comet24082002/ft_bge_newLaw_ContrastiveLoss_V1_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
• 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_ContrastiveLoss_V1_5epochs")
# Run inference
sentences = [
    'Cục Xuất nhập khẩu thuộc phạm vi quản lý nhà nước của cơ quan nào?',
    'Vị trí và chức năng\n1. Cục Xuất nhập khẩu là tổ chức thuộc Bộ Công Thương, thực hiện chức năng tham mưu, giúp Bộ trưởng Bộ Công Thương quản lý nhà nước và tổ chức thực thi pháp luật trong lĩnh vực hoạt động xuất khẩu, nhập khẩu hàng hóa, xuất xứ hàng hóa, mua bán hàng hóa quốc tế, đại lý mua, bán, gia công và quá cảnh hàng hóa với nước ngoài, thuộc phạm vi quản lý nhà nước của Bộ Công Thương.\n2. Cục Xuất nhập khẩu có tư cách pháp nhân, con dấu và tài khoản riêng theo quy định của pháp luật; kinh phí hoạt động do ngân sách nhà nước cấp và từ các khoản thu phí, lệ phí theo quy định của Nhà nước.\nCục Xuất nhập khẩu có tên giao dịch quốc tế bằng tiếng Anh: Agency of Foreign Trade.\nTên viết tắt: AFT.\nTrụ sở chính tại thành phố Hà Nội.',
    '"Điều 112. Nghỉ lễ, tết\n1. Người lao động được nghỉ làm việc, hưởng nguyên lương trong những ngày lễ, tết sau đây:\na) Tết Dương lịch: 01 ngày (ngày 01 tháng 01 dương lịch);\nb) Tết Âm lịch: 05 ngày;\nc) Ngày Chiến thắng: 01 ngày (ngày 30 tháng 4 dương lịch);\nd) Ngày Quốc tế lao động: 01 ngày (ngày 01 tháng 5 dương lịch);\nđ) Quốc khánh: 02 ngày (ngày 02 tháng 9 dương lịch và 01 ngày liền kề trước hoặc sau);\ne) Ngày Giỗ Tổ Hùng Vương: 01 ngày (ngày 10 tháng 3 âm lịch).\n2. Lao động là người nước ngoài làm việc tại Việt Nam ngoài các ngày nghỉ theo quy định tại khoản 1 Điều này còn được nghỉ thêm 01 ngày Tết cổ truyền dân tộc và 01 ngày Quốc khánh của nước họ.\n3. Hằng năm, căn cứ vào điều kiện thực tế, Thủ tướng Chính phủ quyết định cụ thể ngày nghỉ quy định tại điểm b và điểm đ khoản 1 Điều này."',
]
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, and label
• Approximate statistics based on the first 1000 samples:

  	sentence1	sentence2	label
  type	string	string	int
  details	min: 8 tokens mean: 24.48 tokens max: 46 tokens	min: 32 tokens mean: 283.82 tokens max: 512 tokens	0: ~50.00% 1: ~50.00%

• Samples:

  sentence1	sentence2	label
  Hồ sơ đề nghị xét cấp lại giấy phép lái xe quá hạn gồm những gì?	"Điều 36. Cấp lại giấy phép lái xe 1. Người có giấy phép lái xe quá thời hạn sử dụng a) Từ 03 tháng đến dưới 01 năm, kể từ ngày hết hạn, phải sát hạch lại lý thuyết để cấp lại giấy phép lái xe; b) Từ 01 năm trở lên, kể từ ngày hết hạn, phải sát hạch lại cả lý thuyết và thực hành để cấp lại giấy phép lái xe. Hồ sơ dự sát hạch lại thực hiện theo quy định tại khoản 3 Điều 19 của Thông tư này. 2. Người có giấy phép lái xe bị mất, còn thời hạn sử dụng hoặc quá thời hạn sử dụng dưới 03 tháng, được xét cấp lại giấy phép lái xe. Hồ sơ bao gồm: a) Đơn đề nghị cấp lại giấy phép lái xe theo mẫu quy định tại Phụ lục 19 ban hành kèm theo Thông tư này; b) Hồ sơ gốc phù hợp với giấy phép lái xe (nếu có); c) Giấy khám sức khỏe của người lái xe do cơ sở y tế có thẩm quyền cấp theo quy định, trừ trường hợp cấp lại giấy phép lái xe không thời hạn các hạng A1, A2, A3; d) Bản sao giấy chứng minh nhân dân hoặc thẻ căn cước công dân hoặc hộ chiếu còn thời hạn có ghi số giấy chứng minh nhân dân hoặc thẻ căn cước công dân (đối với người Việt Nam) hoặc hộ chiếu còn thời hạn sử dụng (đối với người nước ngoài, người Việt Nam định, cư ở nước ngoài). Khi đến thực hiện thủ tục cấp lại giấy phép lái xe tại Tổng cục Đường bộ Việt Nam hoặc Sở Giao thông vận tải, người lái xe gửi 01 bộ hồ sơ, chụp ảnh trực tiếp và xuất trình, bản chính các hồ sơ nêu trên (trừ các bản chính đã gửi) để đối chiếu. Sau thời gian 02 tháng kể từ ngày nộp đủ hồ sơ, chụp ảnh và nộp lệ phí theo quy định, nếu không phát hiện giấy phép lái xe đang bị các cơ quan có thẩm quyền thu giữ, xử lý; có tên trong hồ sơ của cơ quan quản lý sát hạch, thì được cấp lại giấy phép lái xe. 3. Người có giấy phép lái xe bị mất, quá thời hạn sử dụng từ 03 tháng trở lên, có tên trong hồ sơ của cơ quan quản lý sát hạch, không thuộc trường hợp đang bị các cơ quan có thẩm quyền thu giữ, xử lý, sau 02 tháng kể từ ngày nộp đủ hồ sơ hợp lệ theo quy định, phải dự sát hạch lại các nội dung: a) Quá hạn sử dụng từ 03 tháng đến dưới 01 năm, phải dự sát hạch lại lý thuyết; b) Quá hạn sử dụng từ 01 năm trở lên, phải sát hạch lại cả lý thuyết và thực hành. Hồ sơ dự sát hạch lại thực hiện theo quy định, tại khoản 4 Điều 19 của Thông tư này. 5. Ngày trúng tuyển ghi tại mặt sau giấy phép lái xe cấp lại (phục hồi), được tính theo ngày trúng tuyển của giấy phép lái xe cũ. 6. Thời gian cấp lại giấy phép lái xe thực hiện như đối với cấp mới. 7. Người dự sát hạch lại có nhu cầu ôn tập, đăng ký với các cơ sở đào tạo lái xe để được hướng dẫn ôn tập, phải nộp phí ôn tập theo quy định, không phải học lại theo chương trình đào tạo."	1
  Việc nhận xét và đánh giá đối với công chức cấp Trung ương luân chuyển được thực hiện khi nào?	Cấp độ thành tích khen thưởng để xét nâng bậc lương trước thời hạn do lập thành tích xuất sắc: 1. Đối tượng quy định tại Khoản 1 Điều 1 Quy chế này được tặng thưởng một trong các hình thức dưới đây thì được xét nâng bậc lương trước thời hạn mười hai (12) tháng, gồm: a) Huân chương, huy chương, Vinh dự nhà nước, giải thưởng Hồ Chí Minh, giải nhà nước theo quy định của Luật Thi đua khen thưởng. b) Chiến sỹ thi đua toàn quốc. c) Bằng khen của Thủ tướng Chính phủ. d) Thẩm phán mẫu mực, Thẩm phán tiêu biểu, Thẩm phán giỏi. đ) Chiến sĩ thi đua Tòa án nhân dân. e) Chiến sĩ thi đua cấp tỉnh. g) Được tặng 02 bằng khen trở lên của Chánh án Tòa án nhân dân tối cao hoặc 01 bằng khen của Chánh án Tòa án nhân dân tối cao và 01 bằng khen của Bộ trưởng các Bộ, Ban, ngành Trung ương, Chủ tịch UBND tỉnh, thành phố trực thuộc Trung ương (đối với 02 thành tích khác nhau). 2. Đối tượng quy định tại Khoản 1 Điều 1 Quy chế này được tặng thưởng một trong các hình thức dưới đây thì được xét nâng bậc lương trước thời hạn chín (09) tháng, gồm: a) Bằng khen của Chánh án Tòa án nhân dân tối cao; b) Bằng khen của Bộ, Ban, ngành Trung ương, Chủ tịch UBND tỉnh, thành phố trực thuộc Trung ương. c) Ba (03) năm liên tiếp đạt danh hiệu Chiến sỹ thi đua cơ sở; 3. Đối tượng quy định tại Khoản 1 Điều 1 Quy chế này được tặng thưởng một trong các hình thức dưới đây thì được xét nâng bậc lương trước thời hạn sáu (06) tháng, gồm: a) Hai (02) năm liên tiếp đạt danh hiệu chiến sỹ thi đua cơ sở; b) Ba (03) năm liên tiếp được tặng giấy khen của Chánh án Tòa án nhân dân tối cao, Chánh án Tòa án nhân dân cấp cao, Chánh án Tòa án nhân dân cấp tỉnh.	0
  Người thực tập nghiệp vụ đăng kiểm viên xe cơ giới phải đáp ứng các điều kiện gì?	"Điều 3. Thực tập nghiệp vụ đăng kiểm viên xe cơ giới Người thực tập nghiệp vụ đăng kiểm viên xe cơ giới (sau đây gọi là đăng kiểm viên thực tập) đáp ứng các quy định tại điểm a và d khoản 1 Điều 14 của Nghị định số 139/2018/NĐ-CP được tập huấn lý thuyết nghiệp vụ và thực hành kiểm định xe cơ giới trong thời gian tối thiểu 12 tháng."	1

