|
--- |
|
base_model: intfloat/e5-base |
|
datasets: [] |
|
language: |
|
- en |
|
library_name: sentence-transformers |
|
license: apache-2.0 |
|
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 |
|
pipeline_tag: sentence-similarity |
|
tags: |
|
- sentence-transformers |
|
- sentence-similarity |
|
- feature-extraction |
|
- generated_from_trainer |
|
- dataset_size:63 |
|
- loss:MatryoshkaLoss |
|
- loss:MultipleNegativesRankingLoss |
|
widget: |
|
- source_sentence: 하이브리드 자동차의 스마트 크루즈 컨트롤 기능은 운전자가 설정한 속도를 유지하는 기능입니다. 이 기능에서는 전방 |
|
카메라와 레이더 센서를 사용하여 도로의 제한 속도를 감지하고, 이를 기반으로 속도를 조절합니다. |
|
sentences: |
|
- 하이테크센터나 블루핸즈에서 점검을 받을 때는 어떤 경우에 해당합니까? |
|
- 원터치 자동 유리창의 작동 원리를 설명하세요. |
|
- 하이브리드 자동차의 스마트 크루즈 컨트롤 기능을 설명하세요. |
|
- source_sentence: 하이브리드 자동차의 지능형 속도 제한 보조의 제한 사항은 표지판이 오염 또는 훼손되거나 불명확할 경우, 주변 물체에 |
|
표지판 일부가 가려지거나 그림자가 표지판을 덮을 경우, 표지판 형상 또는 설치 방법이 표준과 다를 경우 등입니다. |
|
sentences: |
|
- 테마 모드를 설정하려면 어떻게 해야 하나요? |
|
- 에어백 경고 라벨의 주의 사항은 무엇입니까? |
|
- 하이브리드 자동차의 지능형 속도 제한 보조의 제한 사항은 무엇입니까? |
|
- source_sentence: 어린이 탑승 시에는 차에서 내릴 때 어린이를 차 안에 남겨두지 마십시오. 어린이가 차내 안전 장비를 잘못 만져 사고가 |
|
발생할 수 있고, 여름이나 겨울에는 차 내부 온도가 너무 높거나 낮아져 매우 위험합니다. |
|
sentences: |
|
- 운전자 주의 경고의 기본 기능은 무엇입니까? |
|
- 하이브리드 자동차의 고전압 배터리 시스템에 대한 안전 주의 사항은 무엇입니까? |
|
- 어린이 탑승 시 주의 사항을 설명하세요. |
|
- source_sentence: 후방 주차 충돌방지 보조의 이상 및 제한 사항은 다음과 같습니다. 기능 이상, 인식 센서 가림, 광각-후방 카메라, |
|
후방 초음파센서의 이상 등이 있습니다. 이러한 이상 및 제한 사항에 따라 후방 주차 충돌방지 보조의 성능이 저하되거나 오작동 할 수 있습니다. |
|
sentences: |
|
- 하이브리드 자동차의 회생 제동 모드를 설명하세요. |
|
- 하이빔 보조 설정 방법은 무엇입니까? |
|
- 후방 주차 충돌방지 보조의 이상 및 제한 사항을 설명하세요. |
|
- source_sentence: 클러스터 조명 밝기 조절은 시동 'ON' 상태에서 인포테인먼트 시스템의 설정> 클러스터/HUD > 화면 밝기를 차례로 |
|
선택하면 클러스터의 밝기를 조절할 수 있습니다. 인포테인먼트 시스템 화면에 표시되는 조명밝기 조절 정도를 참고하여 원하는 밝기로 조절하십시오. |
|
sentences: |
|
- 운전자 주의 경고 시스템의 작동 원리를 설명하세요. |
|
- 클러스터 조명 밝기 조절은 어떻게 하나요? |
|
- 하이브리드 자동차의 저압 타이어 경고등이 켜졌을 때의 조치는 무엇입니까? |
|
model-index: |
|
- name: BGE base Financial Matryoshka |
|
results: |
|
- task: |
|
type: information-retrieval |
|
name: Information Retrieval |
|
dataset: |
|
name: dim 768 |
|
type: dim_768 |
|
metrics: |
|
- type: cosine_accuracy@1 |
|
value: 0.5555555555555556 |
|
name: Cosine Accuracy@1 |
|
- type: cosine_accuracy@3 |
|
value: 0.8148148148148148 |
|
name: Cosine Accuracy@3 |
|
- type: cosine_accuracy@5 |
|
value: 0.8518518518518519 |
|
name: Cosine Accuracy@5 |
|
- type: cosine_accuracy@10 |
|
value: 0.9259259259259259 |
|
name: Cosine Accuracy@10 |
|
- type: cosine_precision@1 |
|
value: 0.5555555555555556 |
|
name: Cosine Precision@1 |
|
- type: cosine_precision@3 |
|
value: 0.27160493827160487 |
|
name: Cosine Precision@3 |
|
- type: cosine_precision@5 |
|
value: 0.1703703703703704 |
|
name: Cosine Precision@5 |
|
- type: cosine_precision@10 |
|
value: 0.09259259259259262 |
|
name: Cosine Precision@10 |
|
- type: cosine_recall@1 |
|
value: 0.5555555555555556 |
|
name: Cosine Recall@1 |
|
- type: cosine_recall@3 |
|
value: 0.8148148148148148 |
|
name: Cosine Recall@3 |
|
- type: cosine_recall@5 |
|
value: 0.8518518518518519 |
|
name: Cosine Recall@5 |
|
