen_thưởng của thủ_tướng chính_phủ , trong thời_hạn 10 ngày làm_việc , ban\ \ thi_đua - khen_thưởng trung_ương sao quyết_định và thông_báo kết_quả khen_thưởng\ \ cho bộ , ban , ngành , tỉnh , đoàn_thể trung_ương trình khen_thưởng ; \n sau\ \ khi nhận được quyết_định khen_thưởng của cấp có thẩm_quyền , trong thời_hạn\ \ 10 ngày làm_việc , cơ_quan trình khen_thưởng thông_báo và gửi kết_quả khen_thưởng\ \ cho các trường_hợp được khen_thưởng ; \n đối_với các trường_hợp không đủ điều_kiện\ \ , tiêu_chuẩn , hồ_sơ theo quy_định , trong thời_hạn 10ngày làm_việc kể từ ngày\ \ nhận đủ hồ_sơ theo quy_định , ban thi_đua - khen_thưởng trung_ương thông_báo\ \ bằng văn_bản cho bộ , ban , ngành , tỉnh , đoàn_thể trung_ương trình khen_thưởng\ \ ." sentences: - yêu_cầu về xác_nhận quá_trình thực_hành trong cấp chứng_chỉ hành_nghề khám chữa bệnh là gì ? - đề_nghị cho biết thời_hạn thực_hiện thủ_tục tặng_thưởng " cờ thi_đua của chính_phủ " về thành_tích thi_đua theo đợt hoặc chuyên_đề - vợ_chồng tôi năm nay được 38 tuổi , nghề_nghiệp là nông_dân . vợ_chồng tôi muốn tham_gia bhxh tự_nguyện để khi về già có lương hưu . vậy vợ_chồng tôi có được đóng bhxh không ? - source_sentence: theo quy_định tại điểm c khoản 1 điều 211 luật doanh_nghiệp , trường_hợp_doanh_nghiệp ngừng hoạt_động_kinh_doanh 01 năm mà không thông_báo với cơ_quan đăng_ký kinh_doanh và cơ_quan thuế thì doanh_nghiệp thuộc trường_hợp bị thu_hồi giấy chứng_nhận đăng_ký doanh_nghiệp . - trình_tự , thủ_tục thu_hồi giấy chứng_nhận đăng_ký doanh_nghiệp thực_hiện theo quy_định tại khoản 3 điều 63 nghị_định số 78 / 2015 / nđ - cp được sửa_đổi , bổ_sung tại khoản 20 điều 1 nghị_định số 108 / 2018 / nđ - cp sửa_đổi , bổ_sung một_số điều của nghị_định số 78 / 2015 / nđ - cp. theo đó , phòng đăng_ký kinh_doanh thông_báo bằng văn_bản về hành_vi vi_phạm và yêu_cầu người đại_diện theo pháp_luật của doanh_nghiệp đến trụ_sở của phòng để giải_trình . sau 10 ngày làm_việc , kể từ ngày kết_thúc thời_hạn hẹn trong thông_báo mà người được yêu_cầu không đến hoặc nội_dung giải_trình không được chấp_thuận thì phòng đăng_ký kinh_doanh ra quyết_định thu_hồi giấy chứng_nhận đăng_ký doanh_nghiệp . - như_vậy , theo quy_định nêu trên việc công_ty ngừng hoạt_động_kinh_doanh 01 năm mà không thông_báo với cơ_quan đăng_ký kinh_doanh và cơ_quan thuế là vi_phạm_quy_định pháp_luật và thuộc một trong các trường_hợp bị thu_hồi giấy chứng_nhận đăng_ký doanh_nghiệp . sentences: - thủ_tục và hồ_sơ xin phép chuyển_đổi mục_đích sử_dụng , di_dời , tháo_dỡ ? - thời_gian đăng_ký hoạt_động của chi_nhánh của tổ_chức trọng_tài nước_ngoài tại việt_nam được quy_định như thế_nào ? - công_ty tnhh xyz ngừng hoạt_động_kinh_doanh 01 năm mà không thông_báo với cơ_quan đăng_ký kinh_doanh và cơ_quan thuế ? trong trường_hợp này , công_ty bị thu_hồi giấy chứng_nhận đăng_ký doanh_nghiệp thì có đúng quy_định pháp_luật hiện_hành không ? - source_sentence: 'thời_hạn giải_quyết việc gia_hạn thời_gian học_tập cho lưu học_sinh để hoàn_thành khóa học như sau : tối_đa 20 ngày làm_việc kể từ ngày nhận đủ hồ_sơ hợp_lệ .' sentences: - tôi muốn hỏi về gia_hạn thời_gian học_tập cho lưu học_sinh để hoàn_thành khóa học , có thời_hạn giải_quyết như thế_nào ? - thành_phần hồ_sơ giải_quyết chế_độ hỗ_trợ đối_với người việt_nam có công với cách_mạng quy_định tại nghị_định số 102 / 2018 / nđ - cp ngày 20 / 7 / 2018 của chính_phủ về chế_độ hỗ_trợ và một_số chế_độ đãi_ngộ khác đối_với người việt_nam có công với cách_mạng , người tham_gia kháng_chiến , chiến_tranh bảo_vệ tổ_quốc và làm nhiệm_vụ quốc_tế đang định_cư ở nước_ngoài ( nghị_định số 102 / 2018 / nđ - cp ) , bao_gồm những giấy_tờ gì ? - nhiệm_vụ thiết_kế bvtc gồm nội_dung gì ? đơn_vị lập và thẩm_quyền phê_duyệt nhiệm_vụ thiết_kế bvtc ? model-index: - name: SentenceTransformer based on Alibaba-NLP/gte-multilingual-base results: - task: type: information-retrieval name: Information Retrieval dataset: name: dim 768 type: dim_768 metrics: - type: cosine_accuracy@1 value: 0.5502645502645502 name: Cosine Accuracy@1 - type: cosine_accuracy@3 value: 0.7151675485008818 name: Cosine Accuracy@3 - type: cosine_accuracy@5 value: 0.7716049382716049 name: Cosine Accuracy@5 - type: cosine_accuracy@10 value: 0.818342151675485 name: Cosine Accuracy@10 - type: cosine_precision@1 value: 0.5502645502645502 name: Cosine Precision@1 - type: cosine_precision@3 value: 0.23838918283362726 name: Cosine Precision@3 - type: cosine_precision@5 value: 0.15432098765432098 name: Cosine Precision@5 - type: cosine_precision@10 value: 0.08183421516754849 name: Cosine Precision@10 - type: cosine_recall@1 value: 0.5502645502645502 name: Cosine Recall@1 - type: cosine_recall@3 value: 0.7151675485008818 name: Cosine Recall@3 - type: cosine_recall@5 value: 0.7716049382716049 name: Cosine Recall@5 - type: cosine_recall@10 value: 0.818342151675485 name: Cosine Recall@10 - type: cosine_ndcg@10 value: 0.6852873293977579 name: Cosine Ndcg@10 - type: cosine_mrr@10 value: 0.6424529688418579 name: Cosine Mrr@10 - type: cosine_map@100 value: 0.6476797396844348 name: Cosine Map@100 - task: type: information-retrieval name: Information Retrieval dataset: name: dim 512 type: dim_512 metrics: - type: cosine_accuracy@1 value: 0.5555555555555556 name: Cosine Accuracy@1 - type: cosine_accuracy@3 value: 0.7098765432098766 name: Cosine Accuracy@3 - type: cosine_accuracy@5 value: 0.7645502645502645 name: Cosine Accuracy@5 - type: cosine_accuracy@10 value: 0.8130511463844797 name: Cosine Accuracy@10 - type: cosine_precision@1 value: 0.5555555555555556 name: Cosine Precision@1 - type: cosine_precision@3 value: 0.23662551440329216 name: Cosine Precision@3 - type: cosine_precision@5 value: 0.15291005291005288 name: Cosine Precision@5 - type: cosine_precision@10 value: 0.08130511463844796 name: Cosine Precision@10 - type: cosine_recall@1 value: 0.5555555555555556 name: Cosine Recall@1 - type: cosine_recall@3 value: 0.7098765432098766 name: Cosine Recall@3 - type: cosine_recall@5 value: 0.7645502645502645 name: Cosine Recall@5 - type: cosine_recall@10 value: 0.8130511463844797 name: Cosine Recall@10 - type: cosine_ndcg@10 value: 0.6843803553657516 name: Cosine Ndcg@10 - type: cosine_mrr@10 value: 0.6431192435822073 name: Cosine Mrr@10 - type: cosine_map@100 value: 0.6489190779603494 name: Cosine Map@100 --- # SentenceTransformer based on Alibaba-NLP/gte-multilingual-base This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [Alibaba-NLP/gte-multilingual-base](https://huggingface.co./Alibaba-NLP/gte-multilingual-base) on the json dataset. 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:** [Alibaba-NLP/gte-multilingual-base](https://huggingface.co./Alibaba-NLP/gte-multilingual-base) - **Maximum Sequence Length:** 8192 tokens - **Output Dimensionality:** 768 dimensions - **Similarity Function:** Cosine Similarity - **Training Dataset:** - json ### 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: NewModel (1): Pooling({'word_embedding_dimension': 768, '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("anhtuansh/gte-multilingual-base-Matryoshka-2e-11k") # Run inference sentences = [ 