• Loss: ContrastiveLoss with these parameters:

  {
      "distance_metric": "SiameseDistanceMetric.COSINE_DISTANCE",
      "margin": 0.5,
      "size_average": true
  }
  

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

Click to expand

• 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: {'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}
• 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

Training Logs

Click to expand

Epoch	Step	Training Loss
0.0190	50	0.0301
0.0380	100	0.023
0.0570	150	0.0197
0.0760	200	0.0179
0.0950	250	0.0172
0.1140	300	0.0166
0.1330	350	0.0164
0.1520	400	0.014
0.1710	450	0.0143
0.1900	500	0.0139
0.2090	550	0.0129
0.2281	600	0.0158
0.2471	650	0.0131
0.2661	700	0.0138
0.2851	750	0.0135
0.3041	800	0.0125
0.3231	850	0.0137
0.3421	900	0.0152
0.3611	950	0.0137
0.3801	1000	0.0138
0.3991	1050	0.0137
0.4181	1100	0.0158
0.4371	1150	0.0115
0.4561	1200	0.0145
0.4751	1250	0.0147
0.4941	1300	0.0134
0.5131	1350	0.0138
0.5321	1400	0.0124
0.5511	1450	0.0134
0.5701	1500	0.012
0.5891	1550	0.0127
0.6081	1600	0.0143
0.6271	1650	0.0154
0.6461	1700	0.0121
0.6651	1750	0.0112
0.6842	1800	0.0143
0.7032	1850	0.0135
0.7222	1900	0.013
0.7412	1950	0.0124
0.7602	2000	0.0117
0.7792	2050	0.0121
0.7982	2100	0.0145
0.8172	2150	0.0125
0.8362	2200	0.0086
0.8552	2250	0.0132
0.8742	2300	0.0127
0.8932	2350	0.0135
0.9122	2400	0.0129
0.9312	2450	0.0121
0.9502	2500	0.0121
0.9692	2550	0.0125
0.9882	2600	0.0117
1.0072	2650	0.0119
1.0262	2700	0.0083
1.0452	2750	0.0071
1.0642	2800	0.0084
1.0832	2850	0.0083
1.1022	2900	0.0073
1.1212	2950	0.0081
1.1403	3000	0.0097
1.1593	3050	0.008
1.1783	3100	0.0081
1.1973	3150	0.0103
1.2163	3200	0.0079
1.2353	3250	0.0085
1.2543	3300	0.0083
1.2733	3350	0.008
1.2923	3400	0.0059
1.3113	3450	0.0078
1.3303	3500	0.0054
1.3493	3550	0.0083
1.3683	3600	0.0082
1.3873	3650	0.0088
1.4063	3700	0.0113
1.4253	3750	0.0067
1.4443	3800	0.0103
1.4633	3850	0.0094
1.4823	3900	0.0081
1.5013	3950	0.007
1.5203	4000	0.0076
1.5393	4050	0.0071
1.5583	4100	0.0085
1.5773	4150	0.0084
1.5964	4200	0.0078
1.6154	4250	0.0071
1.6344	4300	0.0072
1.6534	4350	0.0087
1.6724	4400	0.0066
1.6914	4450	0.0083
1.7104	4500	0.008
1.7294	4550	0.0072
1.7484	4600	0.0094
1.7674	4650	0.0087
1.7864	4700	0.0097
1.8054	4750	0.0101
1.8244	4800	0.0096
1.8434	4850	0.0074
1.8624	4900	0.0084
1.8814	4950	0.0072
1.9004	5000	0.0084
1.9194	5050	0.0096
1.9384	5100	0.0079
1.9574	5150	0.0091
1.9764	5200	0.0091
1.9954	5250	0.0085
2.0144	5300	0.0054
2.0334	5350	0.0038
2.0525	5400	0.0046
2.0715	5450	0.0046
2.0905	5500	0.0059
2.1095	5550	0.0043
2.1285	5600	0.0046
2.1475	5650	0.004
2.1665	5700	0.0034
2.1855	5750	0.0037
2.2045	5800	0.0032
2.2235	5850	0.0031
2.2425	5900	0.0038
2.2615	5950	0.0046
2.2805	6000	0.0035
2.2995	6050	0.0045
2.3185	6100	0.0044
2.3375	6150	0.0037
2.3565	6200	0.0046
2.3755	6250	0.0052
2.3945	6300	0.0037
2.4135	6350	0.004
2.4325	6400	0.0036
2.4515	6450	0.0036
2.4705	6500	0.0041
2.4895	6550	0.0049
2.5086	6600	0.0034