- type: cosine_recall@10 |
|
value: 0.9259259259259259 |
|
name: Cosine Recall@10 |
|
- type: cosine_ndcg@10 |
|
value: 0.7435849530374239 |
|
name: Cosine Ndcg@10 |
|
- type: cosine_mrr@10 |
|
value: 0.6849206349206348 |
|
name: Cosine Mrr@10 |
|
- type: cosine_map@100 |
|
value: 0.6889906389906391 |
|
name: Cosine Map@100 |
|
- task: |
|
type: information-retrieval |
|
name: Information Retrieval |
|
dataset: |
|
name: dim 512 |
|
type: dim_512 |
|
metrics: |
|
- type: cosine_accuracy@1 |
|
value: 0.5555555555555556 |
|
name: Cosine Accuracy@1 |
|
- type: cosine_accuracy@3 |
|
value: 0.7777777777777778 |
|
name: Cosine Accuracy@3 |
|
- type: cosine_accuracy@5 |
|
value: 0.8518518518518519 |
|
name: Cosine Accuracy@5 |
|
- type: cosine_accuracy@10 |
|
value: 0.8888888888888888 |
|
name: Cosine Accuracy@10 |
|
- type: cosine_precision@1 |
|
value: 0.5555555555555556 |
|
name: Cosine Precision@1 |
|
- type: cosine_precision@3 |
|
value: 0.25925925925925924 |
|
name: Cosine Precision@3 |
|
- type: cosine_precision@5 |
|
value: 0.1703703703703704 |
|
name: Cosine Precision@5 |
|
- type: cosine_precision@10 |
|
value: 0.0888888888888889 |
|
name: Cosine Precision@10 |
|
- type: cosine_recall@1 |
|
value: 0.5555555555555556 |
|
name: Cosine Recall@1 |
|
- type: cosine_recall@3 |
|
value: 0.7777777777777778 |
|
name: Cosine Recall@3 |
|
- type: cosine_recall@5 |
|
value: 0.8518518518518519 |
|
name: Cosine Recall@5 |
|
- type: cosine_recall@10 |
|
value: 0.8888888888888888 |
|
name: Cosine Recall@10 |
|
- type: cosine_ndcg@10 |
|
value: 0.7335374617221688 |
|
name: Cosine Ndcg@10 |
|
- type: cosine_mrr@10 |
|
value: 0.6824514991181657 |
|
name: Cosine Mrr@10 |
|
- type: cosine_map@100 |
|
value: 0.6896593804001211 |
|
name: Cosine Map@100 |
|
- task: |
|
type: information-retrieval |
|
name: Information Retrieval |
|
dataset: |
|
name: dim 256 |
|
type: dim_256 |
|
metrics: |
|
- type: cosine_accuracy@1 |
|
value: 0.5925925925925926 |
|
name: Cosine Accuracy@1 |
|
- type: cosine_accuracy@3 |
|
value: 0.7777777777777778 |
|
name: Cosine Accuracy@3 |
|
- type: cosine_accuracy@5 |
|
value: 0.8148148148148148 |
|
name: Cosine Accuracy@5 |
|
- type: cosine_accuracy@10 |
|
value: 0.8888888888888888 |
|
name: Cosine Accuracy@10 |
|
- type: cosine_precision@1 |
|
value: 0.5925925925925926 |
|
name: Cosine Precision@1 |
|
- type: cosine_precision@3 |
|
value: 0.25925925925925924 |
|
name: Cosine Precision@3 |
|
- type: cosine_precision@5 |
|
value: 0.16296296296296298 |
|
name: Cosine Precision@5 |
|
- type: cosine_precision@10 |
|
value: 0.0888888888888889 |
|
name: Cosine Precision@10 |
|
- type: cosine_recall@1 |
|
value: 0.5925925925925926 |
|
name: Cosine Recall@1 |
|
- type: cosine_recall@3 |
|
value: 0.7777777777777778 |
|
name: Cosine Recall@3 |
|
- type: cosine_recall@5 |
|
value: 0.8148148148148148 |
|
name: Cosine Recall@5 |
|
- type: cosine_recall@10 |
|
value: 0.8888888888888888 |
|
name: Cosine Recall@10 |
|
- type: cosine_ndcg@10 |
|
value: 0.7460717071407622 |
|
name: Cosine Ndcg@10 |
|
- type: cosine_mrr@10 |
|
