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
- 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': 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_SoftmaxLoss_V1_5epochs")
# Run inference
sentences = [
'Quy định cụ thể về ngân hàng đất nông nghiệp như thế nào?',
'Ngân hàng đất nông nghiệp\n1. Ngân hàng đất nông nghiệp là doanh nghiệp nhà nước do Chính phủ thành lập theo quy định của pháp luật về doanh nghiệp.\n2. Ngân hàng đất nông nghiệp có chức năng tạo lập quỹ đất nông nghiệp thông qua việc thuê quyền sử dụng đất, nhận chuyển nhượng quyền sử dụng đất, nhận ký gửi quyền sử dụng đất nông nghiệp; cho nhà đầu tư có nhu cầu thuê, thuê lại đất để sản xuất nông nghiệp.\n3. Hoạt động của Ngân hàng đất nông nghiệp không vì mục đích lợi nhuận, được Nhà nước bảo đảm khả năng thanh toán, được miễn thuế và các khoản phải nộp ngân sách nhà nước.\n4. Kinh phí hoạt động của Ngân hàng đất nông nghiệp được cấp từ ngân sách nhà nước; ứng từ Quỹ phát triển đất hoặc Quỹ đầu tư phát triển, quỹ tài chính khác được ủy thác; vay từ các tổ chức tín dụng được phép hoạt động tại Việt Nam; huy động vốn của các tổ chức, cá nhân và các nguồn khác theo quy định của pháp luật để thực hiện việc tạo lập quỹ đất quy định tại khoản 2 Điều này.\n5. Chính phủ quy định chi tiết Điều này.',
'Thời điểm lập hóa đơn\n1. Thời điểm lập hóa đơn đối với bán hàng hóa (bao gồm cả bán tài sản nhà nước, tài sản tịch thu, sung quỹ nhà nước và bán hàng dự trữ quốc gia) là thời điểm chuyển giao quyền sở hữu hoặc quyền sử dụng hàng hóa cho người mua, không phân biệt đã thu được tiền hay chưa thu được tiền.\n2. Thời điểm lập hóa đơn đối với cung cấp dịch vụ là thời điểm hoàn thành việc cung cấp dịch vụ không phân biệt đã thu được tiền hay chưa thu được tiền. Trường hợp người cung cấp dịch vụ có thu tiền trước hoặc trong khi cung cấp dịch vụ thì thời điểm lập hóa đơn là thời điểm thu tiền (không bao gồm trường hợp thu tiền đặt cọc hoặc tạm ứng để đảm bảo thực hiện hợp đồng cung cấp các dịch vụ: kế toán, kiểm toán, tư vấn tài chính, thuế; thẩm định giá; khảo sát, thiết kế kỹ thuật; tư vấn giám sát; lập dự án đầu tư xây dựng).\n3. Trường hợp giao hàng nhiều lần hoặc bàn giao từng hạng mục, công đoạn dịch vụ thì mỗi lần giao hàng hoặc bàn giao đều phải lập hóa đơn cho khối lượng, giá trị hàng hóa, dịch vụ được giao tương ứng.\n...\nThời điểm xác định thuế GTGT\n1. Đối với bán hàng hóa là thời điểm chuyển giao quyền sở hữu hoặc quyền sử dụng hàng hóa cho người mua, không phân biệt đã thu được tiền hay chưa thu được tiền.\n...',
]
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
, andlabel
- Approximate statistics based on the first 1000 samples:
sentence1 sentence2 label type string string int details - min: 8 tokens
- mean: 24.39 tokens
- max: 54 tokens
- min: 23 tokens
- mean: 284.45 tokens
- max: 512 tokens
- 0: ~50.00%
- 1: ~50.00%
- Samples:
sentence1 sentence2 label Nguyên tắc để lựa chọn người thực hiện giám định tư pháp về hải quan trong lĩnh vực tài chính ra sao?
