File size: 33,300 Bytes
3947cba |
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 |
---
language:
- en
license: apache-2.0
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:5115
- loss:MatryoshkaLoss
- loss:MultipleNegativesRankingLoss
base_model: mixedbread-ai/mxbai-embed-large-v1
widget:
- source_sentence: gepackte Zahl in ein Integerfeld stellen, oder was geschieht, wenn
Sie eine gepackte Zahl zum Inhalt eines Datumsfeldes addieren, oder was geschieht,
wenn Sie eine gepackte Zahl in ein Cha- racter-Feld schreiben. Lassen Sie uns
hierzu eine Konvertierungsregel als Beispiel ansehen. Dezimalzahl in ganze Zahl
umwandeln Ist der Quelltyp ein Datenobjekt vom Typ p und der Zieltyp ein Daten-
objekt vom Typ i (eine ganze Zahl), rundet das System die Dezimalstel- len des
Quellfeldes und stellt den Inhalt rechtsbündig in das Zielfeld. I d Zi lf ld i
Lä h i h d i d li k i N ll
sentences:
- Wie kann eine selbst entwickelte Pflegetransaktion für Geschäftsregeln oder sonstige
Customizing-Inhalte helfen?
- Welche Technologien bietet der ABAP-Stack zur Schnittstellenentwicklung an?
- Welche Gründe sprechen gegen die Verwendung von Tabellen mit Kopfzeile in der
heutigen ABAP-Entwicklung?
- source_sentence: Systemkontext Das SAP BTP, ABAP Environment ist eine rein technische
Plattform (ohne installierte Anwendungssoftware) und in einen bestimmten Systemkon-
text eingebettet, innerhalb dessen Sie Anwendungen entwickeln und be- treiben
können (siehe Abbildung 12.1). ABAP Development Tools SAP Fiori Tools Git- Repository
abapGit heißt im unternehmenseigenen Netzwerk) installiert und baut ausgehend
von diesem lokalen Netzwerk eine sichere Verbindung zur SAP BTP auf. SAP-Fiori-Apps
Zur Bereitstellung Ihrer RAP-Anwendungen besitzt das ABAP Environment ein eigenes
SAP Fiori Launchpad, das als Eintrittspunkt für verschiedene SAP-Fiori-Apps dienen
kann und das Sie über einen Webbrowser erreichen (siehe Abschnitt 12.3, »SAP-Fiori-Apps
bereitstellen und Berechtigungen vergeben«). Ihre eigenen
sentences:
- Wie kann man die Vorschau in der Inbox des Benutzers programmieren, sodass sie
leistungsfähig und schnell ist und unerträgliche Wartezeiten bei der Arbeit mit
dem SAP Business Workplace verhindert?
- Was passiert beim Debuggen, wenn Checkpoints durch einen Doppelklick auf die Anweisung
und Bestätigen angelegt werden?
- Welche Tools werden im ABAP Environment für die Entwicklung von SAP Fiori-Anwendungen
sowie für das Deployment und die Bereitstellung dieser Anwendungen verwendet,
wobei auch die Verwendung der technischen Infrastrukturkomponenten berücksichtigt
werden muss?
- source_sentence: "sind das MVC-Modell und der Datenteil des (OData-) Services verpflichtend.\
\ Die Annotationen und UI-Anpassungen (dazu im Folgenden mehr) dienen der effizienteren\
\ Entwicklung und Erweiterbar- keit. UI Model View Controller Annotationen UI-Anpassungsmodus\
\ adaptieren/ erweitern nen, ist beschränkt. Abschnitt 3.2.4, »Anwendungen«, listet\
\ die Möglich- keiten auf, die zum Zeitpunkt der Drucklegung dieses Buches bestehen.\
\ In diesem Abschnitt beschreiben wir auch, wie Sie diese Änderungen als Anwendungsexperte\
\ an den betriebenen Oberflächen durchführen. Die SAP Web IDE auf der SAP Cloud\
\ Platform bietet eine alternative Möglich- keit, um solche Anpassungen als Entwickler\
\ zu erstellen. \x02 Annotationen Annotationen können im OData-Service über Erweiterungstechniken\
\ der jeweiligen"
sentences:
- Wie kann SAP Screen Personas bei der Implementierung eines ABAP-Skriptes, das
unter einer Sekunde laufen muss, unterstützen?
