fabricioalmeida/BumbaLM-Embedding-Qwen-4b-v0-200k
SentenceTransformer based on Qwen/Qwen3-Embedding-4B
This is a sentence-transformers model finetuned from Qwen/Qwen3-Embedding-4B. It maps sentences & paragraphs to a 2560-dimensional dense vector space and can be used for retrieval.
Model Details
Model Description
- Model Type: Sentence Transformer
- Base model: Qwen/Qwen3-Embedding-4B <!-- at revision 5cf2132abc99cad020ac570b19d031efec650f2b -->
- Maximum Sequence Length: 768 tokens
- Output Dimensionality: 2560 dimensions
- Similarity Function: Cosine Similarity
- Supported Modalities: Text, Message <!-- - 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({'transformer_task': 'feature-extraction', 'modality_config': {'text': {'method': 'forward', 'method_output_name': 'last_hidden_state'}, 'message': {'method': 'forward', 'method_output_name': 'last_hidden_state', 'format': 'flat'}}, 'module_output_name': 'token_embeddings', 'architecture': 'Qwen3Model'})
(1): Pooling({'embedding_dimension': 2560, 'pooling_mode': 'lasttoken', 'include_prompt': True})
(2): Normalize({})
)Usage
Direct Usage (Sentence Transformers)
First install the Sentence Transformers library:
pip install -U sentence-transformersThen you can load this model and run inference.
from sentence_transformers import SentenceTransformer
# Download from the 🤗 Hub
model = SentenceTransformer("sentence_transformers_model_id")
# Run inference
sentences = [
'Instruct: Dado um trecho de um documento juridico brasileiro, recupere o trecho mais relevante semanticamente.\nQuery: SESSÃO VIRTUAL DE JULGAMENTO DO DIA 10 DE OUTUBRO DE 2022 RECURSO INOMINADO No 0000133-65.2017.8.10.0075 ORIGEM: JUIZADO DE BEQUIMÃO RECORRENTE: ANICETO COSTA ADVOGADO: CARLOS EDUARDO SOUSA FERREIRA - OAB MA12926 RECORRIDO: BANCO ITAÚ CONSIGNADO S.A ADVOGADO: JOSÉ ALMIR DA R. MENDES JÚNIOR OAB/MA No 19411 - A RELATOR (A): CARLOS ALBERTO MATOS BRITO ACÓRDÃO No 2241/2022 SÚMULA DE JULGAMENTO: RECURSO INOMINADO EM AÇÃO INEXISTÊNCIA DE NEGOCIO C/C REPETIÇÃO DE INDÉBITO E INDENIZAÇÃO POR DANOS MORAIS E MATERIAIS. EMPRÉSTIMO CONSIGNADO. CONTRATAÇÃO COMPROVADA. DANO MORAL NÃO CONFIGURADO. RECURSO IMPROVIDO. SENTENÇA MANTIDA. 1. Alega a parte autora, ora recorrente, que foram descontados em seu benefício previdenciário valor referente ao empréstimo consignado, o qual não reconhece. 2. Sentença. Julgou improcedentes os pedidos, por entender que o negócio jurídico restou devidamente comprovado. 3. Recurso Inominado. Requer a reforma da sentença para julgar totalmente procedente a pretensão inicial. 4. Não obstante as alegações da recorrente, não emergiu dos autos conjunto probatório suficiente a embasar sua afirmação de que não teria contratado o empréstimo, uma vez que a instituição financeira acostou elementos de prova fidedignos que confirmam a contratação do mútuo por parte da requerente. Imperioso destacar que a autora não juntou extratos da conta bancária de sua titularidade a indicar se, de fato, não houve recebimento do mútuo, conforme entendimento firmado no julgamento do IRDR 053983/2016 do TJMA, acerca de que permanece “com o consumidor/autor, quando alegar que não recebeu o valor do empréstimo, o dever de colaborar com a Justiça (CPC, art. 6o) e fazer a juntada do seu extrato bancário, embora este não deva ser considerado, pelo juiz, como documento essencial para a propositura da ação”. A juntada de extratos bancários não constitui documento indispensável à propositura da ação, porém consubstancia-se em elemento de prova, cujo ônus, em geral, é da parte autora, pelo critério da maior facilidade da obtenção nos termos do art. 373, § 1o do Código de Processo Civil. 6. Não demonstrada a ocorrência de ilegalidade da contratação, incabível a alegação de danos morais. 