2.5276	6650	0.0056
2.5466	6700	0.0043
2.5656	6750	0.0043
2.5846	6800	0.0042
2.6036	6850	0.0044
2.6226	6900	0.0037
2.6416	6950	0.005
2.6606	7000	0.0041
2.6796	7050	0.0042
2.6986	7100	0.0035
2.7176	7150	0.0043
2.7366	7200	0.0046
2.7556	7250	0.005
2.7746	7300	0.0036
2.7936	7350	0.004
2.8126	7400	0.0048
2.8316	7450	0.0038
2.8506	7500	0.004
2.8696	7550	0.0045
2.8886	7600	0.0046
2.9076	7650	0.0044
2.9266	7700	0.005
2.9456	7750	0.0039
2.9647	7800	0.0048
2.9837	7850	0.0031
3.0027	7900	0.0044
3.0217	7950	0.0018
3.0407	8000	0.0017
3.0597	8050	0.0019
3.0787	8100	0.0019
3.0977	8150	0.0017
3.1167	8200	0.0021
3.1357	8250	0.0024
3.1547	8300	0.0025
3.1737	8350	0.002
3.1927	8400	0.0022
3.2117	8450	0.0021
3.2307	8500	0.0021
3.2497	8550	0.0017
3.2687	8600	0.0018
3.2877	8650	0.002
3.3067	8700	0.0021
3.3257	8750	0.0017
3.3447	8800	0.0022
3.3637	8850	0.0019
3.3827	8900	0.0018
3.4017	8950	0.0022
3.4208	9000	0.0022
3.4398	9050	0.0019
3.4588	9100	0.0023
3.4778	9150	0.0023
3.4968	9200	0.0018
3.5158	9250	0.002
3.5348	9300	0.0018
3.5538	9350	0.0022
3.5728	9400	0.0024
3.5918	9450	0.002
3.6108	9500	0.0021
3.6298	9550	0.002
3.6488	9600	0.0032
3.6678	9650	0.0021
3.6868	9700	0.002
3.7058	9750	0.002
3.7248	9800	0.0023
3.7438	9850	0.0021
3.7628	9900	0.0022
3.7818	9950	0.0016
3.8008	10000	0.0017
3.8198	10050	0.0015
3.8388	10100	0.0022
3.8578	10150	0.0018
3.8769	10200	0.0022
3.8959	10250	0.0027
3.9149	10300	0.0027
3.9339	10350	0.0018
3.9529	10400	0.0017
3.9719	10450	0.0016
3.9909	10500	0.0023
4.0099	10550	0.0015
4.0289	10600	0.0012
4.0479	10650	0.0012
4.0669	10700	0.0012
4.0859	10750	0.001
4.1049	10800	0.001
4.1239	10850	0.0011
4.1429	10900	0.0013
4.1619	10950	0.0011
4.1809	11000	0.0011
4.1999	11050	0.0011
4.2189	11100	0.0012
4.2379	11150	0.001
4.2569	11200	0.0014
4.2759	11250	0.0011
4.2949	11300	0.0009
4.3139	11350	0.0012
4.3330	11400	0.001
4.3520	11450	0.001
4.3710	11500	0.0011
4.3900	11550	0.001
4.4090	11600	0.0012
4.4280	11650	0.0014
4.4470	11700	0.0012
4.4660	11750	0.0011
4.4850	11800	0.0013
4.5040	11850	0.0014
4.5230	11900	0.0014
4.5420	11950	0.0013
4.5610	12000	0.0012
4.5800	12050	0.0011
4.5990	12100	0.0011
4.6180	12150	0.0011
4.6370	12200	0.0013
4.6560	12250	0.001
4.6750	12300	0.0009
4.6940	12350	0.001
4.7130	12400	0.0013
4.7320	12450	0.001
4.7510	12500	0.001
4.7700	12550	0.0009
4.7891	12600	0.001
4.8081	12650	0.0012
4.8271	12700	0.001
4.8461	12750	0.0015
4.8651	12800	0.0009
4.8841	12850	0.0011
4.9031	12900	0.0009
4.9221	12950	0.0013
4.9411	13000	0.0011
4.9601	13050	0.0013
4.9791	13100	0.001
4.9981	13150	0.001

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",
}

ContrastiveLoss

@inproceedings{hadsell2006dimensionality,
    author={Hadsell, R. and Chopra, S. and LeCun, Y.},
    booktitle={2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'06)}, 
    title={Dimensionality Reduction by Learning an Invariant Mapping}, 
    year={2006},
    volume={2},
    number={},
    pages={1735-1742},
    doi={10.1109/CVPR.2006.100}
}