File size: 39,942 Bytes
4c37781 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 |
---
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:13221
- loss:TripletLoss
base_model: BAAI/bge-m3
widget:
- source_sentence: Как распределяется прибыль между управляющими товарищами и товарищами?
sentences:
- 6. При применении метода распределения прибыли между сторонами анализируемой сделки
распределяется совокупная прибыль либо остаточная прибыль всех сторон такой сделки.
- указанные лица не уплачивают налог на прибыль организаций в бюджеты других субъектов
Российской Федерации;
- 3) доля прибыли (расходов, убытков), приходящаяся на каждого из управляющих товарищей
и товарищей;
- source_sentence: Каковы сроки уплаты ежемесячных авансовых платежей по налогу на
прибыль?
sentences:
- НК РФ Статья 363. Порядок и сроки уплаты налога и авансовых платежей по налогу
- Налогоплательщики, исчисляющие ежемесячные авансовые платежи по фактически полученной
прибыли, уплачивают авансовые платежи не позднее 28-го числа месяца, следующего
за месяцем, по итогам которого производится исчисление налога.
- 1. Налогоплательщик имеет право уменьшить общую сумму налога, исчисленную в соответствии
со статьей 166 настоящего Кодекса, на установленные настоящей статьей налоговые
вычеты.
- source_sentence: Кто имеет право уменьшить сумму налога на доходы, полученные из-за
границы?
sentences:
- 1. Налогоплательщик имеет право уменьшить общую сумму налога, исчисленную в соответствии
со статьей 166 настоящего Кодекса, на установленные настоящей статьей налоговые
вычеты.
- При этом налогоплательщики, получающие дивиденды от источников за пределами Российской
Федерации, или налоговые агенты вправе уменьшить сумму налога, исчисленную в соответствии
с настоящей главой в отношении указанных доходов, на сумму налога, исчисленную
и уплаченную по месту нахождения источника дохода, только в случае, если источник
дохода находится в иностранном государстве, с которым заключен договор (соглашение)
об избежании двойного налогообложения.
- 3. Не включаются в расходы банка суммы отрицательной переоценки средств в иностранной
валюте, поступивших в оплату уставных капиталов кредитных организаций.
- source_sentence: Какие критерии используются для определения отсутствия положительного
результата в научно-исследовательских, опытно-конструкторских и технологических
работах?
sentences:
- Форма расчета совокупного размера прибыли устанавливается Министерством финансов
Российской Федерации.
- '16.1) выполнение организациями научно-исследовательских, опытно-конструкторских
и технологических работ, относящихся к созданию новых продукции и технологий или
к усовершенствованию производимой продукции и технологий, если в состав научно-исследовательских,
опытно-конструкторских и технологических работ включаются следующие виды деятельности:'
- 1) не давшие положительного результата научно-исследовательские, опытно-конструкторские
и технологические работы;
- source_sentence: Какие виды деятельности осуществляют организации, подпадающие под
данное определение?
sentences:
- 7) организации - участники проекта по осуществлению исследований, разработок и
коммерциализации их результатов в соответствии с Федеральным законом "Об инновационном
центре "Сколково" либо участники проекта в соответствии с Федеральным законом
от 29 июля 2017 года N 216-ФЗ "Об инновационных научно-технологических центрах
и о внесении изменений в отдельные законодательные акты Российской Федерации";
- '2. В целях настоящей главы к торговой деятельности относятся следующие виды торговли:'
- 3) организация осуществляет деятельность, связанную с добычей углеводородного
сырья на новом морском месторождении углеводородного сырья, на основе договора,
заключенного с владельцем лицензии в отношении нового морского месторождения углеводородного
сырья и (или) участка недр, указанного в подпункте 1 настоящего пункта, и такой
договор предусматривает выплату организации-оператору вознаграждения, размер которого
зависит в том числе от объема добытого углеводородного сырья на соответствующем
морском месторождении углеводородного сырья и (или) выручки от реализации этого
сырья (далее в настоящем Кодексе - операторский договор).