- Wie müssen die Verarbeitungszeitpunkte im PBO-Block, wenn eine interne Tabelle
mit doppelten Einträgen verwendet wird und die Datenbanktabelle komplett gelesen
werden soll?
- Wie kann ich den Pretty-Printer über (F1) nutzen?
- source_sentence: zu dem passt, was das Frame- work erwartet. Sie müssen gewissermaßen
sicherstellen, dass sie auch die gleiche Sprache sprechen, wenn der ersehnte Anruf
aus Hollywood kommt. Wichtige Frameworks im SAP-Standard Was macht einen guten
und erfahrenen ABAP-Programmierer aus? Darüber kann man viele interessante Diskussionen
führen. Eine der wesentlichen Komponenten dürfte die Kenntnis der im ABAP-Server
nutzbaren Frameworks sein. Die im Folgenden vorgestellten Frameworks sind in erster
Linie für Sie Web Dynpro ABAP Nachfolger der klassischen Dynpros Web Dynpro ABAP
ist eine der wichtigsten Neuerungen der letzten zehn Jahre in der SAP-Welt. Es
handelt sich dabei um eine Oberflä- chentechnologie, also
sentences:
- Was passiert, wenn man versucht, einen Datensatz in einer Datenbanktabelle zu
modifizieren, aber kein Satz mit demselben Primärschlüssel existiert, und wie
kann man den Returncode identifizieren?
- Wie kann man die Rollenzuordnung zu seinem Benutzer in der Benutzerpflege (SU01)
anzeigen lassen?
- Was sind die Vorteile von Web Dynpro ABAP?
- source_sentence: angegebenen anderen Objektins- tanz als Rücksprungziel definieren.
Selbstverständlich sind auch Auf- rufe statischer Methoden möglich. Exceptions
auswerten Returncode auswerten Nach Absetzen des Funktionsbausteinaufrufs erhalten
Sie sofort die ll b d bl f k d d lung. Für jede Servergruppe werden bestimmte
Schwellwerte gepflegt, die bestimmen, in welchem Umfang die Mitglieder der Gruppe
Ressour- cen für asynchrone RFCs zur Verfügung stellen. Setzt ein Programm einen
asynchronen RFC-Funktionsbausteinaufruf gegen eine Servergruppe ab (DESTINATION
IN GROUP), so prüft das System automatisch die Auslastung und ermittelt die Instanz,
die die Anforderung bearbeiten wird. Neben den explizit in der Transaktion RZ12
definierten Servergruppen gibt es
sentences:
- Was passiert, wenn ein Programm einen asynchronen RFC-Funktionsbausteinaufruf
gegen eine Servergruppe absetzt und die Systeminstanzen bereits auslastet?
- Welche Aufgaben kann man im Business Workplace des SAP-Systems erledigen?
- Wie kann man das Visitor Pattern in ABAP umsetzen, indem man definiert, wie ein
abstraktes Element von einem Besucher besucht werden soll?
