|
--- |
|
base_model: intfloat/multilingual-e5-base |
|
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 |
|
- dot_accuracy@1 |
|
- dot_accuracy@3 |
|
- dot_accuracy@5 |
|
- dot_accuracy@10 |
|
- dot_precision@1 |
|
- dot_precision@3 |
|
- dot_precision@5 |
|
- dot_precision@10 |
|
- dot_recall@1 |
|
- dot_recall@3 |
|
- dot_recall@5 |
|
- dot_recall@10 |
|
- dot_ndcg@10 |
|
- dot_mrr@10 |
|
- dot_map@100 |
|
pipeline_tag: sentence-similarity |
|
tags: |
|
- sentence-transformers |
|
- sentence-similarity |
|
- feature-extraction |
|
- generated_from_trainer |
|
- dataset_size:296234 |
|
- loss:CachedGISTEmbedLoss |
|
- legal |
|
- taxation |
|
- fiscalité |
|
- tax |
|
widget: |
|
- source_sentence: >- |
|
query: Commentez les dispositions de l'article L. 643-9 et de l'article L. |
|
643-13 du Code de commerce, telles que modifiées par l'ordonnance n° |
|
2014-326 du 12 mars 2014. |
|
sentences: |
|
- >- |
|
passage: Conformément aux dispositions de l'article 344 O de l'annexe III du |
|
Code général des impôts, toute déclaration relative au deuxième alinéa de |
|
l'article 1635 quater P du même code, concernant la situation des biens |
|
immobiliers, doit impérativement être transmise par voie électronique auprès |
|
du service des impôts compétent. Cette déclaration inclura les informations |
|
requises listées du 1° au 6° de l'article 344 N. |
|
- >- |
|
passage: Les formes et le délai de présentation de la demande de |
|
renseignements prévue au I de l'article L. 145 A ainsi que les conséquences |
|
attachées à leur respect sont régis conformément aux dispositions de |
|
l'article R. 611-12 du Code de commerce. |
|
- >- |
|
passage: Les dispositions de l'ordonnance n° 2014-326 du 12 mars 2014 |
|
apportent des ajustements spécifiques à certains articles du Code de |
|
commerce, véritable pierre angulaire de la législation régissant les |
|
procédures collectives en France. En particulier, l'article L. 643-9 connait |
|
une modificaton dans le cadre de la gestion de la liquidation judiciaire et |
|
de sa clôture pour insuffisance d'actif, impliquant ainsi des conditions |
|
plus précises quant à l'appréciation de la capacité à satisfaire |
|
l'intégralité du passif par les actifs disponibles. Parallèlement, l'article |
|
L. 643-13 procède à encadrer les conditions de reprise de la procédure de |
|
liquidation judiciaire, offrant ainsi un cadre légal actualisé pour les cas |
|
où la liquidation précédemment clôturée pourrait être réouverte. Ces |
|
modifications, qui s'appliquent rétroactivement aux procédures |
|
antérieurement engagées, traduisent une volonté législative de réconcilier |
|
les impératifs d'efficacité et de justice au sein du traitement des |
|
situations d'insolvabilité, assurant ainsi un équilibre entre les intérêts |
|
des créanciers et ceux de l'entreprise débitrice. |
|
- source_sentence: >- |
|
query: Analyser le cadre réglementaire défini par l'article D. 112-3 du Code |
|
monétaire et financier concernant les plafonds de paiement en espèces par |
|
les débiteurs ayant leur domicile fiscal en France. |
|
sentences: |
|
- >- |
|
passage: Quelles sont les conséquences, sur l'obligation fiscale d'une |
|
personne physique résidente en France, de la détention directe ou indirecte |
|
de parts dans une entité étrangère qui est soumise à un régime fiscal |
|
privilégié, et ce, en relation avec les dispositions de l'article 123 bis du |
|
Code général des impôts concernant l'assimilation de ces bénéfices à des |
|
revenus de capitaux mobiliers ? |
|
- >- |
|
passage: Conformément aux dispositions de l'article D. 112-3 du Code |
|
monétaire et financier, le débiteur résidant fiscalement en France est |
|
astreint à une limitation de paiement en espèces à hauteur de 1 000 euros. |
|
Cette mesure vise à encadrer les transactions et à réduire les risques |