pipeline_tag: sentence-similarity
library_name: sentence-transformers
metrics:
- cosine_accuracy@1
- cosine_accuracy@3
- cosine_accuracy@5
- cosine_accuracy@10
- cosine_precision@1
- cosine_precision@3
- cosine_precision@5
- cosine_precision@10
- cosine_recall@1
- cosine_recall@3
- cosine_recall@5
- cosine_recall@10
- cosine_ndcg@10
- cosine_mrr@10
- cosine_map@100
model-index:
- name: SentenceTransformer based on BAAI/bge-m3
results:
- task:
type: information-retrieval
name: Information Retrieval
dataset:
name: Legal IR Evaluation Bench
type: Legal_IR_Evaluation_Bench
metrics:
- type: cosine_accuracy@1
value: 0.3158525222946892
name: Cosine Accuracy@1
- type: cosine_accuracy@3
value: 0.4582723279648609
name: Cosine Accuracy@3
- type: cosine_accuracy@5
value: 0.5188340210302143
name: Cosine Accuracy@5
- type: cosine_accuracy@10
value: 0.587381871422867
name: Cosine Accuracy@10
- type: cosine_precision@1
value: 0.3158525222946892
name: Cosine Precision@1
- type: cosine_precision@3
value: 0.1527574426549536
name: Cosine Precision@3
- type: cosine_precision@5
value: 0.10376680420604285
name: Cosine Precision@5
- type: cosine_precision@10
value: 0.058738187142286694
name: Cosine Precision@10
- type: cosine_recall@1
value: 0.3158525222946892
name: Cosine Recall@1
- type: cosine_recall@3
value: 0.4582723279648609
name: Cosine Recall@3
- type: cosine_recall@5
value: 0.5188340210302143
name: Cosine Recall@5
- type: cosine_recall@10
value: 0.587381871422867
name: Cosine Recall@10
- type: cosine_ndcg@10
value: 0.44675579037173485
name: Cosine Ndcg@10
- type: cosine_mrr@10
value: 0.40233201603991975
name: Cosine Mrr@10
- type: cosine_map@100
value: 0.40935732242081835
name: Cosine Map@100
---
# SentenceTransformer based on BAAI/bge-m3
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [BAAI/bge-m3](https://huggingface.co/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](https://huggingface.co/BAAI/bge-m3) <!-- at revision 5617a9f61b028005a4858fdac845db406aefb181 -->
- **Maximum Sequence Length:** 512 tokens
- **Output Dimensionality:** 1024 dimensions
- **Similarity Function:** Cosine Similarity
<!-- - **Training Dataset:** Unknown -->
<!-- - **Language:** Unknown -->
<!-- - **License:** Unknown -->
### Model Sources
- **Documentation:** [Sentence Transformers Documentation](https://sbert.net)
- **Repository:** [Sentence Transformers on GitHub](https://github.com/UKPLab/sentence-transformers)
- **Hugging Face:** [Sentence Transformers on Hugging Face](https://huggingface.co/models?library=sentence-transformers)
### 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:
```bash
pip install -U sentence-transformers
```
Then you can load this model and run inference.
```python
from sentence_transformers import SentenceTransformer
# Download from the 🤗 Hub
model = SentenceTransformer("sentence_transformers_model_id")
# Run inference
sentences = [
'Какие виды деятельности осуществляют организации, подпадающие под данное определение?',
'3) организация осуществляет деятельность, связанную с добычей углеводородного сырья на новом морском месторождении углеводородного сырья, на основе договора, заключенного с владельцем лицензии в отношении нового морского месторождения углеводородного сырья и (или) участка недр, указанного в подпункте 1 настоящего пункта, и такой договор предусматривает выплату организации-оператору вознаграждения, размер которого зависит в том числе от объема добытого углеводородного сырья на соответствующем морском месторождении углеводородного сырья и (или) выручки от реализации этого сырья (далее в настоящем Кодексе - операторский договор).',
'2. В целях настоящей главы к торговой деятельности относятся следующие виды торговли:',
]
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]
```
<!--
### Direct Usage (Transformers)
<details><summary>Click to see the direct usage in Transformers</summary>
</details>
-->
<!--
### Downstream Usage (Sentence Transformers)
You can finetune this model on your own dataset.