'thời_hạn giải_quyết việc gia_hạn thời_gian học_tập cho lưu học_sinh để hoàn_thành khóa học như sau : tối_đa 20 ngày làm_việc kể từ ngày nhận đủ hồ_sơ hợp_lệ .', 'tôi muốn hỏi về gia_hạn thời_gian học_tập cho lưu học_sinh để hoàn_thành khóa học , có thời_hạn giải_quyết như thế_nào ?', 'thành_phần hồ_sơ giải_quyết chế_độ hỗ_trợ đối_với người việt_nam có công với cách_mạng quy_định tại nghị_định số 102 / 2018 / nđ - cp ngày 20 / 7 / 2018 của chính_phủ về chế_độ hỗ_trợ và một_số chế_độ đãi_ngộ khác đối_với người việt_nam có công với cách_mạng , người tham_gia kháng_chiến , chiến_tranh bảo_vệ tổ_quốc và làm nhiệm_vụ quốc_tế đang định_cư ở nước_ngoài ( nghị_định số 102 / 2018 / nđ - cp ) , bao_gồm những giấy_tờ gì ?', ] 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 #### Information Retrieval * Datasets: `dim_768` and `dim_512` * Evaluated with [InformationRetrievalEvaluator](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator) | Metric | dim_768 | dim_512 | |:--------------------|:-----------|:-----------| | cosine_accuracy@1 | 0.5503 | 0.5556 | | cosine_accuracy@3 | 0.7152 | 0.7099 | | cosine_accuracy@5 | 0.7716 | 0.7646 | | cosine_accuracy@10 | 0.8183 | 0.8131 | | cosine_precision@1 | 0.5503 | 0.5556 | | cosine_precision@3 | 0.2384 | 0.2366 | | cosine_precision@5 | 0.1543 | 0.1529 | | cosine_precision@10 | 0.0818 | 0.0813 | | cosine_recall@1 | 0.5503 | 0.5556 | | cosine_recall@3 | 0.7152 | 0.7099 | | cosine_recall@5 | 0.7716 | 0.7646 | | cosine_recall@10 | 0.8183 | 0.8131 | | **cosine_ndcg@10** | **0.6853** | **0.6844** | | cosine_mrr@10 | 0.6425 | 0.6431 | | cosine_map@100 | 0.6477 | 0.6489 | ## Training Details ### Training Dataset #### json * Dataset: json * Size: 10,200 training samples * Columns: positive and anchor * Approximate statistics based on the first 1000 samples: | | positive | anchor | |:--------|:-------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------| | type | string | string | | details | | | * Samples: | positive | anchor | |:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------| | 1 . thẩm_quyền cấp giấy_phép tổ_chức triển_lãm , hội_chợ xuất_bản_phẩm được quy_định cụ_thể như sau : - bộ thông_tin và truyền_thông cấp giấy_phép cho cơ_quan , tổ_chức ở trung_ương ; cơ_quan , tổ_chức , cá_nhân nước_ngoài ; - ủy_ban nhân_dân cấp tỉnh cấp giấy_phép cho cơ_quan , tổ_chức , cá_nhân có trụ_sở hoặc cư_trú tại địa_phương ; chi_nhánh , văn_phòng đại_diện , đơn_vị trực_thuộc cơ_quan , tổ_chức ở trung_ương đặt tại địa_phương . 2 . hồ_sơ bao_gồm : - đơn đề_nghị cấp giấy_phép trong đó ghi rõ mục_đích , thời_gian , địa_điểm và tên các đơn_vị tham_gia triển_lãm , hội_chợ ; - danh_mục xuất_bản_phẩm để triển_lãm , hội_chợ theo mẫu quy_định . ( quy_định tại khoản 2 , 3 điều 44 luật xuất_bản ) | hồ_sơ và thẩm_quyền cấp giấy_phép tổ_chức triển_lãm , hội_chợ xuất_bản_phẩm được quy_định cụ_thể như thế_nào ? | | - trường_hợp mất danh_mục và phiếu theo_dõi trừ lùi thì người khai hải_quan có hồ_sơ đề_nghị cơ_quan hải_quan nơi cấp danh_mục lần đầu_đề_nghị cấp lại , bao_gồm :
+ công_văn đề_nghị cấp lại danh_mục , phiếu theo_dõi trừ lùi trong đó nêu rõ : lý_do mất danh_mục , phiếu theo_dõi trừ lùi và cam_kết của người khai hải_quan về tính chính_xác của nội_dung khai_báo ;
+ bảng kê toàn_bộ tờ khai hải_quan ( điện_tử hoặc giấy ) của số_lượng hàng_hóa đã nhập_khẩu theo danh_mục ;
+ bản danh_mục và phiếu theo_dõi trừ lùi của cơ_quan hải_quan nơi làm thủ_tục nhập_khẩu lô hàng cuối_cùng trước khi thất_lạc ( 01 bản chụp có xác_nhận của cơ_quan hải_quan nơi nhập_khẩu ) .