Nguyên tắc lựa chọn, phân công người, tổ chức thực hiện giám định tư pháp trong lĩnh vực tài chính
1. Việc lựa chọn giám định viên tư pháp, người giám định tư pháp theo vụ việc, Văn phòng giám định tư pháp, tổ chức giám định tư pháp theo vụ việc thực hiện giám định phải phù hợp với đối tượng, nội dung trưng cầu giám định, đáp ứng các quy định tại Luật Giám định tư pháp, hướng dẫn tại Thông tư này và các quy định khác của pháp luật có liên quan đến giám định tư pháp.
2. Việc cử cán bộ, công chức là giám định viên tư pháp, người giám định tư pháp theo vụ việc; việc phân công người của Văn phòng giám định tư pháp, tổ chức giám định tư pháp theo vụ việc thực hiện giám định phải đúng thẩm quyền, trình tự, thủ tục theo quy định của pháp luật.1
Tổ trưởng Tổ kiểm toán nhà nước cần đáp ứng những tiêu chuẩn gì?
IV. THỐNG KÊ VIÊN TRÌNH ĐỘ CAO ĐẲNG
...
3. Tiêu chuẩn về năng lực:
- Nắm vững các kiến thức cơ bản về nghiệp vụ thống kê và có kỹ năng thành thạo để thực hiện tốt các nghiệp vụ chuyên môn công tác thống kê trong phạm vi được phân công;
- Có phương pháp tuyên truyền, vận động nhân dân tham gia vào các hoạt động thống kê, có khả năng nắm bắt và áp dụng phương pháp, công nghệ tiên tiến trong quá trình thực hiện nhiệm vụ;
- Có khả năng làm việc tập thể, phối hợp, giao tiếp ứng xử tốt với các tổ chức, cá nhân trong quá trình thực hiện nhiệm vụ về công tác thống kê;
4. Tiêu chuẩn về trình độ:
- Tốt nghiệp Cao đẳng chuyên ngành thống kê, nếu tốt nghiệp cao đẳng chuyên ngành khác thì phải qua khóa đào tạo nghiệp vụ thống kê theo chương trình quy định của Tổng cục Thống kê;
- Tốt nghiệp khóa đào tạo, bồi dưỡng kiến thức quản lý hành chính nhà nước ngạch chuyên viên và lớp bồi dưỡng kiến thức nghiệp vụ công tác Thống kê;
- Có trình độ B một trong năm ngoại ngữ thông dụng (Anh, Nga, Pháp, Trung, Đức);
- Sử dụng thành thạo máy vi tính phục vụ cho công việc chuyên môn.0
Phụ cấp ưu đãi đối với viên chức chuyên môn làm việc tại Trạm Thú y nơi có phụ cấp khu vực là 0,7 được chi trả khi nào?
CÁCH TÍNH VÀ NGUỒN KINH PHÍ CHI TRẢ PHỤ CẤP
1. Cách tính
a) Phụ cấp ưu đãi theo nghề được tính theo mức lương ngạch, bậc hiện hưởng cộng phụ cấp chức vụ lãnh đạo, phụ cấp thâm niên vượt khung (nếu có), được xác định bằng công thức sau:
Phụ cấp ưu đãi theo nghề được hưởng = Mức lương tối thiểu chung x Hệ số lương theo ngạch bậc hiện hưởng + hệ số phụ cấp chức vụ lãnh đạo (nếu có) + % (quy theo hệ số) phụ cấp thâm niên vượt khung (nếu có) x Mức phụ cấp ưu đãi theo nghề được hưởng
b) Phụ cấp ưu đãi được trả cùng kỳ lương hàng tháng và không dùng để tính đóng, hưởng chế độ bảo hiểm xã hội, bảo hiểm y tế.
c) Trường hợp một công chức kiểm lâm địa bàn phụ trách nhiều xã có mức phụ cấp ưu đãi khác nhau quy định tại khoản 1, mục II Thông tư này thì được hưởng mức phụ cấp ưu đãi cao nhất.
d) Các đối tượng quy định tại khoản 1, mục I khi được điều động công tác đến địa bàn có mức phụ cấp cao hoặc thấp hơn mức phụ cấp đang hưởng thì được hưởng mức phụ cấp ưu đãi theo địa bàn công tác mới kể từ tháng sau liền kề với tháng có quyết định điều động công tác.
