Hugging Face's logo

JLee0
/
rag-embedder-grand-20epochs

Sentence Similarity
sentence-transformers
Safetensors
xlm-roberta
feature-extraction
Generated from Trainer
dataset_size:1210
loss:MultipleNegativesRankingLoss
Eval Results
text-embeddings-inference
Model card Files Community

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

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("sentence_transformers_model_id")
# Run inference
sentences = [
    "타이어 제조일 표기에서 '0224'는 어떤 의미를 가지고 있나요?",
    '타이어 제조일\n타이어의 경우 제조일 기준으로 6년이 경과되\n면 자연적으로 노화되기 때문에 사용하지 않았\n더라도 임시 타이어를 포함하여 새 타이어로 교\n체해야 합니다. 이때 제조일을 확인하기 위해\n타이어의 옆면에 DOT라는 표시를 양쪽면 중\n한면에 삽입하도록 되어 있으며 이 표시는 영문\n및 숫자로 구성되어 마지막 네 자리를 통해 제\n조일을 확인할 수 있습니다.   \n\n   표시 형식\n예 : DOT XXXX XXXX\n표시 앞부분은 제조 공장, 타이어 크기 및 트레\n드 형상에 대한 고유 표시이고, 뒤의 4자리는\n제조 시기를 의미합니다.\n제조 시기 4자리 중 앞 2자리는 생산된 주간, 뒤\n2자리는 제조 연도를 의미합니다. 예를 들어,\nDOT XXXX XXXX 0224로 표기되어 있다면\n2024년도 2주차에 생산된 제품이란 뜻입니다.\n타이어가 6년이 지나면 반제품 간 박리 현상을\n일으켜 차량의 손상이나 사고로 이어질 수 있습\n니다. 제조 시기를 확인해 반드시 적절한 시기\n에 교체하십시오.',
    '경고\n등록된 카드 키가 실내 인증 패드(무선 충전 패\n드)에 올려져 있을 경우 시동을 걸 수 있습니다.\n따라서, 이러한 차량 시스템을 모르는 사람이\n나 어린이들 혼자 차 안에 남겨 두면 예기치 못\n한 사고가 일어날 수 있으므로 주의 하십시오.\n또한, 차량 도난의 우려가 있으므로 차를 벗어\n날 때는 반드시 카드 키를 휴대하십시오.',
]
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

Metric Value
cosine_accuracy@1 0.0373
cosine_accuracy@3 0.7001
cosine_accuracy@5 0.8293
cosine_accuracy@10 0.9198
cosine_precision@1 0.0373
cosine_precision@3 0.2334
cosine_precision@5 0.1659
cosine_precision@10 0.092
cosine_recall@1 0.0373
cosine_recall@3 0.7001
cosine_recall@5 0.8293
cosine_recall@10 0.9198
cosine_ndcg@10 0.54
cosine_mrr@10 0.4124
cosine_map@100 0.4159

Training Details

Training Dataset

Unnamed Dataset

  • Size: 1,210 training samples
  • Columns: sentence_0 and sentence_1
  • Approximate statistics based on the first 1000 samples:
    sentence_0 sentence_1
    type string string
    details
    • min: 11 tokens
    • mean: 24.18 tokens
    • max: 51 tokens
    • min: 16 tokens
    • mean: 361.69 tokens
    • max: 2629 tokens
  • Samples:
    sentence_0 sentence_1
    어린이가 차량에 탑승할 때, 안전벨트를 제대로 착용하기 위해 어떤 점에 유의해야 하나요? 안전벨트