- khi làm thủ_tục hải_quan , người khai hải_quan nộp , xuất_trình cho cơ_quan hải_quan nơi đăng_ký tờ khai hải_quan các hồ_sơ sau :
+ hồ_sơ hải_quan theo quy_định hiện_hành ;
+ danh_mục hàng_hóa và phiếu theo_dõi trừ lùi đã đăng_ký với cơ_quan hải_quan ( bản giao người khai hải_quan ) để cơ_quan hải_quan làm thủ_tục thực_hiện... | trường_hợp tôi làm mất danh_mục và phiếu theo_dõi trừ lùi hàng_hóa_nhập_khẩu dung_môi n - hexan dùng trong sản_xuất khô_dầu đậu_tương và dầu thực_vật , cám gạo trích ly và dầu cám thì cần làm những thủ_tục gì ? | | thẩm_quyền cấp giấy chứng_nhận cơ_sở đủ điều_kiện đăng_kiểm tàu cá là : tổng_cục thủy_sản . | thẩm_quyền cấp giấy chứng_nhận cơ_sở đủ điều_kiện đăng_kiểm tàu cá ? | * Loss: [MatryoshkaLoss](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#matryoshkaloss) with these parameters: ```json { "loss": "MultipleNegativesRankingLoss", "matryoshka_dims": [ 768, 512 ], "matryoshka_weights": [ 1, 1 ], "n_dims_per_step": -1 } ``` ### Evaluation Dataset #### json * Dataset: json * Size: 1,134 evaluation samples * Columns: positive and anchor * Approximate statistics based on the first 1000 samples: | | positive | anchor | |:--------|:-------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------| | type | string | string | | details | | | * Samples: | positive | anchor | |:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------| | việc thực_hiện thủ_tục tặng_thưởng bằng khen cấp bộ , ban , ngành , đoàn_thể trung_ương , tỉnh , thành_phố trực_thuộc trung_ương về thành_tích đột_xuất được tiến_hành như sau :
bước 1 . vụ , phòng , ban thi_đua – khen_thưởng các bộ , ngành , đoàn_thể trung_ương , tỉnh , thành_phố trực_thuộc trung_ương tiếp_nhận đề_nghị khen_thưởng của các đơn_vị thực thuộc .
bước 2 . thẩm_định hồ_sơ , xin ý_kiến các cơ_quan liên_quan , báo_cáo hội_đồng thi_đua khen_thưởng cùng cấp , tổng_hợp trình bộ_trưởng , thủ_trưởng đơn_vị , chủ_tịch ubnd tỉnh , thành_phố quyết_định khen_thưởng .
bước 3 . khi có quyết_định của bộ_trưởng , thủ_trưởng đơn_vị , chủ_tịch ubnd tỉnh , thành_phố trực_thuộc trung_ương ; vụ , phòng , ban thi_đua – khen_thưởng các bộ , ngành , đoàn_thể trung_ương , tỉnh , thành_phố trực_thuộc trung_ương thông_báo quyết_định , viết bằng , đóng_dấu và cấp_phát cho đơn_vị trình khen .
bước 4 . các trường_hợp không được khen_thưởng ( không đúng đối_tượng , không đủ tiêu_chuẩn , không đủ ... | đề_nghị cho biết trình_tự thực_hiện thủ_tục tặng_thưởng bằng khen cấp bộ , ban , ngành , đoàn_thể trung_ương , tỉnh , thành_phố trực_thuộc trung_ương về thành_tích đột_xuất | | bông_thủy_tinh chống cháy là vật_liệu chống cháy , thuộc danh_mục phương_tiện pccc quy_định phụ_lục v nghị_định số 79 / 2014 / nđ - cp ngày 31 / 7 / 2014 quy_định chi_tiết thi_hành một_số điều của luật phòng cháy và chữa_cháy và luật sửa_đổi , bổ_sung một_số điều của luật phòng cháy và chữa_cháy . do đó , nếu đưa vào sử_dụng trong hạng_mục pccc của công_trình thì phải kiểm_định về pccc. tuy_nhiên , đối_với vật_liệu bông thủy_tinh cách_nhiệt chống cháy được các cơ_quan , tổ_chức , cá_nhân cần xem_xét tùy vào yêu_cầu