...1
- Loss:
SoftmaxLoss
Training Hyperparameters
Non-Default Hyperparameters
per_device_train_batch_size
: 4learning_rate
: 2e-05num_train_epochs
: 5warmup_ratio
: 0.1
All Hyperparameters
Click to expand
overwrite_output_dir
: Falsedo_predict
: Falseprediction_loss_only
: Trueper_device_train_batch_size
: 4per_device_eval_batch_size
: 8per_gpu_train_batch_size
: Noneper_gpu_eval_batch_size
: Nonegradient_accumulation_steps
: 1eval_accumulation_steps
: Nonelearning_rate
: 2e-05weight_decay
: 0.0adam_beta1
: 0.9adam_beta2
: 0.999adam_epsilon
: 1e-08max_grad_norm
: 1.0num_train_epochs
: 5max_steps
: -1lr_scheduler_type
: linearlr_scheduler_kwargs
: {}warmup_ratio
: 0.1warmup_steps
: 0log_level
: passivelog_level_replica
: warninglog_on_each_node
: Truelogging_nan_inf_filter
: Truesave_safetensors
: Truesave_on_each_node
: Falsesave_only_model
: Falseno_cuda
: Falseuse_cpu
: Falseuse_mps_device
: Falseseed
: 42data_seed
: Nonejit_mode_eval
: Falseuse_ipex
: Falsebf16
: Falsefp16
: Falsefp16_opt_level
: O1half_precision_backend
: autobf16_full_eval
: Falsefp16_full_eval
: Falsetf32
: Nonelocal_rank
: 0ddp_backend
: Nonetpu_num_cores
: Nonetpu_metrics_debug
: Falsedebug
: []dataloader_drop_last
: Falsedataloader_num_workers
: 0dataloader_prefetch_factor
: Nonepast_index
: -1disable_tqdm
: Falseremove_unused_columns
: Truelabel_names
: Noneload_best_model_at_end
: Falseignore_data_skip
: Falsefsdp
: []fsdp_min_num_params
: 0fsdp_config
: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}fsdp_transformer_layer_cls_to_wrap
: Noneaccelerator_config
: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True}deepspeed
: Nonelabel_smoothing_factor
: 0.0optim
: adamw_torchoptim_args
: Noneadafactor
: Falsegroup_by_length
: Falselength_column_name
: lengthddp_find_unused_parameters
: Noneddp_bucket_cap_mb
: Noneddp_broadcast_buffers
: Falsedataloader_pin_memory
: Truedataloader_persistent_workers
: Falseskip_memory_metrics
: Trueuse_legacy_prediction_loop
: Falsepush_to_hub
: Falseresume_from_checkpoint
: Nonehub_model_id
: Nonehub_strategy
: every_savehub_private_repo
: Falsehub_always_push
: Falsegradient_checkpointing
: Falsegradient_checkpointing_kwargs
: Noneinclude_inputs_for_metrics
: Falsefp16_backend
: autopush_to_hub_model_id
: Nonepush_to_hub_organization
: Nonemp_parameters
:auto_find_batch_size
: Falsefull_determinism
: Falsetorchdynamo
: Noneray_scope
: lastddp_timeout