8. Recurso conhecido e improvido. Sentença mantida por seus próprios fundamentos. 9. Condenação da parte recorrente ao pagamento de custas processuais, não recolhidas em virtude da gratuidade de justiça, e de honorários advocatícios fixados em 20% sobre o valor da causa, com exigibilidade suspensa na forma do artigo 98, § 3o, do Código de Processo Civil (CPC). 10. Súmula de julgamento que serve de acórdão (art. 46, segunda parte, da Lei n. o 9.099/95). ACÓRDÃO DECIDEM os Senhores Juízes da TURMA RECURSAL CÍVEL E CRIMINAL DE PINHEIRO, por quórum mínimo, em conhecer do Recurso e NEGAR-LHE provimento, mantendo-se in totum a sentença guerreada, nos termos do voto sumular. Condenação da parte recorrente ao pagamento de custas processuais, não recolhidas em virtude da gratuidade de justiça, e de honorários advocatícios fixados em 20% sobre o valor da causa, com exigibilidade suspensa na forma do artigo 98, § 3o, do Código de Processo Civil (CPC). Além do Relator, votou o Juiz JOSÉ RIBAMAR DIAS JÚNIOR (Membro Titular). Sala das Sessões da Turma Recursal Cível e Criminal de Pinheiro, aos 10 dias do mês de outubro do ano de 2022. CARLOS ALBERTO MATOS BRITO Juiz Relator Presidente da Turma Recursal (RecInoCiv 0000133-65.2017.8.10.0075, Rel. Magistrado(a) CARLOS ALBERTO MATOS BRITO, TURMA RECURSAL CÍVEL E CRIMINAL DE PINHEIRO, DJe 27/10/2022)',
'ário, embora este não deva ser considerado, pelo juiz, como documento essencial para a propositura da ação”. A juntada de extratos bancários não constitui documento indispensável à propositura da ação, porém consubstancia-se em elemento de prova, cujo ônus, em geral, é da parte autora, pelo critério da maior facilidade da obtenção nos termos do art. 373, § 1o do Código de Processo Civil.\n\n6. Não demonstrada a ocorrência de ilegalidade da contratação, incabível a alegação de danos morais.\n\n8. Recurso conhecido e improvido. Sentença mantida por seus próprios fundamentos.\n\n9. Condenação da parte recorrente ao pagamento de custas processuais, não recolhidas em virtude da gratuidade de justiça, e de honorários advocatícios fixados em 20% sobre o valor da causa, com exigibilidade suspensa na forma do artigo 98, § 3o, do Código de Processo Civil (CPC).\n\n10. Súmula de julgamento que serve de acórdão (art. 46, segunda parte, da Lei n. o 9.099/95).\n\nACÓRDÃO\n\nDECIDEM os Senhores Juízes da TURMA RECURSAL CÍVEL E CRIMINAL DE PINHEIRO, por quórum mínimo, em conhecer do Recurso e NEGAR-LHE provimento, mantendo-se in totum a sentença guerreada, nos termos do voto sumular. Condenação da parte recorrente ao pagamento de custas processuais, não recolhidas em virtude da gratuidade de justiça, e de honorários advocatícios fixados em 20% sobre o valor da causa, com exigibilidade suspensa na forma do artigo 98, § 3o, do Código de Processo Civil (CPC).\n\nAlém do Relator, votou o Juiz JOSÉ RIBAMAR DIAS JÚNIOR (Membro Titular).\n\nSala das Sessões da Turma Recursal Cível e Criminal de Pinheiro, aos 10 dias do mês de outubro do ano de 2022.\n\nCARLOS ALBERTO MATOS BRITO\n\nJuiz Relator Presidente da Turma Recursal\n\nRELATÓRIO\n\nDispensado o relatório nos termos do art. 38 da Lei 9.099/95.\n\nVOTO\n\nVide Súmula de Julgamento',