cụ_thể của công_trình để đăng_ký kiểm_định “ tính nguy_hiểm cháy ” đối_với vật_liệu đó hoặc “ giới_hạn chịu_lửa ” của kết_cấu sử_dụng vật_liệu đó . thành_phần hồ_sơ đề_nghị kiểm_định được quy_định tại điểm a khoản 4 điều 18 thông_tư 66 / 2014 / tt - bca ngày 16 / 12 / 2014 quy_định chi_tiết thi_hành một_số điều của nghị_định số 79 / 2014 / nđ - cp ngày 31 / 7 / 2014 quy_định chi_tiết thi_hành một_số điều của luật phòng cháy và chữa_cháy và luật sửa_đổi , bổ_sung một_số điều ... | bông_thủy_tinh cách_nhiệt chống cháy có phải kiểm_định không ? thành_phần hồ_sơ đề_nghị kiểm_định như thế_nào ? | | thẻ thường_trú không có thời_hạn nhưng định_kỳ 10 năm một lần , người nước_ngoài thường_trú phải đến nộp hồ_sơ tại phòng quản_lý xuất , nhập_cảnh công_an tỉnh , thành_phố trực_thuộc trung_ương để đề_nghị cấp đổi thẻ thường_trú . | thẻ thường_trú có thời_hạn không ? | * Loss: [MatryoshkaLoss](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#matryoshkaloss) with these parameters: ```json { "loss": "MultipleNegativesRankingLoss", "matryoshka_dims": [ 768, 512 ], "matryoshka_weights": [ 1, 1 ], "n_dims_per_step": -1 } ``` ### Training Hyperparameters #### Non-Default Hyperparameters - `eval_strategy`: epoch - `per_device_train_batch_size`: 2 - `per_device_eval_batch_size`: 2 - `gradient_accumulation_steps`: 2 - `learning_rate`: 2e-05 - `num_train_epochs`: 1 - `lr_scheduler_type`: cosine - `warmup_ratio`: 0.1 - `fp16`: True - `tf32`: False - `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`: 2 - `per_device_eval_batch_size`: 2 - `per_gpu_train_batch_size`: None - `per_gpu_eval_batch_size`: None - `gradient_accumulation_steps`: 2 - `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`: 1 - `max_steps`: -1 - `lr_scheduler_type`: cosine - `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`: False - `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 - `prompts`: None - `batch_sampler`: no_duplicates - `multi_dataset_batch_sampler`: proportional
### Training Logs
Click to expand | Epoch | Step | Training Loss | Validation Loss | dim_768_cosine_ndcg@10 | dim_512_cosine_ndcg@10 | |:-------:|:--------:|:-------------:|:---------------:|:----------------------:|:----------------------:| | 0 | 0 | - | - | 0.5662 | 0.5644 | | 0.0039 | 10 | 0.1692 | - | - | - | | 0.0078 | 20 | 0.3949 | - | - | - | | 0.0118 | 30 | 0.2216 | - | - | - | | 0.0157 | 40 | 0.2554 | - | - | - | | 0.0196 | 50 | 0.1446 | - | - | - | | 0.0235 | 60 | 0.1345 | - | - | - | | 0.0275 | 70 | 0.2128 | - | - | - | | 0.0314 | 80 | 0.1289 | - | - | - | | 0.0353 | 90 | 0.0532 | - | - | - | | 0.0392 | 100 | 0.1749 | - | - | - | | 0.0431 | 110 | 0.1318 | - | - | - | | 0.0471 | 120 | 0.0704 | - | - | - | | 0.0510 | 130 | 0.0431 | - | - | - | | 0.0549 | 140 | 0.4482 | - | - | - | | 0.0588 | 150 | 0.1473 | - | - | - | | 0.0627 | 160 | 0.3725 | - | - | - | | 0.0667 | 170 | 0.1792 | - | - | - | | 0.0706 | 180 | 0.065 | - | - | - | | 0.0745 | 190 | 0.0173 | - | - | - | | 0.0784 | 200 | 0.2006 | - | - | - | | 0.0824 | 210 | 0.439 | - | - | - | | 0.0863 | 220 | 0.2171 | - | - | - | | 0.0902 | 230 | 0.0668 | - | - | - | | 0.0941 | 240 | 0.1011 | - | - | - | | 0.0980 | 250 | 0.0176 | - | - | - | | 0.1020 | 260 | 0.1538 | - | - | - | | 0.1059 | 270 | 0.1334 | - | - | - | | 0.1098 | 280 | 0.3126 | - | - | - | | 0.1137 | 290 | 0.0102 | - | - | - | | 0.1176 | 300 | 0.2042 | - | - | - | | 0.1216 | 310 | 0.0053 | - | - | - | | 0.1255 | 320 | 0.3044 | - | - | - | | 0.1294 | 330 | 0.0729 | - | - | - | | 0.1333 | 340 | 0.1016 | - | - | - | | 0.1373 | 350 | 0.0458 | - | - | - | | 0.1412 | 360 | 0.0479 | - | - | - | | 0.1451 | 370 | 0.0621 | - | - | - | | 0.1490 | 380 | 0.0026 | - | - | - | | 0.1529 | 390 | 0.173 | - | - | - | | 0.1569 | 400 | 0.0134 | - | - | - | | 0.1608 | 410 | 0.0586 | - | - | - | | 0.1647 | 420 | 0.0247 | - | - | - | | 0.1686 | 430 | 0.0106 | - | - | - | | 0.1725 | 440 | 0.0069 | - | - | - | | 0.1765 | 450 | 0.0303 | - | - | - | | 0.1804 | 460 | 0.1574 | - | - | - | | 0.1843 | 470 | 0.0543 | - | - | - | | 0.1882 | 480 | 0.209 | - | - | - | | 0.1922 | 490 | 0.2385 | - | - | - | | 0.1961 | 500 | 0.0014 | - | - | - | | 0.2 | 510 | 0.1301 | - | - | - | | 0.2039 | 520 | 0.0075 | - | - | - | | 0.2078 | 530 | 0.0148 | - | - | - | | 0.2118 | 540 | 0.0143 | - | - | - | | 0.2157 | 550 | 0.0477 | - | - | - | | 0.2196 | 560 | 0.0092 | - | - | - | | 0.2235 | 570 | 0.121 | - | - | - | | 0.2275 | 580 | 0.0062 | - | - | - | | 0.2314 | 590 | 0.0879 | - | - | - | | 0.2353 | 600 | 0.1005 | - | - | - | | 0.2392 | 610 | 0.3175 | - | - | - | | 0.2431 | 620 | 0.0047 | - | - | - | | 0.2471 | 630 | 0.1038 | - | - | - | | 0.2510 | 640 | 0.0528 | - | - | - | | 0.2549 | 650 | 0.2159 | - | - | - | | 0.2588 | 660 | 0.0294 | - | - | - | | 0.2627 | 670 | 0.0045 | - | - | - | | 0.2667 | 680 | 0.0077 | - | - | - | | 0.2706 | 690 | 0.0276 | - | - | - | | 0.2745 | 700 | 0.0061 | - | - | - | | 0.2784 | 710 | 0.032 | - | - | - | | 0.2824 | 720 | 0.233 | - | - | - | | 0.2863 | 730 | 0.0048 | - | - | - | | 0.2902 | 740 | 0.0298 | - | - | - | | 0.2941 | 750 | 0.0004 | - | - | - | | 0.2980 | 760 | 0.0339 | - | - | - | | 0.3020 | 770 | 0.2882 | - | - | - | | 0.3059 | 780 | 0.0199 | - | - | - | | 0.3098 | 790 | 0.006 | - | - | - | | 0.3137 | 800 | 0.0617 | - | - | - | | 0.3176 | 810 | 0.0442 | - | - | - | | 0.3216 | 820 | 0.0095 | - | - | - | | 0.3255 | 830 | 0.0045 | - | - | - | | 0.3294 | 840 | 0.0246 | - | - | - | | 0.3333 | 850 | 0.0005 | - | - | - | | 0.3373 | 860 | 0.0375 | - | - | - | | 0.3412 | 870 | 0.0414 | - | - | - | | 0.3451 | 880 | 0.0835 | - | - | - | | 0.3490 | 890 | 0.0505 | - | - | - | | 0.3529 | 900 | 0.0046 | - | - | - | | 0.3569 | 910 | 0.0889 | - | - | - | | 0.3608 | 920 | 0.015 | - | - | - | | 0.3647 | 930 | 0.0046 | - | - | - | | 0.3686 | 940 | 0.0238 | - | - | - | | 0.3725 | 950 | 0.0626 | - | - | - | | 0.3765 | 960 | 0.018 | - | - | - | | 0.3804 | 970 | 0.0383 | - | - | - | | 0.3843 | 980 | 0.0555 | - | - | - | | 0.3882 | 990 | 0.0405 | - | - | - | | 0.3922 | 1000 | 0.0379 | - | - | - | | 0.3961 | 1010 | 0.0019 | - | - | - | | 0.4 | 1020 | 0.015 | - | - | - | | 0.4039 | 1030 | 0.0462 | - | - | - | | 0.4078 | 1040 | 0.0657 | - | - | - | | 0.4118 | 1050 | 0.0245 | - | - | - | | 0.4157 | 1060 | 0.0057 | - | - | - | | 0.4196 | 1070 | 0.0316 | - | - | - | | 0.4235 | 1080 | 0.0309 | - | - | - | | 0.4275 | 1090 | 0.0083 | - | - | - | | 0.4314 | 1100 | 0.0099 | - | - | - | | 0.4353 | 1110 | 0.0051 | - | - | - | | 0.4392 | 1120 | 0.0023 | - | - | - | | 0.4431 | 1130 | 0.0058 | - | - | - | | 0.4471 | 1140 | 0.027 | - | - | - | | 0.4510 | 1150 | 0.028 | - | - | - | | 0.4549 | 1160 | 0.0115 | - | - | - | | 0.4588 | 1170 | 0.0649 | - | - | - | | 0.4627 | 1180 | 0.1375 | - | - | - | | 0.4667 | 1190 | 0.0462 | - | - | - | | 0.4706 | 1200 | 0.0076 | - | - | - | | 0.4745 | 1210 | 0.2884 | - | - | - | | 0.4784 | 1220 | 0.1072 | - | - | - | | 0.4824 | 1230 | 0.0655 | - | - | - | | 0.4863 | 1240 | 0.003 | - | - | - | | 0.4902 | 1250 | 0.001 | - | - | - | | 0.4941 | 1260 | 0.0182 | - | - | - | | 0.4980 | 1270 | 0.0782 | - | - | - | | 0.5020 | 1280 | 0.0006 | - | - | - | | 0.5059 | 1290 | 0.0561 | - | - | - | | 0.5098 | 1300 | 0.019 | - | - | - | | 0.5137 | 1310 | 0.0041 | - | - | - | | 0.5176 | 1320 | 0.0199 | - | - | - | | 0.5216 | 1330 | 0.0035 | - | - | - | | 0.5255 | 1340 | 0.0388 | - | - | - | | 0.5294 | 1350 | 0.0082 | - | - | - | | 0.5333 | 1360 | 0.0038 | - | - | - | | 0.5373 | 1370 | 0.0062 | - | - | - | | 0.5412 | 1380 | 0.0143 | - | - | - | | 0.5451 | 1390 | 0.036 | - | - | - | | 0.5490 | 1400 | 0.0042 | - | - | - | | 0.5529 | 1410 | 0.0927 | - | - | - | | 0.5569 | 1420 | 0.0438 | - | - | - | | 0.5608 | 1430 | 0.0034 | - | - | - | | 0.5647 | 1440 | 0.0115 | - | - | - | | 0.5686 | 1450 | 0.0076 | - | - | - | | 0.5725 | 1460 | 0.0035 | - | - | - | | 0.5765 | 1470 | 0.2002 | - | - | - | | 0.5804 | 1480 | 0.0119 | - | - | - | | 0.5843 | 1490 | 0.0144 | - | - | - | | 0.5882 | 1500 | 0.0003 | - | - | - | | 0.5922 | 1510 | 0.0563 | - | - | - | | 0.5961 | 1520 | 0.0079 | - | - | - | | 0.6 | 1530 | 0.001 | - | - | - | | 0.6039 | 1540 | 0.0594 | - | - | - | | 0.6078 | 1550 | 0.1215 | - | - | - | | 0.6118 | 1560 | 0.0027 | - | - | - | | 0.6157 | 1570 | 0.0451 | - | - | - | | 0.6196 | 1580 | 0.0016 | - | - | - | | 0.6235 | 1590 | 0.0021 | - | - | - | | 0.6275 | 1600 | 0.0017 | - | - | - | | 0.6314 | 1610 | 0.011 | - | - | - | | 0.6353 | 1620 | 0.0069 | - | - | - | | 0.6392 | 1630 | 0.0171 | - | - | - | | 0.6431 | 1640 | 0.1518 | - | - | - | | 0.6471 | 1650 | 0.095 | - | - | - | | 0.6510 | 1660 | 0.0095 | - | - | - | | 0.6549 | 1670 | 0.0037 | - | - | - | | 0.6588 | 1680 | 0.001 | - | - | - | | 0.6627 | 1690 | 0.0003 | - | - | - | | 0.6667 | 1700 | 0.0355 | - | - | - | | 0.6706 | 1710 | 0.0163 | - | - | - | | 0.6745 | 1720 | 0.0131 | - | - | - | | 0.6784 | 1730 | 0.0114 | - | - | - | | 0.6824 | 1740 | 0.0291 | - | - | - | | 0.6863 | 1750 | 0.0079 | - | - | - | | 0.6902 | 1760 | 0.0075 | - | - | - | | 0.6941 | 1770 | 0.0838 | - | - | - | | 0.6980 | 1780 | 0.0128 | - | - | - | | 0.7020 | 1790 | 0.1947 | - | - | - | | 0.7059 | 1800 | 0.0219 | - | - | - | | 0.7098 | 1810 | 0.0909 | - | - | - | | 0.7137 | 1820 | 0.0052 | - | - | - | | 0.7176 | 1830 | 0.0237 | - | - | - | | 0.7216 | 1840 | 0.0028 | - | - | - | | 0.7255 | 1850 | 0.0664 | - | - | - | | 0.7294 | 1860 | 0.0146 | - | - | - | | 0.7333 | 1870 | 0.0157 | - | - | - | | 0.7373 | 1880 | 0.0654 | - | - | - | | 0.7412 | 1890 | 0.0036 | - | - | - | | 0.7451 | 1900 | 0.0001 | - | - | - | | 0.7490 | 1910 | 0.0595 | - | - | - | | 0.7529 | 1920 | 0.0432 | - | - | - | | 0.7569 | 1930 | 0.0287 | - | - | - | | 0.7608 | 1940 | 0.0042 | - | - | - | | 0.7647 | 1950 | 0.0946 | - | - | - | | 0.7686 | 1960 | 0.0064 | - | - | - | | 0.7725 | 1970 | 0.0102 | - | - | - | | 0.7765 | 1980 | 0.0148 | - | - | - | | 0.7804 | 1990 | 0.0008 | - | - | - | | 0.7843 | 2000 | 0.0019 | - | - | - | | 0.7882 | 2010 | 0.1745 | - | - | - | | 0.7922 | 2020 | 0.0045 | - | - | - | | 0.7961 | 2030 | 0.1492 | - | - | - | | 0.8 | 2040 | 0.2533 | - | - | - | | 0.8039 | 2050 | 0.0009 | - | - | - | | 0.8078 | 2060 | 0.0814 | - | - | - | | 0.8118 | 2070 | 0.0005 | - | - | - | | 0.8157 | 2080 | 0.0098 | - | - | - | | 0.8196 | 2090 | 0.0615 | - | - | - | | 0.8235 | 2100 | 0.0132 | - | - | - | | 0.8275 | 2110 | 0.0006 | - | - | - | | 0.8314 | 2120 | 0.0547 | - | - | - | | 0.8353 | 2130 | 0.0024 | - | - | - | | 0.8392 | 2140 | 0.0131 | - | - | - | | 0.8431 | 2150 | 0.1234 | - | - | - | | 0.8471 | 2160 | 0.019 | - | - | - | | 0.8510 | 2170 | 0.0027 | - | - | - | | 0.8549 | 2180 | 0.0035 | - | - | - | | 0.8588 | 2190 | 0.0165 | - | - | - | | 0.8627 | 2200 | 0.0767 | - | - | - | | 0.8667 | 2210 | 0.076 | - | - | - | | 0.8706 | 2220 | 0.0082 | - | - | - | | 0.8745 | 2230 | 0.0584 | - | - | - | | 0.8784 | 2240 | 0.0141 | - | - | - | | 0.8824 | 2250 | 0.0042 | - | - | - | | 0.8863 | 2260 | 0.0356 | - | - | - | | 0.8902 | 2270 | 0.0003 | - | - | - | | 0.8941 | 2280 | 0.0031 | - | - | - | | 0.8980 | 2290 | 0.0171 | - | - | - | | 0.9020 | 2300 | 0.083 | - | - | - | | 0.9059 | 2310 | 0.0026 | - | - | - | | 0.9098 | 2320 | 0.0127 | - | - | - | | 0.9137 | 2330 | 0.0088 | - | - | - | | 0.9176 | 2340 | 0.024 | - | - | - | | 0.9216 | 2350 | 0.1174 | - | - | - | | 0.9255 | 2360 | 0.0578 | - | - | - | | 0.9294 | 2370 | 0.0034 | - | - | - | | 0.9333 | 2380 | 0.0706 | - | - | - | | 0.9373 | 2390 | 0.0261 | - | - | - | | 0.9412 | 2400 | 0.0006 | - | - | - | | 0.9451 | 2410 | 0.0027 | - | - | - | | 0.9490 | 2420 | 0.0119 | - | - | - | | 0.9529 | 2430 | 0.0075 | - | - | - | | 0.9569 | 2440 | 0.0063 | - | - | - | | 0.9608 | 2450 | 0.0028 | - | - | - | | 0.9647 | 2460 | 0.0363 | - | - | - | | 0.9686 | 2470 | 0.0004 | - | - | - | | 0.9725 | 2480 | 0.0016 | - | - | - | | 0.9765 | 2490 | 0.0018 | - | - | - | | 0.9804 | 2500 | 0.1138 | - | - | - | | 0.9843 | 2510 | 0.0046 | - | - | - | | 0.9882 | 2520 | 0.0327 | - | - | - | | 0.9922 | 2530 | 0.0497 | - | - | - | | 0.9961 | 2540 | 0.0826 | - | - | - | | **1.0** | **2550** | **0.0011** | **0.0172** | **0.6853** | **0.6844** | * The bold row denotes the saved checkpoint.
### Framework Versions - Python: 3.10.14 - Sentence Transformers: 3.3.1 - Transformers: 4.41.2 - PyTorch: 2.4.0 - Accelerate: 0.29.3 - Datasets: 2.19.1 - 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} } ```