|
associés à la fraude fiscale. Tout montant supérieur à ce plafond devra, de |
|
ce fait, être réglé par d'autres moyens de paiement tels que chèque barré, |
|
virement ou carte de paiement. |
|
- >- |
|
passage: Le Bulletin officiel des finances publiques-impôts (Bofip) dans son |
|
document BOI-REC-SOLID-30-10 précise la procédure d'exercice de l'action |
|
paulienne. L'action paulienne se caractérise par une phase préalable |
|
consistant à administrer des preuves relatives à la créance et au préjudice |
|
subi, ainsi qu'à la complicité entre le débiteur et les tiers acquéreurs. |
|
Par ailleurs, le juge est appelé à se positionner à la date de l'acte |
|
litigieux pour apprécier l'éventuelle fraude commise par le débiteur. La |
|
procédure judiciaire nécessite donc une approche minutieuse et conforme au |
|
cadre légal, impliquant la collecte d'éléments probants et l'appréciation |
|
judiciaire objective de la situation. |
|
- source_sentence: >- |
|
query: Analyser la mesure par laquelle les associés ou membres d'un |
|
groupement forestier doivent répondre vis-à-vis de la présentation de |
|
certains documents à l'administration fiscale, en se référant aux |
|
dispositions de l'article 46 AGI annexé au code général des impôts. |
|
sentences: |
|
- >- |
|
passage: Conformément aux articles 164 F quinvicies et 164 F sexvicies de |
|
l'Annexe IV du Code général des impôts, les adhérents des associations |
|
agréées sont tenus de notifier par écrit à leur association respective toute |
|
mesure prise en réponse aux exigences disposées. Il incombe alors à |
|
l'association de vérifier et de s'assurer que ces obligations soient dûment |
|
remplies. |
|
- >- |
|
passage: D'après l'article 46 AGJ de l'annexe III du Code général des |
|
impôts, il est impératif que les associés ou membres d'un groupement |
|
forestier maintiennent à la disposition de l'administration fiscale le |
|
document spécifié au II de l'article 46 AGI. Ce document est essentiel pour |
|
attester de la conformité aux exigences fiscales liées au groupement et pour |
|
s'assurer de la pérennité des engagements pris par les membres. Ces |
|
procédures de documentation sont cruciales pour garantir la transparence et |
|
permettre à l'administration fiscale d'effectuer les vérifications |
|
nécessaires. |
|
- >- |
|
passage: L'interaction entre le Code des douanes et le Code de la route se |
|
concrétise par la provision de l'article 64 B du Code des douanes. Ce |
|
dernier établit une procédure formelle où les fonctionnaires des douanes |
|
sont en droit de requérir des données spécifiques mentionnées dans les |
|
articles L. 330-2 à L. 330-4 du Code de la route. Ces informations touchent |
|
principalement à des aspects cruciaux tels que la circulation et |
|
l'enregistrement des véhicules, éléments essentiels pour diverses opérations |
|
de douane, incluant mais sans se limiter au contrôle du trafic |
|
transfrontalier et à la surveillance des infractions liées à la fiscalité |
|
des véhicules. L'efficience des opérations douanières s'en trouve renforcée, |
|
permettant une synergie entre deux corps étatiques, facilitant ainsi une |
|
application plus stricte et cohérente des lois dans les domaines |
|
correspondants. |
|
- source_sentence: >- |
|
query: Analysez l'influence d'un transfert de titres dans un patrimoine |
|
fiduciaire sur la composition d'un groupe fiscal, en prenant en compte les |
|
dispositions du Code général des impôts. |
|
sentences: |
|
- >- |
|
passage: Conformément au cinquième alinéa du a ter du I de l'article 219 du |
|
Code général des impôts, le traitement fiscal des transferts de titres entre |
|
divers comptes du bilan, notamment vers le compte des titres de |
|
participation ou vers toute subdivision affectée aux 'titres relevant du |