: 1800torch_compile
: Falsetorch_compile_backend
: Nonetorch_compile_mode
: Nonedispatch_batches
: Nonesplit_batches
: Noneinclude_tokens_per_second
: Falseinclude_num_input_tokens_seen
: Falseneftune_noise_alpha
: Noneoptim_target_modules
: Nonebatch_sampler
: batch_samplermulti_dataset_batch_sampler
: proportional
Training Logs
Click to expand
Epoch | Step | Training Loss |
---|---|---|
0.0190 | 50 | 0.6915 |
0.0380 | 100 | 0.691 |
0.0570 | 150 | 0.6923 |
0.0760 | 200 | 0.6911 |
0.0950 | 250 | 0.6912 |
0.1140 | 300 | 0.6906 |
0.1330 | 350 | 0.6865 |
0.1520 | 400 | 0.6889 |
0.1710 | 450 | 0.6847 |
0.1900 | 500 | 0.6831 |
0.2090 | 550 | 0.6755 |
0.2281 | 600 | 0.6871 |
0.2471 | 650 | 0.6858 |
0.2661 | 700 | 0.691 |
0.2851 | 750 | 0.6864 |
0.3041 | 800 | 0.6864 |
0.3231 | 850 | 0.6904 |
0.3421 | 900 | 0.6758 |
0.3611 | 950 | 0.679 |
0.3801 | 1000 | 0.6823 |
0.3991 | 1050 | 0.6835 |
0.4181 | 1100 | 0.6963 |
0.4371 | 1150 | 0.7012 |
0.4561 | 1200 | 0.6917 |
0.4751 | 1250 | 0.6969 |
0.4941 | 1300 | 0.6971 |
0.5131 | 1350 | 0.6989 |
0.5321 | 1400 | 0.6947 |
0.5511 | 1450 | 0.6943 |
0.5701 | 1500 | 0.6942 |
0.5891 | 1550 | 0.6955 |
0.6081 | 1600 | 0.6934 |
0.6271 | 1650 | 0.6883 |
0.6461 | 1700 | 0.6991 |
0.6651 | 1750 | 0.6915 |
0.6842 | 1800 | 0.6962 |
0.7032 | 1850 | 0.6938 |
0.7222 | 1900 | 0.6935 |
0.7412 | 1950 | 0.6928 |
0.7602 | 2000 | 0.6938 |
0.7792 | 2050 | 0.6915 |
0.7982 | 2100 | 0.6968 |
0.8172 | 2150 | 0.691 |
0.8362 | 2200 | 0.693 |
0.8552 | 2250 | 0.6956 |
0.8742 | 2300 | 0.6943 |
0.8932 | 2350 | 0.6929 |
0.9122 | 2400 | 0.6944 |
0.9312 | 2450 | 0.6943 |
0.9502 | 2500 | 0.6924 |
0.9692 | 2550 | 0.6936 |
0.9882 | 2600 | 0.6928 |
1.0072 | 2650 | 0.694 |
1.0262 | 2700 | 0.6935 |
1.0452 | 2750 | 0.6954 |
1.0642 | 2800 | 0.6928 |
1.0832 | 2850 | 0.6945 |
1.1022 | 2900 | 0.6931 |
1.1212 | 2950 | 0.694 |
1.1403 | 3000 | 0.6936 |
1.1593 | 3050 | 0.6939 |
1.1783 | 3100 | 0.6942 |
1.1973 | 3150 | 0.6937 |
1.2163 | 3200 | 0.6931 |
1.2353 | 3250 | 0.6933 |
1.2543 | 3300 | 0.6951 |
1.2733 | 3350 | 0.6935 |
1.2923 | 3400 | 0.6932 |
1.3113 | 3450 | 0.6942 |
1.3303 | 3500 | 0.6943 |
1.3493 | 3550 | 0.6942 |
1.3683 | 3600 | 0.6939 |
1.3873 | 3650 | 0.693 |
1.4063 | 3700 | 0.6916 |
1.4253 | 3750 | 0.6927 |
1.4443 | 3800 | 0.6944 |
1.4633 | 3850 | 0.6893 |
1.4823 | 3900 | 0.6971 |
1.5013 | 3950 | 0.6952 |
1.5203 | 4000 | 0.6929 |
1.5393 | 4050 | 0.6948 |
1.5583 | 4100 | 0.6934 |
