--- 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) - **Maximum Sequence Length:** 512 tokens - **Output Dimensionality:** 1024 dimensions - **Similarity Function:** Cosine Similarity ### 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] ``` ## Evaluation ### Metrics #### Information Retrieval * Dataset: `Legal_IR_Evaluation_Bench` * Evaluated with [InformationRetrievalEvaluator](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 | ## Training Details ### Training Dataset #### Unnamed Dataset * Size: 13,221 training samples * Columns: anchor, positive, and negative * Approximate statistics based on the first 1000 samples: | | anchor | positive | negative | |:--------|:----------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------| | type | string | string | string | | details | | | | * Samples: | anchor | positive | negative | |:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------| | В каких случаях ставка сбора за объекты водных биологических ресурсов устанавливается в размере 0 рублей? | 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: | Уплата сбора за пользование объектами водных биологических ресурсов производится: | | Какие федеральные конституционные законы регулируют принятие Донецкой Народной Республики, Луганской Народной Республики, Запорожской области и Херсонской области в состав Российской Федерации? | 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... | 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; | | Какие сведения должны содержать формы регистров налогового учета для идентификации налогоплательщика? | 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. | 2. Данные регистров налогового учета должны содержать информацию: | * Loss: [TripletLoss](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: anchor, positive, and negative * Approximate statistics based on the first 1000 samples: | | anchor | positive | negative | |:--------|:----------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------| | type | string | string | string | | details | | | | * Samples: | anchor | positive | negative | |:---------------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------| | Какие виды производственной деятельности относятся к производству напитков? | производство безалкогольных напитков, производство минеральных вод и прочих питьевых вод в бутылках; | 2. В целях настоящей главы к торговой деятельности относятся следующие виды торговли: | | Какие обязанности возложены на налоговые органы в отношении налогоплательщиков? | 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. | 2.1. Права, предусмотренные настоящим Кодексом в отношении налогоплательщиков, налоговые органы также осуществляют в отношении плательщиков страховых взносов. | | Какие действия предпринимаются до выдачи результатов экспертизы? | 2) до выдачи результатов экспертизы - при предъявлении различных предметов, изделий, материалов и камней на экспертизу. | 2. Не требуется специально сообщать заинтересованному гражданину о действиях в его интересе, если эти действия предпринимаются в его присутствии. | * Loss: [TripletLoss](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
Click to expand - `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
### 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} } ```