value: 0.6997354497354498 |
|
name: Cosine Mrr@10 |
|
- type: cosine_map@100 |
|
value: 0.7073543740210406 |
|
name: Cosine Map@100 |
|
- task: |
|
type: information-retrieval |
|
name: Information Retrieval |
|
dataset: |
|
name: dim 128 |
|
type: dim_128 |
|
metrics: |
|
- type: cosine_accuracy@1 |
|
value: 0.5925925925925926 |
|
name: Cosine Accuracy@1 |
|
- type: cosine_accuracy@3 |
|
value: 0.7407407407407407 |
|
name: Cosine Accuracy@3 |
|
- type: cosine_accuracy@5 |
|
value: 0.8518518518518519 |
|
name: Cosine Accuracy@5 |
|
- type: cosine_accuracy@10 |
|
value: 0.8888888888888888 |
|
name: Cosine Accuracy@10 |
|
- type: cosine_precision@1 |
|
value: 0.5925925925925926 |
|
name: Cosine Precision@1 |
|
- type: cosine_precision@3 |
|
value: 0.24691358024691354 |
|
name: Cosine Precision@3 |
|
- type: cosine_precision@5 |
|
value: 0.1703703703703704 |
|
name: Cosine Precision@5 |
|
- type: cosine_precision@10 |
|
value: 0.0888888888888889 |
|
name: Cosine Precision@10 |
|
- type: cosine_recall@1 |
|
value: 0.5925925925925926 |
|
name: Cosine Recall@1 |
|
- type: cosine_recall@3 |
|
value: 0.7407407407407407 |
|
name: Cosine Recall@3 |
|
- type: cosine_recall@5 |
|
value: 0.8518518518518519 |
|
name: Cosine Recall@5 |
|
- type: cosine_recall@10 |
|
value: 0.8888888888888888 |
|
name: Cosine Recall@10 |
|
- type: cosine_ndcg@10 |
|
value: 0.7391281504030159 |
|
name: Cosine Ndcg@10 |
|
- type: cosine_mrr@10 |
|
value: 0.6910493827160493 |
|
name: Cosine Mrr@10 |
|
- type: cosine_map@100 |
|
value: 0.6993265993265992 |
|
name: Cosine Map@100 |
|
- task: |
|
type: information-retrieval |
|
name: Information Retrieval |
|
dataset: |
|
name: dim 64 |
|
type: dim_64 |
|
metrics: |
|
- type: cosine_accuracy@1 |
|
value: 0.5925925925925926 |
|
name: Cosine Accuracy@1 |
|
- type: cosine_accuracy@3 |
|
value: 0.7407407407407407 |
|
name: Cosine Accuracy@3 |
|
- type: cosine_accuracy@5 |
|
value: 0.8518518518518519 |
|
name: Cosine Accuracy@5 |
|
- type: cosine_accuracy@10 |
|
value: 0.9259259259259259 |
|
name: Cosine Accuracy@10 |
|
- type: cosine_precision@1 |
|
value: 0.5925925925925926 |
|
name: Cosine Precision@1 |
|
- type: cosine_precision@3 |
|
value: 0.24691358024691354 |
|
name: Cosine Precision@3 |
|
- type: cosine_precision@5 |
|
value: 0.1703703703703704 |
|
name: Cosine Precision@5 |
|
- type: cosine_precision@10 |
|
value: 0.09259259259259262 |
|
name: Cosine Precision@10 |
|
- type: cosine_recall@1 |
|
value: 0.5925925925925926 |
|
name: Cosine Recall@1 |
|
- type: cosine_recall@3 |
|
value: 0.7407407407407407 |
|
name: Cosine Recall@3 |
|
- type: cosine_recall@5 |
|
value: 0.8518518518518519 |
|
name: Cosine Recall@5 |
|
- type: cosine_recall@10 |
|
value: 0.9259259259259259 |
|
name: Cosine Recall@10 |
|
- type: cosine_ndcg@10 |
|
value: 0.7456467996361283 |
|
name: Cosine Ndcg@10 |
|
- type: cosine_mrr@10 |
|
value: 0.6892416225749558 |
|
name: Cosine Mrr@10 |
|
- type: cosine_map@100 |
|
value: 0.6932539682539682 |
|
name: Cosine Map@100 |
|
--- |
|
|
|
# BGE base Financial Matryoshka |
|
|