1.5773 | 4150 | 0.6922 |
1.5964 | 4200 | 0.6944 |
1.6154 | 4250 | 0.692 |
1.6344 | 4300 | 0.6947 |
1.6534 | 4350 | 0.6944 |
1.6724 | 4400 | 0.6932 |
1.6914 | 4450 | 0.6935 |
1.7104 | 4500 | 0.6935 |
1.7294 | 4550 | 0.6924 |
1.7484 | 4600 | 0.6915 |
1.7674 | 4650 | 0.692 |
1.7864 | 4700 | 0.695 |
1.8054 | 4750 | 0.6948 |
1.8244 | 4800 | 0.6942 |
1.8434 | 4850 | 0.6916 |
1.8624 | 4900 | 0.6928 |
1.8814 | 4950 | 0.694 |
1.9004 | 5000 | 0.6938 |
1.9194 | 5050 | 0.6934 |
1.9384 | 5100 | 0.6934 |
1.9574 | 5150 | 0.695 |
1.9764 | 5200 | 0.6935 |
1.9954 | 5250 | 0.694 |
2.0144 | 5300 | 0.6928 |
2.0334 | 5350 | 0.6971 |
2.0525 | 5400 | 0.6939 |
2.0715 | 5450 | 0.6926 |
2.0905 | 5500 | 0.6922 |
2.1095 | 5550 | 0.6936 |
2.1285 | 5600 | 0.6903 |
2.1475 | 5650 | 0.6982 |
2.1665 | 5700 | 0.6919 |
2.1855 | 5750 | 0.6928 |
2.2045 | 5800 | 0.6921 |
2.2235 | 5850 | 0.6948 |
2.2425 | 5900 | 0.6932 |
2.2615 | 5950 | 0.6946 |
2.2805 | 6000 | 0.691 |
2.2995 | 6050 | 0.6928 |
2.3185 | 6100 | 0.6956 |
2.3375 | 6150 | 0.6934 |
2.3565 | 6200 | 0.6924 |
2.3755 | 6250 | 0.691 |
2.3945 | 6300 | 0.6898 |
2.4135 | 6350 | 0.6925 |
2.4325 | 6400 | 0.694 |
2.4515 | 6450 | 0.6944 |
2.4705 | 6500 | 0.6943 |
2.4895 | 6550 | 0.6939 |
2.5086 | 6600 | 0.6936 |
2.5276 | 6650 | 0.6939 |
2.5466 | 6700 | 0.6927 |
2.5656 | 6750 | 0.6927 |
2.5846 | 6800 | 0.6942 |
2.6036 | 6850 | 0.6937 |
2.6226 | 6900 | 0.6922 |
2.6416 | 6950 | 0.6941 |
2.6606 | 7000 | 0.6938 |
2.6796 | 7050 | 0.6941 |
2.6986 | 7100 | 0.6941 |
2.7176 | 7150 | 0.6936 |
2.7366 | 7200 | 0.6942 |
2.7556 | 7250 | 0.6923 |
2.7746 | 7300 | 0.6923 |
2.7936 | 7350 | 0.6922 |
2.8126 | 7400 | 0.6944 |
2.8316 | 7450 | 0.6933 |
2.8506 | 7500 | 0.6914 |
2.8696 | 7550 | 0.6939 |
2.8886 | 7600 | 0.6942 |
2.9076 | 7650 | 0.6935 |
2.9266 | 7700 | 0.6917 |
2.9456 | 7750 | 0.6918 |
2.9647 | 7800 | 0.6934 |
2.9837 | 7850 | 0.6937 |
3.0027 | 7900 | 0.6925 |
3.0217 | 7950 | 0.6938 |
3.0407 | 8000 | 0.691 |
3.0597 | 8050 | 0.6918 |
3.0787 | 8100 | 0.6923 |
3.0977 | 8150 | 0.6899 |
3.1167 | 8200 | 0.6946 |
3.1357 | 8250 | 0.6904 |
3.1547 | 8300 | 0.6967 |
3.1737 | 8350 | 0.6944 |
3.1927 | 8400 | 0.6937 |
3.2117 | 8450 | 0.6934 |
3.2307 | 8500 | 0.6937 |
3.2497 | 8550 | 0.6927 |
3.2687 | 8600 | 0.6932 |
3.2877 | 8650 | 0.6925 |
3.3067 | 8700 | 0.6944 |
3.3257 | 8750 | 0.6937 |
3.3447 | 8800 | 0.6936 |
3.3637 | 8850 | 0.6925 |
3.3827 | 8900 | 0.6942 |
3.4017 | 8950 | 0.6926 |
