comet24082002/ft_bge_newLaw_OnlineContrastiveLoss_V2_5epochs

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 <!-- at revision babcf60cae0a1f438d7ade582983d4ba462303c2 -->
• —Maximum Sequence Length: 512 tokens
• —Output Dimensionality: 1024 tokens
• —Similarity Function: Cosine Similarity <!-- - Training Dataset: Unknown --> <!-- - Language: Unknown --> <!-- - License: Unknown -->

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_OnlineContrastiveLoss_V2_5epochs")
# Run inference
sentences = [
    'Giấy phép học viên bay của nhân viên hàng không có thời hạn hiệu lực không?',
    'Gia hạn thời gian làm việc đối với chuyên gia giáo dục\n1. Chuyên gia giáo dục khi hết thời hạn làm việc theo quyết định cử đi làm việc ở nước ngoài, nếu hoàn thành tốt nhiệm vụ quy định tại Điều 7 Quy chế này và có nguyện vọng tiếp tục làm việc ở nước ngoài, được cơ quan chủ quản (nếu có) và cơ quan sử dụng chuyên gia của nước ngoài đồng ý bằng văn bản thì được xem xét gia hạn thời gian làm việc.\nSau 60 ngày làm việc kể từ ngày hết thời hạn làm việc ghi trong Quyết định cử đi làm việc, nếu chuyên gia giáo dục không đề nghị gia hạn thời gian làm việc thì không được xem xét gia hạn thời gian làm việc.\n...',
    'Đối tượng áp dụng\nNghị định này áp dụng đối với:\n1. Tác giả, đồng tác giả (sau đây gọi là tác giả) là công dân Việt Nam, người nước ngoài có tác phẩm, cụm tác phẩm, công trình, cụm công trình (sau đây gọi là tác phẩm, công trình) văn học, nghệ thuật đáp ứng các điều kiện, tiêu chuẩn quy định tại các Điều 8, 9 và 10 của Nghị định này, thuộc các chuyên ngành sau đây được đề nghị xét tặng “Giải thưởng Hồ Chí Minh" “Giải thưởng Nhà nước”:\na) Âm nhạc: Tác phẩm thuộc các thể loại âm nhạc; công trình nghiên cứu, lý luận, phê bình về âm nhạc;\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]