'o qual não reconhece.\n\n2. Sentença. Julgou improcedentes os pedidos, por entender que o negócio jurídico restou devidamente comprovado.\n\n3. Recurso Inominado. A parte recorrente requer a reforma da sentença para julgar totalmente procedente a pretensão inicial.\n\n4. Não obstante as alegações da parte recorrente, não emergiu dos autos conjunto probatório suficiente a embasar sua afirmação de que não teria contratado o empréstimo, uma vez que a instituição financeira acostou o instrumento contratual, conforme ID 22243718, com dados pessoais da parte autora e comprovante de residência. Ademais, conforme entendimento firmado no julgamento do IRDR 053983/2016 do TJMA, permanece “com o consumidor/autor, quando alegar que não recebeu o valor do empréstimo, o dever de colaborar com a Justiça (CPC, art. 6o) e fazer a juntada do seu extrato bancário, embora este não deva ser considerado, pelo juiz, como documento essencial para a propositura da ação”. A juntada de extratos bancários não constitui documento indispensável à propositura da ação, porém consubstancia-se em elemento de prova, cujo ônus, em geral, é da parte autora, pelo critério da maior facilidade da obtenção nos termos do art. 373, § 1o do Código de Processo Civil.\n\n5. Não demonstrada a ocorrência de ilegalidade da contratação, incabível a alegação de danos morais.\n\n6. Recurso conhecido e improvido. Sentença mantida por seus próprios fundamentos.\n\n7. Condenação da parte recorrente ao pagamento de custas processuais, não recolhidas em virtude da gratuidade de justiça, e de honorários advocatícios fixados em 20% sobre o valor da causa, com exigibilidade suspensa na forma do artigo 98, § 3o, do Código de Processo Civil (CPC).\n\n8. Súmula de julgamento que serve de acórdão (art. 46, segunda parte, da Lei n.o 9.099/95).\n\nACÓRDÃO\n\nDECIDEM os Senhores Juízes da TURMA RECURSAL CÍVEL E CRIMINAL DE PINHEIRO, por quórum mínimo, em conhecer do Recurso e NEGAR-LHE provimento, mantendo-se in totum a sentença guerreada, nos termos do voto sumular. Condenação da parte recorrente ao pagamento de custas processuais, não recolhidas em virtude da gratuidade de justiça, e de honorários advocatícios fixados em 20% sobre o valor da causa, com exigibilidade suspensa na forma do artigo 98, § 3o, do Código de Processo Civil (CPC).\n\nAlém do Relator, votou o Juiz CARLOS ALBERTO MATOS BRITO (Presidente).\n\nSala das Sessões da Turma Recursal Cível e Criminal de Pinheiro, aos 20 dias do mês de março do ano de 2023.\n\nJOSÉ RIBAM',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 2560]
# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities)
# tensor([[1.0000, 0.3555, 0.0635],
# [0.3555, 1.0078, 0.3398],
# [0.0635, 0.3398, 1.0078]], dtype=torch.bfloat16)<!--
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
- Dataset:
tripletos_eval - Evaluated with <code>InformationRetrievalEvaluator</code>
<!--
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: 212,633 training samples
- Columns: <code>anchor</code>, <code>positive</code>, <code>negative0</code>, <code>negative1</code>, <code>negative2</code>, <code>negative3</code>, and <code>negative_4</code>
- Approximate statistics based on the first 1000 samples: | | anchor | positive | negative0 | negative1 | negative2 | negative3 | negative_4 | |:--------|:--------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------| | type | string | string | string | string | string | string | string | | details | <ul><li>min: 134 tokens</li><li>mean: 692.88 tokens</li><li>max: 768 tokens</li></ul> | <ul><li>min: 146 tokens</li><li>mean: 666.45 tokens</li><li>max: 768 tokens</li></ul> | <ul><li>min: 173 tokens</li><li>mean: 725.45 tokens</li><li>max: 768 tokens</li></ul> | <ul><li>min: 148 tokens</li><li>mean: 722.65 tokens</li><li>max: 768 tokens</li></ul> | <ul><li>min: 176 tokens</li><li>mean: 723.29 tokens</li><li>max: 768 tokens</li></ul> | <ul><li>min: 177 tokens</li><li>mean: 721.41 tokens</li><li>max: 768 tokens</li></ul> | <ul><li>min: 173 tokens</li><li>mean: 720.87 tokens</li><li>max: 768 tokens</li></ul> |
- Loss: <code>CachedMultipleNegativesRankingLoss</code> with these parameters:
{
"scale": 50.0,
"similarity_fct": "cos_sim",
"mini_batch_size": 8,