pipeline_tag: sentence-similarity
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
model-index:
- name: mixedbread-ai/mxbai-embed-large-v1
results:
- task:
type: information-retrieval
name: Information Retrieval
dataset:
name: dim 768
type: dim_768
metrics:
- type: cosine_accuracy@1
value: 0.08963093145869948
name: Cosine Accuracy@1
- type: cosine_accuracy@3
value: 0.20210896309314588
name: Cosine Accuracy@3
- type: cosine_accuracy@5
value: 0.2601054481546573
name: Cosine Accuracy@5
- type: cosine_accuracy@10
value: 0.4182776801405975
name: Cosine Accuracy@10
- type: cosine_precision@1
value: 0.08963093145869948
name: Cosine Precision@1
- type: cosine_precision@3
value: 0.06736965436438194
name: Cosine Precision@3
- type: cosine_precision@5
value: 0.05202108963093146
name: Cosine Precision@5
- type: cosine_precision@10
value: 0.041827768014059755
name: Cosine Precision@10
- type: cosine_recall@1
value: 0.08963093145869948
name: Cosine Recall@1
- type: cosine_recall@3
value: 0.20210896309314588
name: Cosine Recall@3
- type: cosine_recall@5
value: 0.2601054481546573
name: Cosine Recall@5
- type: cosine_recall@10
value: 0.4182776801405975
name: Cosine Recall@10
- type: cosine_ndcg@10
value: 0.2286145159685347
name: Cosine Ndcg@10
- type: cosine_mrr@10
value: 0.17133442129048454
name: Cosine Mrr@10
- type: cosine_map@100
value: 0.18651234259488886
name: Cosine Map@100
- task:
type: information-retrieval
name: Information Retrieval
dataset:
name: dim 512
type: dim_512
metrics:
- type: cosine_accuracy@1
value: 0.09490333919156414
name: Cosine Accuracy@1
- type: cosine_accuracy@3
value: 0.20035149384885764
name: Cosine Accuracy@3
- type: cosine_accuracy@5
value: 0.2618629173989455
name: Cosine Accuracy@5
- type: cosine_accuracy@10
value: 0.4147627416520211
name: Cosine Accuracy@10
- type: cosine_precision@1
value: 0.09490333919156414
name: Cosine Precision@1
- type: cosine_precision@3
value: 0.06678383128295255
name: Cosine Precision@3
- type: cosine_precision@5
value: 0.0523725834797891
name: Cosine Precision@5
- type: cosine_precision@10
value: 0.0414762741652021
name: Cosine Precision@10
- type: cosine_recall@1
value: 0.09490333919156414
name: Cosine Recall@1
- type: cosine_recall@3
value: 0.20035149384885764
name: Cosine Recall@3
- type: cosine_recall@5
value: 0.2618629173989455
name: Cosine Recall@5
- type: cosine_recall@10
value: 0.4147627416520211
name: Cosine Recall@10
- type: cosine_ndcg@10
value: 0.23048397423019637
name: Cosine Ndcg@10
- type: cosine_mrr@10
value: 0.1748068178648144
name: Cosine Mrr@10
- type: cosine_map@100
value: 0.19003346049167824
name: Cosine Map@100
- task:
type: information-retrieval
name: Information Retrieval
dataset:
name: dim 256
type: dim_256
metrics:
- type: cosine_accuracy@1
value: 0.09314586994727592
name: Cosine Accuracy@1
- type: cosine_accuracy@3
value: 0.20035149384885764
name: Cosine Accuracy@3
- type: cosine_accuracy@5
value: 0.2548330404217926
name: Cosine Accuracy@5
- type: cosine_accuracy@10
value: 0.39718804920913886
name: Cosine Accuracy@10
- type: cosine_precision@1
value: 0.09314586994727592
name: Cosine Precision@1
- type: cosine_precision@3
value: 0.06678383128295255
name: Cosine Precision@3
- type: cosine_precision@5
value: 0.050966608084358524
name: Cosine Precision@5
- type: cosine_precision@10
value: 0.03971880492091388
name: Cosine Precision@10
- type: cosine_recall@1
value: 0.09314586994727592
name: Cosine Recall@1
- type: cosine_recall@3
value: 0.20035149384885764
name: Cosine Recall@3
- type: cosine_recall@5
value: 0.2548330404217926
name: Cosine Recall@5
- type: cosine_recall@10
value: 0.39718804920913886
name: Cosine Recall@10