|
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [intfloat/e5-base](https://huggingface.co/intfloat/e5-base). It maps sentences & paragraphs to a 768-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:** [intfloat/e5-base](https://huggingface.co/intfloat/e5-base) <!-- at revision b533fe4636f4a2507c08ddab40644d20b0006d6a --> |
|
- **Maximum Sequence Length:** 512 tokens |
|
- **Output Dimensionality:** 768 tokens |
|
- **Similarity Function:** Cosine Similarity |
|
<!-- - **Training Dataset:** Unknown --> |
|
- **Language:** en |
|
- **License:** apache-2.0 |
|
|
|
### 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: BertModel |
|
(1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, '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("ValentinaKim/bge-base-automobile-matryoshka") |
|
# Run inference |
|
sentences = [ |
|
"클러스터 조명 밝기 조절은 시동 'ON' 상태에서 인포테인먼트 시스템의 설정> 클러스터/HUD > 화면 밝기를 차례로 선택하면 클러스터의 밝기를 조절할 수 있습니다. 인포테인먼트 시스템 화면에 표시되는 조명밝기 조절 정도를 참고하여 원하는 밝기로 조절하십시오.", |
|
'클러스터 조명 밝기 조절은 어떻게 하나요?', |
|
'하이브리드 자동차의 저압 타이어 경고등이 켜졌을 때의 조치는 무엇입니까?', |
|
] |
|
embeddings = model.encode(sentences) |
|
print(embeddings.shape) |
|
# [3, 768] |
|
|
|
# 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: `dim_768` |
|
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator) |
|
|
|
| Metric | Value | |
|
|:--------------------|:----------| |
|
| cosine_accuracy@1 | 0.5556 | |
|
| cosine_accuracy@3 | 0.8148 | |
|
| cosine_accuracy@5 | 0.8519 | |
|
| cosine_accuracy@10 | 0.9259 | |
|
| cosine_precision@1 | 0.5556 | |
|
| cosine_precision@3 | 0.2716 | |
|
| cosine_precision@5 | 0.1704 | |
|
| cosine_precision@10 | 0.0926 | |
|
| cosine_recall@1 | 0.5556 | |
|
| cosine_recall@3 | 0.8148 | |
|
| cosine_recall@5 | 0.8519 | |
|
| cosine_recall@10 | 0.9259 | |
|
| cosine_ndcg@10 | 0.7436 | |
|
| cosine_mrr@10 | 0.6849 | |
|
| **cosine_map@100** | **0.689** | |
|
|
|
#### Information Retrieval |
|
* Dataset: `dim_512` |
|
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator) |
|
|
|
| Metric | Value | |
|
|:--------------------|:-----------| |
|
| cosine_accuracy@1 | 0.5556 | |
|
| cosine_accuracy@3 | 0.7778 | |
|
| cosine_accuracy@5 | 0.8519 | |
|
| cosine_accuracy@10 | 0.8889 | |
|
| cosine_precision@1 | 0.5556 | |
|
| cosine_precision@3 | 0.2593 | |
|
| cosine_precision@5 | 0.1704 | |
|
| cosine_precision@10 | 0.0889 | |
|
| cosine_recall@1 | 0.5556 | |
|
| cosine_recall@3 | 0.7778 | |
|
| cosine_recall@5 | 0.8519 | |
|
| cosine_recall@10 | 0.8889 | |
|
| cosine_ndcg@10 | 0.7335 | |
|
| cosine_mrr@10 | 0.6825 | |
|
| **cosine_map@100** | **0.6897** | |
|
|
|
#### Information Retrieval |
|
* Dataset: `dim_256` |
|
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator) |
|
|
|
| Metric | Value | |
|
|:--------------------|:-----------| |
|
| cosine_accuracy@1 | 0.5926 | |
|
| cosine_accuracy@3 | 0.7778 | |
|
| cosine_accuracy@5 | 0.8148 | |
|
| cosine_accuracy@10 | 0.8889 | |
|
| cosine_precision@1 | 0.5926 | |
|
| cosine_precision@3 | 0.2593 | |
|
| cosine_precision@5 | 0.163 | |
|