<!--

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. -->

<!--

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

Unnamed Dataset

• —Size: 21,048 training samples
• —Columns: <code>sentence1</code>, <code>sentence2</code>, and <code>label</code>
• —Approximate statistics based on the first 1000 samples: | | sentence1 | sentence2 | label | |:--------|:----------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------|:------------------------------------------------| | type | string | string | int | | details | <ul><li>min: 8 tokens</li><li>mean: 24.18 tokens</li><li>max: 45 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 278.29 tokens</li><li>max: 512 tokens</li></ul> | <ul><li>0: ~50.00%</li><li>1: ~50.00%</li></ul> |
• —Samples: | sentence1 | sentence2 | label | |:-----------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------| | <code>Người đóng bảo hiểm xã hội trên 15 năm thì có được hưởng trợ cấp mai táng nhiều hơn người đóng bảo hiểm xã hội dưới 15 năm không?</code> | <code>"Điều 66. Trợ cấp mai táng<br>1. Những người sau đây khi chết thì người lo mai táng được nhận một lần trợ cấp mai táng:<br>a) Người lao động quy định tại khoản 1 Điều 2 của Luật này đang đóng bảo hiểm xã hội hoặc người lao động đang bảo lưu thời gian đóng bảo hiểm xã hội mà đã có thời gian đóng từ đủ 12 tháng trở lên;<br>b) Người lao động chết do tai nạn lao động, bệnh nghề nghiệp hoặc chết trong thời gian điều trị do tai nạn lao động, bệnh nghề nghiệp;<br>c) Người đang hưởng lương hưu; hưởng trợ cấp tai nạn lao động, bệnh nghề nghiệp hằng tháng đã nghỉ việc.<br>2. Trợ cấp mai táng bằng 10 lần mức lương cơ sở tại tháng mà người quy định tại khoản 1 Điều này chết.<br>3. Người quy định tại khoản 1 Điều này bị Tòa án tuyên bố là đã chết thì thân nhân được hưởng trợ cấp mai táng quy định tại khoản 2 Điều này.<br>Điều 67. Các trường hợp hưởng trợ cấp tuất hằng tháng<br>1. Những người quy định tại khoản 1 và khoản 3 Điều 66 của Luật này thuộc một trong các trường hợp sau đây khi chết thì thân nhân được hưởng tiền tuất hằng tháng:<br>a) Đã đóng bảo hiểm xã hội đủ 15 năm trở lên nhưng chưa hưởng bảo hiểm xã hội một lần;<br>b) Đang hưởng lương hưu;<br>c) Chết do tai nạn lao động, bệnh nghề nghiệp;<br>d) Đang hưởng trợ cấp tai nạn lao động, bệnh nghề nghiệp hằng tháng với mức suy giảm khả năng lao động từ 61 % trở lên.<br>..."</code> | <code>1</code> | | <code>Người đóng bảo hiểm xã hội trên 15 năm thì có được hưởng trợ cấp mai táng nhiều hơn người đóng bảo hiểm xã hội dưới 15 năm không?</code> | <code>Chính sách đối với người lao động dôi dư được tuyển dụng lần cuối cùng trước ngày 21 tháng 4 năm 1998 hoặc trước ngày 26 tháng 4 năm 2002<br>Người lao động dôi dư quy định tại điểm a và b khoản 1 Điều 2 Nghị định này được hưởng chính sách như sau:<br>1. Người lao động dôi dư có tuổi thấp hơn từ đủ 01 tuổi đến đủ 05 tuổi so với tuổi nghỉ hưu quy định tại khoản 2 Điều 169 Bộ luật Lao động và Điều 4 Nghị định số 135/2020/NĐ-CP ngày 18 tháng 11 năm 2020 của Chính phủ quy định về tuổi nghỉ hưu (sau đây gọi là Nghị định số 135/2020/NĐ-CP), có đủ 20 năm đóng bảo hiểm xã hội bắt buộc trở lên thì được hưởng lương hưu và được hưởng thêm các chế độ sau:<br>a) Không bị trừ tỷ lệ lương hưu do nghỉ hưu trước tuổi;<br>...<br>2. Người lao động dôi dư có tuổi thấp hơn dưới 01 tuổi so với tuổi nghi hưu quy định tại khoản 2 Điều 169 Bộ luật Lao động và Điều 4 Nghị định số 135/2020/NĐ-CP, có đủ 20 năm đóng bảo hiểm xã hội bắt buộc trở lên thì được hưởng lương hưu và được hưởng thêm các chế độ sau:<br>a) Không bị trừ tỷ lệ hưởng lương hưu do nghỉ hưu trước tuổi;<br>....</code> | <code>0</code> | | <code>Sĩ quan Công an được tặng thưởng Huân chương Chiến công hạng Nhì khi đáp ứng tiêu chuẩn gì?</code> | <code>"Điều 28. “Huân chương Chiến công” hạng nhất<br>1. “Huân chương Chiến công” hạng nhất để tặng hoặc truy tặng cho cá nhân đạt một trong các tiêu chuẩn sau:<br>a) Lập được chiến công đặc biệt xuất sắc trong chiến đấu, phục vụ chiến đấu, thành tích đạt được có phạm vi ảnh hưởng và nêu gương trong toàn quốc được bộ, ban, ngành, tỉnh, đoàn thể trung ương công nhận;<br>b) Mưu trí, sáng tạo, đạt hiệu quả cao trong chiến đấu và phục vụ chiến đấu bảo vệ chủ quyền, an ninh quốc gia hoặc không sợ hy sinh tính mạng, kiên quyết đấu tranh với tội phạm, góp phần giữ vững an ninh chính trị, trật tự, an toàn xã hội; hoàn thành xuất sắc nhiệm vụ được giao; thành tích đạt được có phạm vi ảnh hưởng và nêu gương trong toàn quốc được bộ, ban, ngành, tỉnh, đssoàn thể trung ương công nhận.<br>[...]"<br>"Điều 29. “Huân chương Chiến công” hạng nhì<br>1. “Huân chương Chiến công” hạng nhì để tặng hoặc truy tặng cho cá nhân đạt một trong các tiêu chuẩn sau:<br>a) Lập được chiến công xuất sắc trong chiến đấu, phục vụ chiến đấu, thành tích đạt được có tác dụng động viên, giáo dục, nêu gương trong toàn quân, toàn lực lượng Công an nhân dân hoặc trong bộ, ban, ngành, tỉnh, đoàn thể trung ương được bộ, ban, ngành, tỉnh, đoàn thể trung ương công nhận;<br>b) Chủ động, mưu trí, dũng cảm, đạt hiệu quả cao trong chiến đấu và phục vụ chiến đấu bảo vệ chủ quyền, an ninh quốc gia hoặc đấu tranh với tội phạm, góp phần giữ vững an ninh chính trị, trật tự, an toàn xã hội, thành tích đạt được có tác dụng động viên, giáo dục, nêu gương trong toàn quân, toàn lực lượng Công an nhân dân hoặc trong bộ, ban, ngành, tỉnh, đoàn thể trung ương được bộ, ban, ngành, tỉnh, đoàn thể trung ương công nhận.<br>[...]"<br>"Điều 30. “Huân chương Chiến công” hạng ba<br>1. “Huân chương Chiến công” hạng ba để tặng hoặc truy tặng cho cá nhân đạt một trong các tiêu chuẩn sau:<br>a) Dũng cảm, mưu trí, sáng tạo, hoàn thành xuất sắc nhiệm vụ trong chiến đấu, phục vụ chiến đấu, thành tích đạt được có tác dụng động viên, giáo dục, nêu gương trong toàn quân khu, quân đoàn, quân chủng, binh chủng, tổng cục và tương đương hoặc tỉnh, thành phố trực thuộc trung ương được bộ, ban, ngành, tỉnh, đoàn thể trung ương công nhận;<br>b) Mưu trí, dũng cảm, đạt hiệu quả cao trong chiến đấu và phục vụ chiến đấu bảo vệ chủ quyền, an ninh quốc gia hoặc đấu tranh với tội phạm, góp phần giữ vững an ninh chính trị, trật tự, an toàn xã hội, thành tích đạt được có tác dụng động viên, giáo dục, nêu gương trong toàn quân khu, quân đoàn, quân chủng, binh chủng, tổng cục và tương đương hoặc tỉnh, thành phố trực thuộc trung ương được bộ, ban, ngành, tỉnh, đoàn thể trung ương công nhận.<br>[...]"</code> | <code>1</code> |
• —Loss: <code>OnlineContrastiveLoss</code>