|
régime des plus-values à long terme', implique l'intégration des plus ou |
|
moins-values générées par ces transferts dans le résultat fiscal imposable. |
|
Cette intégration est effectuée selon les normes et le taux de droit commun |
|
applicables lors de l'exercice fiscal durant lequel les titres sont cédés. |
|
Les plus-values réalisées à long terme à la suite de tels transferts |
|
contribuent à déterminer la plus ou moins-value nette à long terme pour |
|
l'exercice concerné, au terme duquel cesse le bénéfice du report. Les plus |
|
ou moins-values à court terme qui émergent de ces opérations sont également |
|
incorporées au résultat imposable, respectant les conditions de droit commun |
|
de l'exercice de cession. |
|
- >- |
|
passage: Les agents fiscaux disposent de droits étendus et spécifiques pour |
|
l'accès aux documents comptables des entités lucratives, conformément aux |
|
articles L. 85 et R*85-1 du Livre des procédures fiscales. Ces articles leur |
|
confèrent le pouvoir d'exiger la communication de tous documents utiles au |
|
contrôle fiscal. Par ailleurs, le Code de commerce, aux articles L. 123-12 à |
|
L. 123-24, précise les obligations de tenue et de conservation des livres |
|
comptables, garantissant ainsi aux agents fiscaux un droit de regard sur la |
|
gestion financière des activités commerciales. Ces dispositions assurent une |
|
base juridique robuste, autorisant les intervenants fiscaux à requérir et |
|
vérifier toute documentation nécessaire à l'évaluation de la conformité |
|
fiscale. |
|
- >- |
|
passage: L'analyse de l'impact d'un transfert de titres dans un patrimoine |
|
fiduciaire, en matière de composition de groupe fiscal, s'effectue à l'aune |
|
de l'article 223 A et de l'article 238 quater B du Code général des impôts. |
|
En principe, un transfert de propriété des titres vers un patrimoine |
|
fiduciaire équivaut à leur exclusion du calcul du seuil de détention de |
|
capital pour l'appartenance à un groupe fiscal. Cependant, une exception |
|
spécifique autorise la prise en compte des titres transférés si deux |
|
conditions prépondérantes sont remplies : l'attachement de droits de vote et |
|
de dividendes aux titres cédés et la rétention par le constituant de |
|
l'exercice des droits de vote ou leur utilisation par le fiduciaire |
|
conformément aux directives du constituant, à condition que les termes |
|
contractuels de la fiducie ne s'y opposent pas. Cette particularité légale |
|
favorise ainsi la continuité ou l'intégration fiscale au sein du groupe pour |
|
les sociétés transférantes, tant que les conditions de détention sont |
|
observées, et ce, pour les exercices clôturés postérieurement au 31 décembre |
|
2014. |
|
- source_sentence: >- |
|
query: Décrivez avec précision les étapes détaillées requises pour traiter |
|
les réclamations collectives résultant de désastres agricoles comme définies |
|
dans l'article R*198-2 du Livre des procédures fiscales. |
|
sentences: |
|
- >- |
|
passage: Conformément à l'article 310 K annexé au code général des impôts, |
|
l'usine marémotrice de la Rance, localisée entre Saint-Malo et La Richardais |
|
en Ille-et-Vilaine, peut prétendre à une déduction complémentaire. Cette |
|
dernière, prévue par le dernier alinéa de l'article 1499 du même code, se |
|
voit attribuer un taux de 50 %. Ce dispositif fiscal s'avère donc pertinent |
|
pour l'usine considérée, lui permettant de bénéficier d'un avantage |
|
significatif quant à sa charge fiscale. |
|
- >- |
|
passage: Selon les dispositions de l'article R*196-6 du Livre des procédures |
|
fiscales, il est attribué aux sujets fiscaux un intervalle précisément |
|
défini pour élever des réclamations à l'égard des taxes, cotisations et |
|
autres prélèvements relatifs aux céréales et leurs transformés. Ce délai se |