- type: cosine_ndcg@10
value: 0.22531472414554513
name: Cosine Ndcg@10
- type: cosine_mrr@10
value: 0.1728798783719698
name: Cosine Mrr@10
- type: cosine_map@100
value: 0.18866030878645856
name: Cosine Map@100
- task:
type: information-retrieval
name: Information Retrieval
dataset:
name: dim 128
type: dim_128
metrics:
- type: cosine_accuracy@1
value: 0.0773286467486819
name: Cosine Accuracy@1
- type: cosine_accuracy@3
value: 0.18453427065026362
name: Cosine Accuracy@3
- type: cosine_accuracy@5
value: 0.26537785588752194
name: Cosine Accuracy@5
- type: cosine_accuracy@10
value: 0.39718804920913886
name: Cosine Accuracy@10
- type: cosine_precision@1
value: 0.0773286467486819
name: Cosine Precision@1
- type: cosine_precision@3
value: 0.061511423550087874
name: Cosine Precision@3
- type: cosine_precision@5
value: 0.053075571177504395
name: Cosine Precision@5
- type: cosine_precision@10
value: 0.03971880492091388
name: Cosine Precision@10
- type: cosine_recall@1
value: 0.0773286467486819
name: Cosine Recall@1
- type: cosine_recall@3
value: 0.18453427065026362
name: Cosine Recall@3
- type: cosine_recall@5
value: 0.26537785588752194
name: Cosine Recall@5
- type: cosine_recall@10
value: 0.39718804920913886
name: Cosine Recall@10
- type: cosine_ndcg@10
value: 0.21527271607083312
name: Cosine Ndcg@10
- type: cosine_mrr@10
value: 0.1597720869249868
name: Cosine Mrr@10
- type: cosine_map@100
value: 0.17541010404455568
name: Cosine Map@100
- task:
type: information-retrieval
name: Information Retrieval
dataset:
name: dim 64
type: dim_64
metrics:
- type: cosine_accuracy@1
value: 0.06678383128295255
name: Cosine Accuracy@1
- type: cosine_accuracy@3
value: 0.1687170474516696
name: Cosine Accuracy@3
- type: cosine_accuracy@5
value: 0.2530755711775044
name: Cosine Accuracy@5
- type: cosine_accuracy@10
value: 0.38137082601054484
name: Cosine Accuracy@10
- type: cosine_precision@1
value: 0.06678383128295255
name: Cosine Precision@1
- type: cosine_precision@3
value: 0.056239015817223195
name: Cosine Precision@3
- type: cosine_precision@5
value: 0.050615114235500885
name: Cosine Precision@5
- type: cosine_precision@10
value: 0.03813708260105448
name: Cosine Precision@10
- type: cosine_recall@1
value: 0.06678383128295255
name: Cosine Recall@1
- type: cosine_recall@3
value: 0.1687170474516696
name: Cosine Recall@3
- type: cosine_recall@5
value: 0.2530755711775044
name: Cosine Recall@5
- type: cosine_recall@10
value: 0.38137082601054484
name: Cosine Recall@10
- type: cosine_ndcg@10
value: 0.1993984243853605
name: Cosine Ndcg@10
- type: cosine_mrr@10
value: 0.14423661673222307
name: Cosine Mrr@10
- type: cosine_map@100
value: 0.1585449114563028
name: Cosine Map@100
---
# mixedbread-ai/mxbai-embed-large-v1
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [mixedbread-ai/mxbai-embed-large-v1](https://huggingface.co./mixedbread-ai/mxbai-embed-large-v1) 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:** [mixedbread-ai/mxbai-embed-large-v1](https://huggingface.co./mixedbread-ai/mxbai-embed-large-v1) <!-- at revision e7857440379da569f68f19e8403b69cd7be26e50 -->
- **Maximum Sequence Length:** 512 tokens
- **Output Dimensionality:** 1024 dimensions
- **Similarity Function:** Cosine Similarity
- **Training Dataset:**
- json
- **Language:** en
- **License:** apache-2.0
### 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': 512, 'do_lower_case': False}) with Transformer model: BertModel
(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})
)
```
## 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("kenoc/mxbai-abat-matryoshka")
# Run inference
sentences = [
