micky1625/finetuned2

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: 8192 tokens
• Output Dimensionality: 1024 dimensions
• 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': 8192, '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("micky1625/finetuned2")
# Run inference
sentences = [
    'The weather is lovely today.',
    "It's so sunny outside!",
    'He drove to the stadium.',
]
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]

Evaluation

Metrics

Information Retrieval

• Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.65
cosine_accuracy@3	0.8
cosine_accuracy@5	0.85
cosine_accuracy@10	0.9
cosine_precision@1	0.65
cosine_precision@3	0.2667
cosine_precision@5	0.17
cosine_precision@10	0.09
cosine_recall@1	0.65
cosine_recall@3	0.8
cosine_recall@5	0.85
cosine_recall@10	0.9
cosine_ndcg@10	0.7818
cosine_mrr@10	0.7433
cosine_map@100	0.7483

Training Details

Training Dataset

Unnamed Dataset

• Size: 5 training samples
• Columns: sentence_0 and sentence_1
• Approximate statistics based on the first 5 samples:

  	sentence_0	sentence_1
  type	string	string
  details	min: 16 tokens mean: 37.4 tokens max: 55 tokens	min: 406 tokens mean: 406.0 tokens max: 406 tokens

• Samples:

  sentence_0	sentence_1
  인체 수곡대사에 있어 액해(液海)의 탁재(濁滓)가 보익하는 장부에서 생성되는 것은?	[1-1] 천기(天機)에 넷이 있는데 첫째는 지방(地方)이고 둘째는 인륜(人倫)이고 셋째는 세회(世會)이 고 넷째는 천시(天時)이다. [1-2] 인사(人事)에 넷이 있는데 첫째는 거처(居處)이고 둘째는 당여(黨與)이고 셋째는 교우(交遇)이 고 넷째는 사무(事務)이다. [1-3] 귀로 천시를 들으며 눈으로 세회를 보며 코로 인륜을 냄새 맡고 입으로 지방을 맛본다. [1-4] 천시는 지극히 탕(蕩)한 것이고 세회는 극히 큰 것이고 인륜은 극히 넓은 것이고 지방은 극히 먼 것이다. [1-5] 폐는 사무를 수행하며 비는 교우를 맺게 하며 간은 당여를 형성하며 신은 거처를 정한다. [1-6] 사무는 잘 닦여져야 하고 교우는 잘 이루어져야 하고 당여는 잘 정돈되어야 하고, 거처는 잘 다스려져야 한다. [1-7] 턱에는 주책(籌策)이 있고 가슴에는 경륜(經綸)이 있고 배꼽에는 행검(行檢)이 있고 배에는 도 량(度量)이 있다. [1-8] 주책은 교만하지 말아야 할 것이고 경륜은 뻐기지 말아야 할 것이고 행검은 함부로 하지 말아 야 할 것이고 도량은 과장하지 말아야 할 것이다. [1-9] 머리에는 식견(識見)이 있고 어깨에는 위의(威儀)가 있고 허리에는 재간(材幹)이 있고 엉덩이 에는 방략(方略)이 있다.
  소음인 여성이 병원에 왔다. 배가 아프고 설사를 하다가 며칠 후에 갑자기 의식을 잃고 넘어지며, 손발이 시리고 열이 나면서 땀이 났다. 치방은?	[1-1] 천기(天機)에 넷이 있는데 첫째는 지방(地方)이고 둘째는 인륜(人倫)이고 셋째는 세회(世會)이 고 넷째는 천시(天時)이다. [1-2] 인사(人事)에 넷이 있는데 첫째는 거처(居處)이고 둘째는 당여(黨與)이고 셋째는 교우(交遇)이 고 넷째는 사무(事務)이다. [1-3] 귀로 천시를 들으며 눈으로 세회를 보며 코로 인륜을 냄새 맡고 입으로 지방을 맛본다. [1-4] 천시는 지극히 탕(蕩)한 것이고 세회는 극히 큰 것이고 인륜은 극히 넓은 것이고 지방은 극히 먼 것이다. [1-5] 폐는 사무를 수행하며 비는 교우를 맺게 하며 간은 당여를 형성하며 신은 거처를 정한다. [1-6] 사무는 잘 닦여져야 하고 교우는 잘 이루어져야 하고 당여는 잘 정돈되어야 하고, 거처는 잘 다스려져야 한다. [1-7] 턱에는 주책(籌策)이 있고 가슴에는 경륜(經綸)이 있고 배꼽에는 행검(行檢)이 있고 배에는 도 량(度量)이 있다. [1-8] 주책은 교만하지 말아야 할 것이고 경륜은 뻐기지 말아야 할 것이고 행검은 함부로 하지 말아 야 할 것이고 도량은 과장하지 말아야 할 것이다. [1-9] 머리에는 식견(識見)이 있고 어깨에는 위의(威儀)가 있고 허리에는 재간(材幹)이 있고 엉덩이 에는 방략(方略)이 있다.
  나아가려고만 하고 물러나려 하지 않는 체질은?	[1-1] 천기(天機)에 넷이 있는데 첫째는 지방(地方)이고 둘째는 인륜(人倫)이고 셋째는 세회(世會)이 고 넷째는 천시(天時)이다. [1-2] 인사(人事)에 넷이 있는데 첫째는 거처(居處)이고 둘째는 당여(黨與)이고 셋째는 교우(交遇)이 고 넷째는 사무(事務)이다. [1-3] 귀로 천시를 들으며 눈으로 세회를 보며 코로 인륜을 냄새 맡고 입으로 지방을 맛본다. [1-4] 천시는 지극히 탕(蕩)한 것이고 세회는 극히 큰 것이고 인륜은 극히 넓은 것이고 지방은 극히 먼 것이다. [1-5] 폐는 사무를 수행하며 비는 교우를 맺게 하며 간은 당여를 형성하며 신은 거처를 정한다. [1-6] 사무는 잘 닦여져야 하고 교우는 잘 이루어져야 하고 당여는 잘 정돈되어야 하고, 거처는 잘 다스려져야 한다. [1-7] 턱에는 주책(籌策)이 있고 가슴에는 경륜(經綸)이 있고 배꼽에는 행검(行檢)이 있고 배에는 도 량(度量)이 있다. [1-8] 주책은 교만하지 말아야 할 것이고 경륜은 뻐기지 말아야 할 것이고 행검은 함부로 하지 말아 야 할 것이고 도량은 과장하지 말아야 할 것이다. [1-9] 머리에는 식견(識見)이 있고 어깨에는 위의(威儀)가 있고 허리에는 재간(材幹)이 있고 엉덩이 에는 방략(方略)이 있다.