|
prolonge jusqu'à la fin de la campagne agricole suivante celle au cours de |
|
laquelle l'avis de mise en recouvrement de la taxe a été notifié ou le |
|
règlement de l'imposition contestée effectué, permettant ainsi aux parties |
|
prenantes de se prévaloir de leurs prérogatives contestataires avec une |
|
certitude temporelle. |
|
- >- |
|
passage: Selon l'article R*198-2 du Livre des procédures fiscales, le |
|
traitement des réclamations collectives en cas de catastrophes naturelles |
|
impactant les cultures agricoles, incluant des phénomènes tels que la grêle |
|
ou les inondations, exige la collaboration de plusieurs entités |
|
administratives. Initialement, deux commissaires sont nommés par |
|
l'administration fiscale pour superviser le processus. Ils sont assistés par |
|
un délégué de l'administration des impôts. Avant toute action, le maire de |
|
la commune affectée est notifié au moins dix jours avant l'inspection |
|
prévue, et il est chargé de communiquer cette date aux résidents via des |
|
affichages publics. Les agriculteurs affectés doivent alors rapporter leurs |
|
pertes à la mairie avant la réalisation d'un constat officiel par |
|
l'inspecteur des impôts, qui sera consigné dans un procès-verbal. Une fois |
|
ce document clôturé, aucune réclamation supplémentaire n'est acceptée. |
|
co2_eq_emissions: |
|
emissions: 935.6048701736584 |
|
energy_consumed: 2.5345915368808805 |
|
source: codecarbon |
|
training_type: fine-tuning |
|
on_cloud: false |
|
cpu_model: AMD EPYC 9V84 96-Core Processor |
|
ram_total_size: 314.6862907409668 |
|
hours_used: 4.578 |
|
hardware_used: 1 x NVIDIA H100 NVL |
|
model-index: |
|
- name: SentenceTransformer based on intfloat/multilingual-e5-base |
|
results: |
|
- task: |
|
type: information-retrieval |
|
name: Information Retrieval |
|
dataset: |
|
name: Lemone information retrieval |
|
type: Lemone-information-retrieval |
|
metrics: |
|
- type: cosine_accuracy@1 |
|
value: 0.9743095696852923 |
|
name: Cosine Accuracy@1 |
|
- type: cosine_accuracy@3 |
|
value: 0.9910083493898523 |
|
name: Cosine Accuracy@3 |
|
- type: cosine_accuracy@5 |
|
value: 0.993577392421323 |
|
name: Cosine Accuracy@5 |
|
- type: cosine_accuracy@10 |
|
value: 0.9955041746949261 |
|
name: Cosine Accuracy@10 |
|
- type: cosine_precision@1 |
|
value: 0.9743095696852923 |
|
name: Cosine Precision@1 |
|
- type: cosine_precision@3 |
|
value: 0.3303361164632841 |
|
name: Cosine Precision@3 |
|
- type: cosine_precision@5 |
|
value: 0.1987154784842646 |
|
name: Cosine Precision@5 |
|
- type: cosine_precision@10 |
|
value: 0.09955041746949261 |
|
name: Cosine Precision@10 |
|
- type: cosine_recall@1 |
|
value: 0.9743095696852923 |
|
name: Cosine Recall@1 |
|
- type: cosine_recall@3 |
|
value: 0.9910083493898523 |
|
name: Cosine Recall@3 |
|
- type: cosine_recall@5 |
|
value: 0.993577392421323 |
|
name: Cosine Recall@5 |
|
- type: cosine_recall@10 |
|
value: 0.9955041746949261 |
|
name: Cosine Recall@10 |
|
- type: cosine_ndcg@10 |
|
value: 0.9861914645525343 |
|
name: Cosine Ndcg@10 |
|
- type: cosine_mrr@10 |
|
value: 0.9830603725112395 |
|
name: Cosine Mrr@10 |
|
- type: cosine_map@100 |
|
value: 0.9832992231274837 |
|
name: Cosine Map@100 |
|
- type: dot_accuracy@1 |
|
value: 0.9743095696852923 |
|
name: Dot Accuracy@1 |
|
- type: dot_accuracy@3 |
|
value: 0.9910083493898523 |
|
name: Dot Accuracy@3 |
|
- type: dot_accuracy@5 |
|
value: 0.993577392421323 |
|
name: Dot Accuracy@5 |
|
- type: dot_accuracy@10 |
|
value: 0.9955041746949261 |
|
name: Dot Accuracy@10 |
|
- type: dot_precision@1 |
|
value: 0.9743095696852923 |
|
name: Dot Precision@1 |
|
- type: dot_precision@3 |
|
value: 0.3303361164632841 |
|
name: Dot Precision@3 |
|
- type: dot_precision@5 |
|
value: 0.1987154784842646 |
|