'angegebenen anderen Objektins- tanz als Rücksprungziel definieren. Selbstverständlich sind auch Auf- rufe statischer Methoden möglich. Exceptions auswerten Returncode auswerten Nach Absetzen des Funktionsbausteinaufrufs erhalten Sie sofort die ll b d bl f k d d lung. Für jede Servergruppe werden bestimmte Schwellwerte gepflegt, die bestimmen, in welchem Umfang die Mitglieder der Gruppe Ressour- cen für asynchrone RFCs zur Verfügung stellen. Setzt ein Programm einen asynchronen RFC-Funktionsbausteinaufruf gegen eine Servergruppe ab (DESTINATION IN GROUP), so prüft das System automatisch die Auslastung und ermittelt die Instanz, die die Anforderung bearbeiten wird. Neben den explizit in der Transaktion RZ12 definierten Servergruppen gibt es',
'Was passiert, wenn ein Programm einen asynchronen RFC-Funktionsbausteinaufruf gegen eine Servergruppe absetzt und die Systeminstanzen bereits auslastet?',
'Welche Aufgaben kann man im Business Workplace des SAP-Systems erledigen?',
]
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
* Datasets: `dim_768`, `dim_512`, `dim_256`, `dim_128` and `dim_64`
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
| Metric | dim_768 | dim_512 | dim_256 | dim_128 | dim_64 |
|:--------------------|:-----------|:-----------|:-----------|:-----------|:-----------|
| cosine_accuracy@1 | 0.0896 | 0.0949 | 0.0931 | 0.0773 | 0.0668 |
| cosine_accuracy@3 | 0.2021 | 0.2004 | 0.2004 | 0.1845 | 0.1687 |
| cosine_accuracy@5 | 0.2601 | 0.2619 | 0.2548 | 0.2654 | 0.2531 |
| cosine_accuracy@10 | 0.4183 | 0.4148 | 0.3972 | 0.3972 | 0.3814 |
| cosine_precision@1 | 0.0896 | 0.0949 | 0.0931 | 0.0773 | 0.0668 |
| cosine_precision@3 | 0.0674 | 0.0668 | 0.0668 | 0.0615 | 0.0562 |
| cosine_precision@5 | 0.052 | 0.0524 | 0.051 | 0.0531 | 0.0506 |
| cosine_precision@10 | 0.0418 | 0.0415 | 0.0397 | 0.0397 | 0.0381 |
| cosine_recall@1 | 0.0896 | 0.0949 | 0.0931 | 0.0773 | 0.0668 |
| cosine_recall@3 | 0.2021 | 0.2004 | 0.2004 | 0.1845 | 0.1687 |
| cosine_recall@5 | 0.2601 | 0.2619 | 0.2548 | 0.2654 | 0.2531 |
| cosine_recall@10 | 0.4183 | 0.4148 | 0.3972 | 0.3972 | 0.3814 |
| **cosine_ndcg@10** | **0.2286** | **0.2305** | **0.2253** | **0.2153** | **0.1994** |
| cosine_mrr@10 | 0.1713 | 0.1748 | 0.1729 | 0.1598 | 0.1442 |
| cosine_map@100 | 0.1865 | 0.19 | 0.1887 | 0.1754 | 0.1585 |
<!--
## 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: 5,115 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: 11 tokens</li><li>mean: 252.94 tokens</li><li>max: 479 tokens</li></ul> | <ul><li>min: 8 tokens</li><li>mean: 45.33 tokens</li><li>max: 129 tokens</li></ul> |
* Samples:
| positive | anchor |
|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|
| <code>Standardtabelle ITAB01 wird deklariert; die initiale Spei- cherplatzbelegung wird dem System überlassen. Die interne Tabelle hat zwei Felder, die hinsichtlich ihrer Deklarationen auf das Dictionary verweisen. Zeile 23 bis 26 Die interne Tabelle ITAB02 wird deklariert. Sie soll die Struktur der Zei- g Zeile der Datenbanktabelle. Zeile 52 bis 55 Die Datenbanktabelle wird satzweise in ihre Workarea gelesen. Von dort aus werden namensgleiche Felder in die Kopfzeile der internen Tabelle übertragen. Nach dem Übertragen wird der Inhalt der Kopf- zeile als neue Zeile an den Tabellenrumpf angehängt. Der Inhalt der Kopfzeile bleibt dabei erhalten und wird in diesem Fall durch</code> | <code>Was passiert, wenn eine interne Tabelle ohne Kopfzeile deklariert ist?</code> |