    안전벨트 사용 중요성
    안전벨트를 사용하면, 사고나 급정차 시에 당
    할 수 있는 심각한 부상이나 사망의 위험이 줄
    어듭니다. 안전벨트는 다음과 같은 상태에서
    최대의 효과를 발휘합니다.
    • 탑승자가 엉덩이를 좌석에 깊게 걸치고 등을
    등받이에 똑바로 기대고 앉은 상태여야 합니
    다.
    • 안전벨트의 골반띠는 골반을 지나고, 어
    깨띠는 가슴을 지나야 합니다.
    • 어린이는 항상 뒷좌석에 적절한 보호 장치를
    장착하여 앉히십시오.
    측면 에어백은 어떤 상황에서 작동할 수 있나요? 측면 에어백
    • 측면 에어백(사이드 및 커튼 에어백, 앞좌석
    센터 에어백)은 측면 충돌 시, 측면 충돌 센서
    에 충격이 전해지면 충돌 정도에 따라 에어
    백 제어 모듈에서 판단하여 작동합니다.
    • 측면 충돌 또는 전복 사고가 아니라도 측면
    충돌 센서에 충격이 전해지거나 전복 센서에
    서 전복 상황으로 인식되면 측면 에어백(사
    이드 및 커튼 에어백, 앞좌석 센터 에어백)이
    작동할 수 있습니다.
    • 비포장도로, 보도블록, 평지 도로의 돌출부
    에서는 반드시 서행하십시오. 돌출부에 의해
    하체 충격이 전해지면 에어백이 작동할 수
    있습니다.
    차량에서 휴대 전화나 무전기 사용이 권장되지 않는 이유는 무엇인가요? 기타 주의사항
    • 겨울에 시동을 걸거나 여름에 에어컨을 켤
    때 엔진 회전수(RPM)가 평소보다 높아질 수
    있습니다. 이로 인해 차량이 더 빠르게 움직
    일 수 있으니 주의하십시오.
    • 차 안에서 휴대 전화나 무전기를 되도록 사
    용하지 마십시오. 송출되는 전파가 탑승자의
    건강을 해칠 수 있고, 차량의 전자 제어 장치
    에 영향을 주어 오작동이 발생할 수 있습니
    다.
    • 잠깐이라도 차에서 내릴 때는 차량 안전을
    위해 반드시 시동을 끄십시오.
    • 정차 중에는 반드시 브레이크 페달을 밟고
    주차 브레이크를 걸어 놓으십시오.
    • 차에서 내릴 때 고가의 물품을 차 안에 두지
    말고, 내린 후에는 항상 모든 도어와 트렁크
    를 잠그십시오.
    • 유리창에 액세서리를 붙이지 마십시오. 운전
    에 방해를 주고, 흡착 부가 렌즈 역할을 하여
    차내 부품을 훼손할 수 있습니다. 또한 충돌
    발생 시 액세서리로 인해 다칠 수 있습니다.
    • 주행 전 반드시 가속 페달과 브레이크 페달
    의 위치를 확인하십시오. 운전 경력이 많아
    도 여러 차량을 운전하다 보면 페달의 위치
    를 혼동할 수 있고, 페달을 잘못 밟아 사고로
    이어질 수 있습니다.
    • 차량의 오작동이 발생하거나 잘못 조작할 경
    우 침착하게 행동하십시오. 동력 발생 장치
    와 제동 장치는 별개 장치이므로 브레이크
    페달을 밟으면 차량이 멈춥니다.
    • 차량이 눈, 진흙, 모래 등에 빠진 경우 가속
    페달을 과도하게 밟지 말고 견인 등의 방법
    으로 대처하십시오. 타이어가 헛도는 상황에
    서 무리하게 가속 페달을 밟으면 변속기가
    손상될 수 있습니다.
    • 품질이나 성능이 부적합한 오일의 사용은 변
    속기 고장 및 성능의 저하 등을 초래할 수 있
    으며 이로 인한 변속기의 품질은 보증이 불
    가능합니다. 순정오일은 품질과 성능을 당사
    가 보증하는 오일입니다.
  • 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: 20
  • fp16: True
  • 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: 20
  • 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: True
  • 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, '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 Training Loss cosine_ndcg@10
0.6173 50 - 0.5728
1.0 81 - 0.5718
1.2346 100 - 0.5700
1.8519 150 - 0.5766
2.0 162 - 0.5767
2.4691 200 - 0.5789
3.0 243 - 0.5721
3.0864 250 - 0.5693
3.7037 300 - 0.5762
4.0 324 - 0.5582
4.3210 350 - 0.5680
4.9383 400 - 0.5578
5.0 405 - 0.5550
5.5556 450 - 0.5670
6.0 486 - 0.5682
6.1728 500 0.0639 0.5518
6.7901 550 - 0.5588
7.0 567 - 0.5676
7.4074 600 - 0.5600
8.0 648 - 0.5617
8.0247 650 - 0.5617
8.6420 700 - 0.5624
9.0 729 - 0.5682
9.2593 750 - 0.5567
9.8765 800 - 0.5537
10.0 810 - 0.5529
10.4938 850 - 0.5495
11.0 891 - 0.5673
11.1111 900 - 0.5622
11.7284 950 - 0.5539
12.0 972 - 0.5658
12.3457 1000 0.0221 0.5411
12.9630 1050 - 0.5619
13.0 1053 - 0.5643
13.5802 1100 - 0.5597
14.0 1134 - 0.5506
14.1975 1150 - 0.5489
14.8148 1200 - 0.5479
15.0 1215 - 0.5551
15.4321 1250 - 0.5453
16.0 1296 - 0.5502
16.0494 1300 - 0.5509
16.6667 1350 - 0.5556
17.0 1377 - 0.5475
17.2840 1400 - 0.5561
17.9012 1450 - 0.5575
18.0 1458 - 0.5530
18.5185 1500 0.0185 0.5502
19.0 1539 - 0.5347
19.1358 1550 - 0.5359
19.7531 1600 - 0.5402
20.0 1620 - 0.5400

Framework Versions

  • Python: 3.10.16
  • Sentence Transformers: 4.1.0
  • Transformers: 4.52.3
  • PyTorch: 2.7.0+cu126
  • Accelerate: 1.7.0
  • Datasets: 3.6.0
  • 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}
}
Downloads last month
16
Safetensors
Model size
568M params
Tensor type
F32
·
Inference Providers NEW
Sentence Similarity
This model isn't deployed by any Inference Provider. 🙋 Ask for provider support

Model tree for JLee0/rag-embedder-grand-20epochs

Base model

BAAI/bge-m3
Finetuned
(299)
this model

Evaluation results

View on Papers With Code