• Loss: MultipleNegativesRankingLoss with these parameters:

  {
      "scale": 20.0,
      "similarity_fct": "cos_sim"
  }
  

Training Hyperparameters

Non-Default Hyperparameters

• eval_strategy: steps
• per_device_train_batch_size: 5
• per_device_eval_batch_size: 5
• num_train_epochs: 2
• multi_dataset_batch_sampler: round_robin

All Hyperparameters

Click to expand

• overwrite_output_dir: False
• do_predict: False
• eval_strategy: steps
• prediction_loss_only: True
• per_device_train_batch_size: 5
• per_device_eval_batch_size: 5
• per_gpu_train_batch_size: None
• per_gpu_eval_batch_size: None
• gradient_accumulation_steps: 1
• eval_accumulation_steps: None
• torch_empty_cache_steps: None
• learning_rate: 5e-05
• weight_decay: 0.0
• adam_beta1: 0.9
• adam_beta2: 0.999
• adam_epsilon: 1e-08
• max_grad_norm: 1
• num_train_epochs: 2
• max_steps: -1
• lr_scheduler_type: linear
• lr_scheduler_kwargs: {}
• warmup_ratio: 0.0
• 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: 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}
• tp_size: 0
• 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
• 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: False
• 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
• 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: batch_sampler
• multi_dataset_batch_sampler: round_robin

Training Logs

Epoch	Step	cosine_ndcg@10
1.0	1	0.7818

Framework Versions

• Python: 3.11.12
• Sentence Transformers: 4.1.0
• Transformers: 4.51.3
• PyTorch: 2.6.0+cu124
• Accelerate: 1.5.2
• Datasets: 3.5.0
• Tokenizers: 0.21.1

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",
}

MultipleNegativesRankingLoss

@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}
}