3.4208 | 9000 | 0.693 |
3.4398 | 9050 | 0.6941 |
3.4588 | 9100 | 0.6908 |
3.4778 | 9150 | 0.6929 |
3.4968 | 9200 | 0.6955 |
3.5158 | 9250 | 0.6935 |
3.5348 | 9300 | 0.6938 |
3.5538 | 9350 | 0.6932 |
3.5728 | 9400 | 0.6932 |
3.5918 | 9450 | 0.6928 |
3.6108 | 9500 | 0.6936 |
3.6298 | 9550 | 0.6934 |
3.6488 | 9600 | 0.6942 |
3.6678 | 9650 | 0.6931 |
3.6868 | 9700 | 0.6935 |
3.7058 | 9750 | 0.6931 |
3.7248 | 9800 | 0.6926 |
3.7438 | 9850 | 0.694 |
3.7628 | 9900 | 0.6932 |
3.7818 | 9950 | 0.6923 |
3.8008 | 10000 | 0.6937 |
3.8198 | 10050 | 0.6929 |
3.8388 | 10100 | 0.6917 |
3.8578 | 10150 | 0.6936 |
3.8769 | 10200 | 0.6938 |
3.8959 | 10250 | 0.6932 |
3.9149 | 10300 | 0.6917 |
3.9339 | 10350 | 0.696 |
3.9529 | 10400 | 0.6942 |
3.9719 | 10450 | 0.6935 |
3.9909 | 10500 | 0.6928 |
4.0099 | 10550 | 0.6929 |
4.0289 | 10600 | 0.6935 |
4.0479 | 10650 | 0.6934 |
4.0669 | 10700 | 0.6937 |
4.0859 | 10750 | 0.6929 |
4.1049 | 10800 | 0.6934 |
4.1239 | 10850 | 0.6936 |
4.1429 | 10900 | 0.6932 |
4.1619 | 10950 | 0.6931 |
4.1809 | 11000 | 0.6925 |
4.1999 | 11050 | 0.6928 |
4.2189 | 11100 | 0.6913 |
4.2379 | 11150 | 0.696 |
4.2569 | 11200 | 0.6921 |
4.2759 | 11250 | 0.6934 |
4.2949 | 11300 | 0.6937 |
4.3139 | 11350 | 0.6917 |
4.3330 | 11400 | 0.6949 |
4.3520 | 11450 | 0.6929 |
4.3710 | 11500 | 0.6938 |
4.3900 | 11550 | 0.6944 |
4.4090 | 11600 | 0.6935 |
4.4280 | 11650 | 0.6932 |
4.4470 | 11700 | 0.6937 |
4.4660 | 11750 | 0.693 |
4.4850 | 11800 | 0.6934 |
4.5040 | 11850 | 0.6932 |
4.5230 | 11900 | 0.6926 |
4.5420 | 11950 | 0.6928 |
4.5610 | 12000 | 0.6938 |
4.5800 | 12050 | 0.6925 |
4.5990 | 12100 | 0.6946 |
4.6180 | 12150 | 0.6937 |
4.6370 | 12200 | 0.6938 |
4.6560 | 12250 | 0.6931 |
4.6750 | 12300 | 0.6929 |
4.6940 | 12350 | 0.6932 |
4.7130 | 12400 | 0.694 |
4.7320 | 12450 | 0.6932 |
4.7510 | 12500 | 0.6933 |
4.7700 | 12550 | 0.6935 |
4.7891 | 12600 | 0.6931 |
4.8081 | 12650 | 0.6923 |
4.8271 | 12700 | 0.6936 |
4.8461 | 12750 | 0.6939 |
4.8651 | 12800 | 0.6935 |
4.8841 | 12850 | 0.693 |
4.9031 | 12900 | 0.6935 |
4.9221 | 12950 | 0.6934 |
4.9411 | 13000 | 0.6922 |
4.9601 | 13050 | 0.6932 |
4.9791 | 13100 | 0.6932 |
4.9981 | 13150 | 0.6935 |
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 and SoftmaxLoss
@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",
}
- Downloads last month
- 22
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_SoftmaxLoss_V1_5epochs
Base model
BAAI/bge-m3