comet24082002/ft_bge_newLaw_SoftmaxLoss_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_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, and label
• 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: 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	0.6915
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",
}