<details><summary>Click to expand</summary>
</details>
-->
<!--
### Out-of-Scope Use
*List how the model may foreseeably be misused and address what users ought not to do with the model.*
-->
## Evaluation
### Metrics
#### Information Retrieval
* Dataset: `Legal_IR_Evaluation_Bench`
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
| Metric | Value |
|:--------------------|:-----------|
| cosine_accuracy@1 | 0.3159 |
| cosine_accuracy@3 | 0.4583 |
| cosine_accuracy@5 | 0.5188 |
| cosine_accuracy@10 | 0.5874 |
| cosine_precision@1 | 0.3159 |
| cosine_precision@3 | 0.1528 |
| cosine_precision@5 | 0.1038 |
| cosine_precision@10 | 0.0587 |
| cosine_recall@1 | 0.3159 |
| cosine_recall@3 | 0.4583 |
| cosine_recall@5 | 0.5188 |
| cosine_recall@10 | 0.5874 |
| **cosine_ndcg@10** | **0.4468** |
| cosine_mrr@10 | 0.4023 |
| cosine_map@100 | 0.4094 |
<!--
## 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 Dataset
#### Unnamed Dataset
* Size: 13,221 training samples
* Columns: <code>anchor</code>, <code>positive</code>, and <code>negative</code>
* Approximate statistics based on the first 1000 samples:
| | anchor | positive | negative |
|:--------|:----------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|
| type | string | string | string |
| details | <ul><li>min: 9 tokens</li><li>mean: 21.87 tokens</li><li>max: 46 tokens</li></ul> | <ul><li>min: 19 tokens</li><li>mean: 76.22 tokens</li><li>max: 512 tokens</li></ul> | <ul><li>min: 8 tokens</li><li>mean: 56.53 tokens</li><li>max: 338 tokens</li></ul> |
* Samples:
| anchor | positive | negative |
|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| <code>В каких случаях ставка сбора за объекты водных биологических ресурсов устанавливается в размере 0 рублей?</code> | <code>6. Ставки сбора за каждый объект водных биологических ресурсов, указанный в пунктах 4 и 5 настоящей статьи, устанавливаются в размере 0 рублей в случаях, если пользование такими объектами водных биологических ресурсов осуществляется при:</code> | <code>Уплата сбора за пользование объектами водных биологических ресурсов производится:</code> |
| <code>Какие федеральные конституционные законы регулируют принятие Донецкой Народной Республики, Луганской Народной Республики, Запорожской области и Херсонской области в состав Российской Федерации?</code> | <code>31.1) за государственную регистрацию прав на недвижимое имущество, возникших на территориях Донецкой Народной Республики, Луганской Народной Республики, Запорожской области, Херсонской области до дня вступления в силу Федерального конституционного закона от 4 октября 2022 года N 5-ФКЗ "О принятии в Российскую Федерацию Донецкой Народной Республики и образовании в составе Российской Федерации нового субъекта - Донецкой Народной Республики", Федерального конституционного закона от 4 октября 2022 года N 6-ФКЗ "О принятии в Российскую Федерацию Луганской Народной Республики и образовании в составе Российской Федерации нового субъекта - Луганской Народной Республики", Федерального конституционного закона от 4 октября 2022 года N 7-ФКЗ "О принятии в Российскую Федерацию Запорожской области и образовании в составе Российской Федерации нового субъекта - Запорожской области", Федерального конституционного закона от 4 октября 2022 года N 8-ФКЗ "О принятии в Российскую Федерацию Херсонской област...</code> | <code>20) на срок существования свободной экономической зоны на территориях Донецкой Народной Республики, Луганской Народной Республики, Запорожской области и Херсонской области в случае предоставления земельного участка управляющей компании, указанной в Федеральном законе "О свободной экономической зоне на территориях Донецкой Народной Республики, Луганской Народной Республики, Запорожской области и Херсонской области", для целей, предусмотренных указанным Федеральным законом;</code> |