| cosine_precision@10 | 0.0889 | |
|
| cosine_recall@1 | 0.5926 | |
|
| cosine_recall@3 | 0.7778 | |
|
| cosine_recall@5 | 0.8148 | |
|
| cosine_recall@10 | 0.8889 | |
|
| cosine_ndcg@10 | 0.7461 | |
|
| cosine_mrr@10 | 0.6997 | |
|
| **cosine_map@100** | **0.7074** | |
|
|
|
#### Information Retrieval |
|
* Dataset: `dim_128` |
|
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator) |
|
|
|
| Metric | Value | |
|
|:--------------------|:-----------| |
|
| cosine_accuracy@1 | 0.5926 | |
|
| cosine_accuracy@3 | 0.7407 | |
|
| cosine_accuracy@5 | 0.8519 | |
|
| cosine_accuracy@10 | 0.8889 | |
|
| cosine_precision@1 | 0.5926 | |
|
| cosine_precision@3 | 0.2469 | |
|
| cosine_precision@5 | 0.1704 | |
|
| cosine_precision@10 | 0.0889 | |
|
| cosine_recall@1 | 0.5926 | |
|
| cosine_recall@3 | 0.7407 | |
|
| cosine_recall@5 | 0.8519 | |
|
| cosine_recall@10 | 0.8889 | |
|
| cosine_ndcg@10 | 0.7391 | |
|
| cosine_mrr@10 | 0.691 | |
|
| **cosine_map@100** | **0.6993** | |
|
|
|
#### Information Retrieval |
|
* Dataset: `dim_64` |
|
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator) |
|
|
|
| Metric | Value | |
|
|:--------------------|:-----------| |
|
| cosine_accuracy@1 | 0.5926 | |
|
| cosine_accuracy@3 | 0.7407 | |
|
| cosine_accuracy@5 | 0.8519 | |
|
| cosine_accuracy@10 | 0.9259 | |
|
| cosine_precision@1 | 0.5926 | |
|
| cosine_precision@3 | 0.2469 | |
|
| cosine_precision@5 | 0.1704 | |
|
| cosine_precision@10 | 0.0926 | |
|
| cosine_recall@1 | 0.5926 | |
|
| cosine_recall@3 | 0.7407 | |
|
| cosine_recall@5 | 0.8519 | |
|
| cosine_recall@10 | 0.9259 | |
|
| cosine_ndcg@10 | 0.7456 | |
|
| cosine_mrr@10 | 0.6892 | |
|
| **cosine_map@100** | **0.6933** | |
|
|
|
<!-- |
|
## 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: 63 training samples |
|
* Columns: <code>positive</code> and <code>anchor</code> |
|
* Approximate statistics based on the first 1000 samples: |
|
| | positive | anchor | |
|
|:--------|:-------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------| |
|
| type | string | string | |
|
| details | <ul><li>min: 89 tokens</li><li>mean: 181.76 tokens</li><li>max: 365 tokens</li></ul> | <ul><li>min: 22 tokens</li><li>mean: 46.21 tokens</li><li>max: 72 tokens</li></ul> | |
|
* Samples: |
|
| positive | anchor | |
|
|:------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:------------------------------------------------------| |
|
| <code>하이브리드 자동차의 전방 차량 출발 알림 기능의 제한 사항은 과격하게 운전할 경우, 빈번하게 차선을 침범할 경우, 차로 이탈방지 보조 등 다른 운전자 보조에 의해 차량이 제어될 경우 등입니다.</code> | <code>하이브리드 자동차의 전방 차량 출발 알림 기능의 제한 사항은 무엇입니까?</code> | |
|
| <code>파워 트렁크가 정상적으로 작동하지 않으면 무리한 힘을 가하지 마십시오. 파워 트렁크가 손상될 수 있습니다. 반드시 당사 직영 하이테크센터나 블루핸즈에서 점검을 받으십시오.</code> | <code>파워 트렁크가 정상적으로 작동하지 않으면 어떻게 해야 하나요?</code> | |
|
| <code>에어백 경고 라벨의 주의 사항은 13세 미만의 어린이는 에어백의 팽창 충격으로 다칠 수 있습니다. 어린이에게는 뒷좌석이 안전할 수 있습니다. 유아용 보조 좌석은 동승석에 설치하지 마십시오. 에어백에서 가능한 떨어져 앉으십시오. 좌석 안전벨트와 어린이 보호 장치를 사용하십시오.</code> | <code>에어백 경고 라벨의 주의 사항은 무엇입니까?</code> | |
|
* Loss: [<code>MatryoshkaLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#matryoshkaloss) with these parameters: |
