File size: 7,678 Bytes
---
tags:
- setfit
- sentence-transformers
- text-classification
- generated_from_setfit_trainer
widget:
- text: Cổ phiếu nào giao dịch mạnh và sôi động nhất rổ VN30 phiên chiều ngày 11/6/2025?
- text: Chỉ số VN-Index đã tăng bao nhiêu điểm và đạt mức nào vào cuối phiên giao
    dịch ngày 12/5?
- text: Hợp đồng VN30F2506 đóng cửa tại mức điểm nào vào ngày 28/5?
- text: Khối lượng giao dịch bình quân sản phẩm hợp đồng tương lai chỉ số VN30 trong
    tháng 4/2025 đã tăng bao nhiêu phần trăm so với tháng trước?
- text: Tính đến cuối năm 2024, tổng thu ngân sách nhà nước đạt được là bao nhiêu
    và đạt tỷ lệ nào so với mục tiêu giai đoạn 2021-2025?
metrics:
- accuracy
pipeline_tag: text-classification
library_name: setfit
inference: true
base_model: Alibaba-NLP/gte-multilingual-base
model-index:
- name: SetFit with Alibaba-NLP/gte-multilingual-base
  results:
  - task:
      type: text-classification
      name: Text Classification
    dataset:
      name: Unknown
      type: unknown
      split: test
    metrics:
    - type: accuracy
      value: 0.95
      name: Accuracy
---

# SetFit with Alibaba-NLP/gte-multilingual-base

This is a [SetFit](https://github.com/huggingface/setfit) model that can be used for Text Classification. This SetFit model uses [Alibaba-NLP/gte-multilingual-base](https://huggingface.co/Alibaba-NLP/gte-multilingual-base) as the Sentence Transformer embedding model. A [LogisticRegression](https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html) instance is used for classification.

The model has been trained using an efficient few-shot learning technique that involves:

1. Fine-tuning a [Sentence Transformer](https://www.sbert.net) with contrastive learning.
2. Training a classification head with features from the fine-tuned Sentence Transformer.

## Model Details

### Model Description
- **Model Type:** SetFit
- **Sentence Transformer body:** [Alibaba-NLP/gte-multilingual-base](https://huggingface.co/Alibaba-NLP/gte-multilingual-base)
- **Classification head:** a [LogisticRegression](https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html) instance
- **Maximum Sequence Length:** 8192 tokens
- **Number of Classes:** 2 classes
<!-- - **Training Dataset:** [Unknown](https://huggingface.co/datasets/unknown) -->
<!-- - **Language:** Unknown -->
<!-- - **License:** Unknown -->

### Model Sources

- **Repository:** [SetFit on GitHub](https://github.com/huggingface/setfit)
- **Paper:** [Efficient Few-Shot Learning Without Prompts](https://arxiv.org/abs/2209.11055)
- **Blogpost:** [SetFit: Efficient Few-Shot Learning Without Prompts](https://huggingface.co/blog/setfit)

### Model Labels
| Label | Examples                                                                                                                                                                                                                                                                                                                                       |
|:------|:-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| index | <ul><li>'Giá vàng thế giới quy đổi theo tỷ giá hiện hành tại Vietcombank là bao nhiêu, chưa tính thuế và phí?'</li><li>'Chỉ số VN-Index đã tăng bao nhiêu điểm và đạt mức nào vào cuối phiên giao dịch ngày 12/5?'</li><li>'VN-Index đã thay đổi như thế nào và đóng cửa ở mức bao nhiêu điểm trong phiên giao dịch ngày 16/5/2025?'</li></ul> |
| news  | <ul><li>'Theo giải trình từ PHR, yếu tố nào đã giúp lợi nhuận ròng quý I/2025 tăng trưởng dù doanh thu giảm?'</li><li>'Giá trị mua ròng của khối ngoại trên thị trường chứng khoán Việt Nam trong phiên giao dịch ngày 14/5 là bao nhiêu?'</li><li>'Vì sao HOSE đưa cổ phiếu PSH sang diện kiểm soát từ ngày 14/5/2025?'</li></ul>             |

## Evaluation

### Metrics
| Label   | Accuracy |
|:--------|:---------|
| **all** | 0.95     |

## Uses

### Direct Use for Inference

First install the SetFit library:

```bash
pip install setfit
```

Then you can load this model and run inference.

```python
from setfit import SetFitModel

# Download from the 🤗 Hub
model = SetFitModel.from_pretrained("qxuanson/setfit-gte-base-20-shot")
# Run inference
preds = model("Hợp đồng VN30F2506 đóng cửa tại mức điểm nào vào ngày 28/5?")
```

<!--
### Downstream Use

*List how someone could finetune this model on their own dataset.*
-->

<!--
### 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 Set Metrics
| Training set | Min | Median | Max |
|:-------------|:----|:-------|:----|
| Word count   | 12  | 19.3   | 28  |

| Label | Training Sample Count |
|:------|:----------------------|
| index | 20                    |
| news  | 20                    |

### Training Hyperparameters
- batch_size: (32, 32)
- num_epochs: (10, 10)
- max_steps: -1
- sampling_strategy: oversampling
- body_learning_rate: (2e-05, 1e-05)
- head_learning_rate: 0.01
- loss: CosineSimilarityLoss
- distance_metric: cosine_distance
- margin: 0.25
- end_to_end: False
- use_amp: False
- warmup_proportion: 0.1
- l2_weight: 0.01
- seed: 42
- eval_max_steps: -1
- load_best_model_at_end: False

### Training Results
| Epoch  | Step | Training Loss | Validation Loss |
|:------:|:----:|:-------------:|:---------------:|
| 0.0714 | 1    | 0.234         | -               |
| 3.5714 | 50   | 0.0868        | -               |
| 7.1429 | 100  | 0.0015        | -               |

### Framework Versions
- Python: 3.11.11
- SetFit: 1.1.2
- Sentence Transformers: 3.4.1
- Transformers: 4.51.3
- PyTorch: 2.6.0+cu124
- Datasets: 3.6.0
- Tokenizers: 0.21.1

## Citation

### BibTeX
```bibtex
@article{https://doi.org/10.48550/arxiv.2209.11055,
    doi = {10.48550/ARXIV.2209.11055},
    url = {https://arxiv.org/abs/2209.11055},
    author = {Tunstall, Lewis and Reimers, Nils and Jo, Unso Eun Seo and Bates, Luke and Korat, Daniel and Wasserblat, Moshe and Pereg, Oren},
    keywords = {Computation and Language (cs.CL), FOS: Computer and information sciences, FOS: Computer and information sciences},
    title = {Efficient Few-Shot Learning Without Prompts},
    publisher = {arXiv},
    year = {2022},
    copyright = {Creative Commons Attribution 4.0 International}
}
```

<!--
## 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.*
-->