| <code>lässt sich leicht ablesen, dass ein Konstruktor mit mehreren optionalen Parametern und einer Dokumenta- tion nötig wäre, um diese Methoden zu ersetzen. Umgebungsunabhängige Wiederholbarkeit Mit dem eigenständigen Aufbau der testrelevanten Daten stellt die Testklasse sicher, dass ihre Testmethoden in jeder Umgebung wiederholbar sind (Repeatable- Prinzip). Tests sind für das Refactoring notwendig, um Regression zu vermei- den. Allerdings müssen Tests auch häufig angepasst werden, wenn sich das Produktdesign durch Refactoring ändert. Wie kann der Auf- wand dafür minimiert werden? Welche Rolle spielen dabei Abhängig- keiten des Testcodes vom Produktcode? Abhängigkeiten können sowohl bei der Erzeugung als auch bei der Verwendung eines</code> | <code>Was ist das Ziel von Refactoring?</code> |
| <code>es ermöglicht, Aufgaben innerhalb eines Netzwerks auf Clients und Server zu verteilen. Der Server bietet Dienste an, die die Clients (Anwender-PCs) nutzen. SAP R/3 und später SAP ERP liegt ein drei stufiges Konzept zugrunde: Datenbank, Server und Client Compliance Verfahren zur Einhaltung von Gesetzen und Richtlinien, zum Beispiel des Sarbanes-Oxley Acts oder von Arbeits schutzgesetzen. Mitarbeiter und die externen Dienstleister, die über das »Arbeitszeitblatt« unter ande rem eine Zeiterfassung erlaubt. Customer Relationship Management SAP Customer Relationship Management Customer Service Kundenservice. Die Komponente CS in SAP ERP unterstützt die Abläufe in der Serviceabwicklung, zum Bei spiel die Bearbeitung von</code> | <code>Welche Funktionen bietet SAP CRM?</code> |
* Loss: [<code>MatryoshkaLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#matryoshkaloss) with these parameters:
```json
{
"loss": "MultipleNegativesRankingLoss",
"matryoshka_dims": [
768,
512,
256,
128,
64
],
"matryoshka_weights": [
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`: 8
- `learning_rate`: 2e-05
- `num_train_epochs`: 4
- `lr_scheduler_type`: cosine
- `warmup_ratio`: 0.1
- `bf16`: True
- `load_best_model_at_end`: True
- `optim`: adamw_torch_fused
- `gradient_checkpointing`: True
- `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`: 8
- `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`: 4
- `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`: True
- `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`: 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`: None
- `hub_always_push`: False
- `gradient_checkpointing`: True
- `gradient_checkpointing_kwargs`: None
- `include_inputs_for_metrics`: False
- `include_for_metrics`: []
- `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
- `use_liger_kernel`: False
- `eval_use_gather_object`: False
- `average_tokens_across_devices`: False
- `prompts`: None
- `batch_sampler`: no_duplicates
- `multi_dataset_batch_sampler`: proportional
</details>
### Training Logs
| Epoch | Step | Training Loss | dim_768_cosine_ndcg@10 | dim_512_cosine_ndcg@10 | dim_256_cosine_ndcg@10 | dim_128_cosine_ndcg@10 | dim_64_cosine_ndcg@10 |
|:-------:|:-------:|:-------------:|:----------------------:|:----------------------:|:----------------------:|:----------------------:|:---------------------:|
| 1.0 | 40 | - | 0.2192 | 0.2209 | 0.2122 | 0.1938 | 0.1583 |
| 1.25 | 50 | 5.5269 | - | - | - | - | - |
| 2.0 | 80 | - | 0.2215 | 0.2231 | 0.2179 | 0.2097 | 0.1887 |
| 2.5 | 100 | 2.4018 | - | - | - | - | - |
| **3.0** | **120** | **-** | **0.229** | **0.2266** | **0.2171** | **0.2188** | **0.1926** |
| 3.75 | 150 | 1.4161 | - | - | - | - | - |
| 4.0 | 160 | - | 0.2286 | 0.2305 | 0.2253 | 0.2153 | 0.1994 |
* The bold row denotes the saved checkpoint.
### Framework Versions
- Python: 3.12.8
- Sentence Transformers: 3.3.1
- Transformers: 4.47.1
- PyTorch: 2.5.1+cu124
- Accelerate: 1.2.1
- Datasets: 2.19.2
- Tokenizers: 0.21.0
## 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.*
--> |