|
```json |
|
{ |
|
"loss": "MultipleNegativesRankingLoss", |
|
"matryoshka_dims": [ |
|
768, |
|
512, |
|
256, |
|
128, |
|
64 |
|
], |
|
"matryoshka_weights": [ |
|
1, |
|
1, |
|
1, |
|
1, |
|
1 |
|
], |
|
"n_dims_per_step": -1 |
|
} |
|
``` |
|
|
|
### Training Hyperparameters |
|
#### Non-Default Hyperparameters |
|
|
|
- `eval_strategy`: epoch |
|
- `gradient_accumulation_steps`: 64 |
|
- `learning_rate`: 2e-05 |
|
- `num_train_epochs`: 4 |
|
- `lr_scheduler_type`: cosine |
|
- `warmup_ratio`: 0.1 |
|
- `tf32`: False |
|
- `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`: 8 |
|
- `per_device_eval_batch_size`: 8 |
|
- `per_gpu_train_batch_size`: None |
|
- `per_gpu_eval_batch_size`: None |
|
- `gradient_accumulation_steps`: 64 |
|
- `eval_accumulation_steps`: None |
|
- `learning_rate`: 2e-05 |
|
- `weight_decay`: 0.0 |
|
- `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`: 0.1 |
|
- `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`: False |
|
- `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`: 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`: False |
|
- `hub_always_push`: False |
|
- `gradient_checkpointing`: False |
|
- `gradient_checkpointing_kwargs`: None |
|
- `include_inputs_for_metrics`: False |
|
- `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 |
|
- `batch_sampler`: no_duplicates |
|
- `multi_dataset_batch_sampler`: proportional |
|
|
|
</details> |
|
|
|
### Training Logs |
|
| Epoch | Step | dim_128_cosine_map@100 | dim_256_cosine_map@100 | dim_512_cosine_map@100 | dim_64_cosine_map@100 | dim_768_cosine_map@100 | |
|
|:-------:|:-----:|:----------------------:|:----------------------:|:----------------------:|:---------------------:|:----------------------:| |
|
| 1.0 | 1 | 0.4923 | 0.5456 | 0.5549 | 0.4722 | 0.5450 | |
|
| 2.0 | 2 | 0.6184 | 0.6751 | 0.7085 | 0.6313 | 0.7072 | |
|
| 3.0 | 3 | 0.6810 | 0.6825 | 0.6916 | 0.6933 | 0.6840 | |
|
| **4.0** | **4** | **0.6993** | **0.7074** | **0.6897** | **0.6933** | **0.689** | |
|
|
|
* The bold row denotes the saved checkpoint. |
|
|
|
### Framework Versions |
|
- Python: 3.10.14 |
|
- Sentence Transformers: 3.0.1 |
|
- Transformers: 4.41.2 |
|
- PyTorch: 2.1.2+cu121 |
|
- Accelerate: 0.33.0 |
|
- Datasets: 2.19.1 |
|
- Tokenizers: 0.19.1 |
|
|
|
## 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", |
|
} |
|
``` |
|
|
|
#### MatryoshkaLoss |
|
```bibtex |
|
@misc{kusupati2024matryoshka, |
|
title={Matryoshka Representation Learning}, |
|
author={Aditya Kusupati and Gantavya Bhatt and Aniket Rege and Matthew Wallingford and Aditya Sinha and Vivek Ramanujan and William Howard-Snyder and Kaifeng Chen and Sham Kakade and Prateek Jain and Ali Farhadi}, |
|
year={2024}, |
|
eprint={2205.13147}, |
|
archivePrefix={arXiv}, |
|
primaryClass={cs.LG} |
|
} |
|
``` |
|
|
|
#### MultipleNegativesRankingLoss |
|
```bibtex |
|
@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} |
|
} |
|
``` |
|
|
|
<!-- |
|
## 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.* |
|
--> |