name: Dot Precision@5 |
|
- type: dot_precision@10 |
|
value: 0.09955041746949261 |
|
name: Dot Precision@10 |
|
- type: dot_recall@1 |
|
value: 0.9743095696852923 |
|
name: Dot Recall@1 |
|
- type: dot_recall@3 |
|
value: 0.9910083493898523 |
|
name: Dot Recall@3 |
|
- type: dot_recall@5 |
|
value: 0.993577392421323 |
|
name: Dot Recall@5 |
|
- type: dot_recall@10 |
|
value: 0.9955041746949261 |
|
name: Dot Recall@10 |
|
- type: dot_ndcg@10 |
|
value: 0.9861914645525343 |
|
name: Dot Ndcg@10 |
|
- type: dot_mrr@10 |
|
value: 0.9830603725112395 |
|
name: Dot Mrr@10 |
|
- type: dot_map@100 |
|
value: 0.9832992231274837 |
|
name: Dot Map@100 |
|
license: apache-2.0 |
|
language: |
|
- fr |
|
datasets: |
|
- louisbrulenaudet/code-impots |
|
- louisbrulenaudet/code-impots-annexe-iv |
|
- louisbrulenaudet/code-impots-annexe-iii |
|
- louisbrulenaudet/code-impots-annexe-i |
|
- louisbrulenaudet/code-impots-annexe-ii |
|
- louisbrulenaudet/livre-procedures-fiscales |
|
- louisbrulenaudet/bofip |
|
--- |
|
|
|
<img src="assets/thumbnail.webp"> |
|
|
|
# Lemone-Embed: A Series of Fine-Tuned Embedding Models for French Taxation |
|
|
|
<div class="not-prose bg-gradient-to-r from-gray-50-to-white text-gray-900 border" style="border-radius: 8px; padding: 0.5rem 1rem;"> |
|
<p>This series is made up of 7 models, 3 basic models of different sizes trained on 1 epoch, 3 models trained on 2 epochs making up the Boost series and a Pro model with a non-Roberta architecture.</p> |
|
</div> |
|
|
|
This sentence transformers model, specifically designed for French taxation, has been fine-tuned on a dataset comprising 43 million tokens, integrating a blend of semi-synthetic and fully synthetic data generated by GPT-4 Turbo and Llama 3.1 70B, which have been further refined through evol-instruction tuning and manual curation. |
|
|
|
The model is tailored to meet the specific demands of information retrieval across large-scale tax-related corpora, supporting the implementation of production-ready Retrieval-Augmented Generation (RAG) applications. Its primary purpose is to enhance the efficiency and accuracy of legal processes in the taxation domain, with an emphasis on delivering consistent performance in real-world settings, while also contributing to advancements in legal natural language processing research. |
|
|
|
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [intfloat/multilingual-e5-base](https://huggingface.co/intfloat/multilingual-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/multilingual-e5-base](https://huggingface.co/intfloat/multilingual-e5-base) <!-- at revision d13f1b27baf31030b7fd040960d60d909913633f --> |
|
- **Maximum Sequence Length:** 512 tokens |
|
- **Output Dimensionality:** 768 tokens |
|
- **Similarity Function:** Cosine Similarity |
|
- **Developed by:** Louis Brulé Naudet |
|
- **Funded by:** Microsoft for Startups |
|
- **Shared by:** Louis Brulé Naudet |
|
- **Model type:** Sentence Transformers |
|
- **Language(s) (NLP):** FR |
|
- **License:** Apache 2 |
|
- **Finetuned from model:** [intfloat/multilingual-e5-base](https://huggingface.co/intfloat/multilingual-e5-base) |
|
|
|
### 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': 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("louisbrulenaudet/lemone-embed-m-boost") |
|
# Run inference |
|
sentences = [ |
|
"query: Décrivez avec précision les étapes détaillées requises pour traiter les réclamations collectives résultant de désastres agricoles comme définies dans l'article R*198-2 du Livre des procédures fiscales.", |
|