Training Hyperparameters

Non-Default Hyperparameters

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

All Hyperparameters

<details><summary>Click to expand</summary>

• —overwrite_output_dir: False
• —do_predict: False
• —prediction_loss_only: True
• —per_device_train_batch_size: 4
• —per_device_eval_batch_size: 8
• —per_gpu_train_batch_size: None
• —per_gpu_eval_batch_size: None
• —gradient_accumulation_steps: 1
• —eval_accumulation_steps: None
• —learning_rate: 2e-05
• —weight_decay: 0.0
• —adam_beta1: 0.9
• —adam_beta2: 0.999
• —adam_epsilon: 1e-08
• —max_grad_norm: 1.0
• —num_train_epochs: 5
• —max_steps: -1
• —lr_scheduler_type: linear
• —lr_scheduler_kwargs: {}
• —warmup_ratio: 0.1
• —warmup_steps: 0
• —log_level: passive
• —log_level_replica: warning
• —log_on_each_node: True
• —logging_nan_inf_filter: True
• —save_safetensors: True
• —save_on_each_node: False
• —save_only_model: False
• —no_cuda: False
• —use_cpu: False
• —use_mps_device: False
• —seed: 42
• —data_seed: None
• —jit_mode_eval: False
• —use_ipex: False
• —bf16: False
• —fp16: False
• —fp16_opt_level: O1
• —half_precision_backend: auto
• —bf16_full_eval: False
• —fp16_full_eval: False
• —tf32: None
• —local_rank: 0
• —ddp_backend: None
• —tpu_num_cores: None
• —tpu_metrics_debug: False
• —debug: []
• —dataloader_drop_last: False
• —dataloader_num_workers: 0
• —dataloader_prefetch_factor: None
• —past_index: -1
• —disable_tqdm: False
• —remove_unused_columns: True
• —label_names: None
• —load_best_model_at_end: False
• —ignore_data_skip: False
• —fsdp: []
• —fsdp_min_num_params: 0
• —fsdp_config: {'minnumparams': 0, 'xla': False, 'xlafsdpv2': False, 'xlafsdpgrad_ckpt': False}
• —fsdp_transformer_layer_cls_to_wrap: None
• —accelerator_config: {'splitbatches': False, 'dispatchbatches': None, 'evenbatches': True, 'useseedable_sampler': True}
• —deepspeed: None
• —label_smoothing_factor: 0.0
• —optim: adamw_torch
• —optim_args: None
• —adafactor: False
• —group_by_length: False
• —length_column_name: length
• —ddp_find_unused_parameters: None
• —ddp_bucket_cap_mb: None
• —ddp_broadcast_buffers: False
• —dataloader_pin_memory: True
• —dataloader_persistent_workers: False
• —skip_memory_metrics: True
• —use_legacy_prediction_loop: False
• —push_to_hub: False
• —resume_from_checkpoint: None
• —hub_model_id: None
• —hub_strategy: every_save
• —hub_private_repo: False
• —hub_always_push: False
• —gradient_checkpointing: False
• —gradient_checkpointing_kwargs: None
• —include_inputs_for_metrics: False
• —fp16_backend: auto
• —push_to_hub_model_id: None
• —push_to_hub_organization: None
• —mp_parameters:
• —auto_find_batch_size: False
• —full_determinism: False
• —torchdynamo: None
• —ray_scope: last
• —ddp_timeout: 1800
• —torch_compile: False
• —torch_compile_backend: None
• —torch_compile_mode: None
• —dispatch_batches: None
• —split_batches: None
• —include_tokens_per_second: False
• —include_num_input_tokens_seen: False
• —neftune_noise_alpha: None
• —optim_target_modules: None
• —batch_sampler: batch_sampler
• —multi_dataset_batch_sampler: proportional

</details>

Training Logs

<details><summary>Click to expand</summary>

</details>

Framework Versions

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

Citation

BibTeX

Sentence Transformers

@inproceedings{reimers-2019-sentence-bert,
    title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",
    author = "Reimers, Nils and Gurevych, Iryna",
    booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing",
    month = "11",
    year = "2019",
    publisher = "Association for Computational Linguistics",
    url = "https://arxiv.org/abs/1908.10084",
}

<!--

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. -->