"gather_across_devices": false,
"directions": [
"query_to_doc"
],
"partition_mode": "joint",
"hardness_mode": null,
"hardness_strength": 0.0
}Training Hyperparameters
Non-Default Hyperparameters
per_device_train_batch_size: 32gradient_accumulation_steps: 2learning_rate: 2e-05weight_decay: 0.01num_train_epochs: 1lr_scheduler_type: cosinewarmup_steps: 199bf16: Trueremove_unused_columns: Falseload_best_model_at_end: Truedataloader_pin_memory: Falsebatch_sampler: no_duplicates
All Hyperparameters
<details><summary>Click to expand</summary>
do_predict: Falseprediction_loss_only: Trueper_device_train_batch_size: 32per_device_eval_batch_size: 8gradient_accumulation_steps: 2eval_accumulation_steps: Nonetorch_empty_cache_steps: Nonelearning_rate: 2e-05weight_decay: 0.01adam_beta1: 0.9adam_beta2: 0.999adam_epsilon: 1e-08max_grad_norm: 1.0num_train_epochs: 1max_steps: -1lr_scheduler_type: cosinelr_scheduler_kwargs: Nonewarmup_ratio: Nonewarmup_steps: 199log_level: passivelog_level_replica: warninglog_on_each_node: Truelogging_nan_inf_filter: Trueenable_jit_checkpoint: Falsesave_on_each_node: Falsesave_only_model: Falserestore_callback_states_from_checkpoint: Falseuse_cpu: Falseseed: 42data_seed: Nonebf16: Truefp16: Falsebf16_full_eval: Falsefp16_full_eval: Falsetf32: Nonelocal_rank: -1ddp_backend: Nonedebug: []dataloader_drop_last: Falsedataloader_num_workers: 0dataloader_prefetch_factor: Nonedisable_tqdm: Falseremove_unused_columns: Falselabel_names: Noneload_best_model_at_end: Trueignore_data_skip: Falsefsdp: []fsdp_config: {'minnumparams': 0, 'xla': False, 'xlafsdpv2': False, 'xlafsdpgrad_ckpt': False}accelerator_config: {'splitbatches': False, 'dispatchbatches': None, 'evenbatches': True, 'useseedablesampler': True, 'nonblocking': False, 'gradientaccumulationkwargs': None}parallelism_config: Nonedeepspeed: Nonelabel_smoothing_factor: 0.0optim: adamwtorchfusedoptim_args: Nonegroup_by_length: Falselength_column_name: lengthproject: huggingfacetrackio_space_id: trackioddp_find_unused_parameters: Noneddp_bucket_cap_mb: Noneddp_broadcast_buffers: Falsedataloader_pin_memory: Falsedataloader_persistent_workers: Falseskip_memory_metrics: Truepush_to_hub: Falseresume_from_checkpoint: Nonehub_model_id: Nonehub_strategy: every_savehub_private_repo: Nonehub_always_push: Falsehub_revision: Nonegradient_checkpointing: Falsegradient_checkpointing_kwargs: Noneinclude_for_metrics: []eval_do_concat_batches: Trueauto_find_batch_size: Falsefull_determinism: Falseddp_timeout: 1800torch_compile: Falsetorch_compile_backend: Nonetorch_compile_mode: Noneinclude_num_input_tokens_seen: noneftune_noise_alpha: Noneoptim_target_modules: Nonebatch_eval_metrics: Falseeval_on_start: Falseuse_liger_kernel: Falseliger_kernel_config: Noneeval_use_gather_object: Falseaverage_tokens_across_devices: Trueuse_cache: Falseprompts: Nonebatch_sampler: no_duplicatesmulti_dataset_batch_sampler: proportionalrouter_mapping: {}learning_rate_mapping: {}
</details>
Training Logs
<details><summary>Click to expand</summary>
- The bold row denotes the saved checkpoint. </details>
Training Time
- Training: 3.5 days
- Evaluation: 1.1 hours
- Total: 3.5 days
Framework Versions
- Python: 3.11.15
- Sentence Transformers: 5.4.1
- Transformers: 5.0.0
- PyTorch: 2.10.0+cu128
- Accelerate: 1.13.0
- Datasets: 4.0.0
- Tokenizers: 0.22.2
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",
}CachedMultipleNegativesRankingLoss
@misc{gao2021scaling,
title={Scaling Deep Contrastive Learning Batch Size under Memory Limited Setup},
author={Luyu Gao and Yunyi Zhang and Jiawei Han and Jamie Callan},
year={2021},
eprint={2101.06983},
archivePrefix={arXiv},
primaryClass={cs.LG}
}<!--
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. -->