| <code>Какие сведения должны содержать формы регистров налогового учета для идентификации налогоплательщика?</code> | <code>Формы регистров налогового учета и порядок отражения в них аналитических данных налогового учета, данных первичных учетных документов разрабатываются налоговым агентом самостоятельно и должны содержать сведения, позволяющие идентифицировать налогоплательщика, вид выплачиваемых налогоплательщику доходов и предоставленных налоговых вычетов, а также расходов и сумм, уменьшающих налоговую базу, в соответствии с кодами, утверждаемыми федеральным органом исполнительной власти, уполномоченным по контролю и надзору в области налогов и сборов, суммы дохода и даты их выплаты, статус налогоплательщика, даты удержания.</code> | <code>2. Данные регистров налогового учета должны содержать информацию:</code> |
* Loss: [<code>TripletLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#tripletloss) with these parameters:
```json
{
"distance_metric": "TripletDistanceMetric.EUCLIDEAN",
"triplet_margin": 5
}
```
### Evaluation Dataset
#### Unnamed Dataset
* Size: 1,470 evaluation samples
* Columns: <code>anchor</code>, <code>positive</code>, and <code>negative</code>
* Approximate statistics based on the first 1000 samples:
| | anchor | positive | negative |
|:--------|:----------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|
| type | string | string | string |
| details | <ul><li>min: 8 tokens</li><li>mean: 22.08 tokens</li><li>max: 54 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 79.07 tokens</li><li>max: 512 tokens</li></ul> | <ul><li>min: 8 tokens</li><li>mean: 59.19 tokens</li><li>max: 400 tokens</li></ul> |
* Samples:
| anchor | positive | negative |
|:---------------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| <code>Какие виды производственной деятельности относятся к производству напитков?</code> | <code>производство безалкогольных напитков, производство минеральных вод и прочих питьевых вод в бутылках;</code> | <code>2. В целях настоящей главы к торговой деятельности относятся следующие виды торговли:</code> |
| <code>Какие обязанности возложены на налоговые органы в отношении налогоплательщиков?</code> | <code>10. Налоговые органы на основе имеющихся данных и сведений о налогоплательщиках обязаны обеспечить постановку их на учет (снятие их с учета) и учет сведений о налогоплательщиках.</code> | <code>2.1. Права, предусмотренные настоящим Кодексом в отношении налогоплательщиков, налоговые органы также осуществляют в отношении плательщиков страховых взносов.</code> |
| <code>Какие действия предпринимаются до выдачи результатов экспертизы?</code> | <code>2) до выдачи результатов экспертизы - при предъявлении различных предметов, изделий, материалов и камней на экспертизу.</code> | <code>2. Не требуется специально сообщать заинтересованному гражданину о действиях в его интересе, если эти действия предпринимаются в его присутствии.</code> |
* Loss: [<code>TripletLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#tripletloss) with these parameters:
```json
{
"distance_metric": "TripletDistanceMetric.EUCLIDEAN",
"triplet_margin": 5
}
```
### Training Hyperparameters
#### Non-Default Hyperparameters
- `eval_strategy`: epoch
- `per_device_train_batch_size`: 32
- `per_device_eval_batch_size`: 32
- `gradient_accumulation_steps`: 2
- `learning_rate`: 2e-05
- `weight_decay`: 0.01
- `num_train_epochs`: 4
- `lr_scheduler_type`: cosine
- `warmup_steps`: 750
- `bf16`: True
- `tf32`: True
- `dataloader_num_workers`: 4
- `load_best_model_at_end`: True
- `optim`: adamw_torch_fused
- `batch_sampler`: no_duplicates
#### All Hyperparameters
<details><summary>Click to expand</summary>
- `overwrite_output_dir`: False
- `do_predict`: False
- `eval_strategy`: epoch
- `prediction_loss_only`: True
- `per_device_train_batch_size`: 32
- `per_device_eval_batch_size`: 32
- `per_gpu_train_batch_size`: None
- `per_gpu_eval_batch_size`: None
- `gradient_accumulation_steps`: 2
- `eval_accumulation_steps`: None
- `torch_empty_cache_steps`: None
- `learning_rate`: 2e-05
- `weight_decay`: 0.01
- `adam_beta1`: 0.9
- `adam_beta2`: 0.999
- `adam_epsilon`: 1e-08
- `max_grad_norm`: 1.0
- `num_train_epochs`: 4
- `max_steps`: -1
- `lr_scheduler_type`: cosine
- `lr_scheduler_kwargs`: {}
- `warmup_ratio`: 0.0
- `warmup_steps`: 750
- `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`: True
- `fp16`: False
- `fp16_opt_level`: O1
- `half_precision_backend`: auto
- `bf16_full_eval`: False
- `fp16_full_eval`: False
- `tf32`: True
- `local_rank`: 0
- `ddp_backend`: None
- `tpu_num_cores`: None
- `tpu_metrics_debug`: False
- `debug`: []
- `dataloader_drop_last`: False
- `dataloader_num_workers`: 4
- `dataloader_prefetch_factor`: None
- `past_index`: -1
- `disable_tqdm`: False
- `remove_unused_columns`: True
- `label_names`: None
- `load_best_model_at_end`: True
- `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_fused
- `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
- `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_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`: no_duplicates
- `multi_dataset_batch_sampler`: proportional
</details>
### Training Logs
| Epoch | Step | Training Loss | Validation Loss | Legal_IR_Evaluation_Bench_cosine_ndcg@10 |
|:------:|:----:|:-------------:|:---------------:|:----------------------------------------:|
| 0.0483 | 10 | 9.7628 | - | - |
| 0.0966 | 20 | 9.7395 | - | - |
| 0.1449 | 30 | 9.7537 | - | - |
| 0.1932 | 40 | 9.7429 | - | - |
| 0.2415 | 50 | 9.732 | - | - |
| 0.2899 | 60 | 9.6906 | - | - |
| 0.3382 | 70 | 9.6831 | - | - |
| 0.3865 | 80 | 9.6572 | - | - |
| 0.4348 | 90 | 9.6315 | - | - |
| 0.4831 | 100 | 9.6043 | - | - |
| 0.5314 | 110 | 9.5636 | - | - |
| 0.5797 | 120 | 9.5688 | - | - |
| 0.6280 | 130 | 9.5443 | - | - |
| 0.6763 | 140 | 9.5055 | - | - |
| 0.7246 | 150 | 9.4979 | - | - |
| 0.7729 | 160 | 9.4396 | - | - |
| 0.8213 | 170 | 9.4772 | - | - |
| 0.8696 | 180 | 9.4261 | - | - |
| 0.9179 | 190 | 9.4023 | - | - |
| 0.9662 | 200 | 9.3668 | - | - |
| 1.0 | 207 | - | 4.6068 | 0.4468 |
### Framework Versions
- Python: 3.10.12
- Sentence Transformers: 3.4.1
- Transformers: 4.48.3
- PyTorch: 2.1.0+cu118
- Accelerate: 1.3.0
- Datasets: 3.2.0
- Tokenizers: 0.21.0
## Citation
### BibTeX
#### Sentence Transformers
```bibtex
@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",
}
```
#### TripletLoss
```bibtex
@misc{hermans2017defense,
title={In Defense of the Triplet Loss for Person Re-Identification},
author={Alexander Hermans and Lucas Beyer and Bastian Leibe},
year={2017},
eprint={1703.07737},
archivePrefix={arXiv},
primaryClass={cs.CV}
}
```
<!--
## 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.*
--> |