"passage: Selon l'article R*198-2 du Livre des procédures fiscales, le traitement des réclamations collectives en cas de catastrophes naturelles impactant les cultures agricoles, incluant des phénomènes tels que la grêle ou les inondations, exige la collaboration de plusieurs entités administratives. Initialement, deux commissaires sont nommés par l'administration fiscale pour superviser le processus. Ils sont assistés par un délégué de l'administration des impôts. Avant toute action, le maire de la commune affectée est notifié au moins dix jours avant l'inspection prévue, et il est chargé de communiquer cette date aux résidents via des affichages publics. Les agriculteurs affectés doivent alors rapporter leurs pertes à la mairie avant la réalisation d'un constat officiel par l'inspecteur des impôts, qui sera consigné dans un procès-verbal. Une fois ce document clôturé, aucune réclamation supplémentaire n'est acceptée.", |
|
"passage: Selon les dispositions de l'article R*196-6 du Livre des procédures fiscales, il est attribué aux sujets fiscaux un intervalle précisément défini pour élever des réclamations à l'égard des taxes, cotisations et autres prélèvements relatifs aux céréales et leurs transformés. Ce délai se prolonge jusqu'à la fin de la campagne agricole suivante celle au cours de laquelle l'avis de mise en recouvrement de la taxe a été notifié ou le règlement de l'imposition contestée effectué, permettant ainsi aux parties prenantes de se prévaloir de leurs prérogatives contestataires avec une certitude temporelle.", |
|
] |
|
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: `Lemone-information-retrieval` |
|
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator) |
|
|
|
| Metric | Value | |
|
|:--------------------|:-----------| |
|
| cosine_accuracy@1 | 0.9743 | |
|
| cosine_accuracy@3 | 0.991 | |
|
| cosine_accuracy@5 | 0.9936 | |
|
| cosine_accuracy@10 | 0.9955 | |
|
| cosine_precision@1 | 0.9743 | |
|
| cosine_precision@3 | 0.3303 | |
|
| cosine_precision@5 | 0.1987 | |
|
| cosine_precision@10 | 0.0996 | |
|
| cosine_recall@1 | 0.9743 | |
|
| cosine_recall@3 | 0.991 | |
|
| cosine_recall@5 | 0.9936 | |
|
| cosine_recall@10 | 0.9955 | |
|
| cosine_ndcg@10 | 0.9862 | |
|
| cosine_mrr@10 | 0.9831 | |
|
| **cosine_map@100** | **0.9833** | |
|
| dot_accuracy@1 | 0.9743 | |
|
| dot_accuracy@3 | 0.991 | |
|
| dot_accuracy@5 | 0.9936 | |
|
| dot_accuracy@10 | 0.9955 | |
|
| dot_precision@1 | 0.9743 | |
|
| dot_precision@3 | 0.3303 | |
|
| dot_precision@5 | 0.1987 | |
|
| dot_precision@10 | 0.0996 | |
|
| dot_recall@1 | 0.9743 | |
|
| dot_recall@3 | 0.991 | |
|
| dot_recall@5 | 0.9936 | |
|
| dot_recall@10 | 0.9955 | |
|
| dot_ndcg@10 | 0.9862 | |
|
| dot_mrr@10 | 0.9831 | |
|
| dot_map@100 | 0.9833 | |
|
|
|
<!-- |
|
## 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 |
|
|
|
* Size: 296,234 training samples |
|
* Columns: <code>query</code>, <code>positive</code>, and <code>negative</code> |
|
* Approximate statistics based on the first 1000 samples: |
|
| | query | positive | negative | |
|
|:--------|:-----------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------| |
|
| type | string | string | string | |
|
| details | <ul><li>min: 24 tokens</li><li>mean: 54.2 tokens</li><li>max: 179 tokens</li></ul> | <ul><li>min: 75 tokens</li><li>mean: 182.28 tokens</li><li>max: 332 tokens</li></ul> | <ul><li>min: 53 tokens</li><li>mean: 190.2 tokens</li><li>max: 456 tokens</li></ul> | |
|
* Loss: [<code>CachedGISTEmbedLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#cachedgistembedloss) with these parameters: |
|
```json |
|
{'guide': SentenceTransformer( |
|
(0): Transformer({'max_seq_length': 8192, 'do_lower_case': False}) with Transformer model: NewModel |
|
(1): Pooling({'word_embedding_dimension': 768, '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() |
|
), 'temperature': 0.01} |
|
``` |
|
|
|
### Training Hyperparameters |
|
#### Non-Default Hyperparameters |
|
|
|
- `eval_strategy`: steps |
|
- `per_device_train_batch_size`: 512 |
|
- `learning_rate`: 2e-05 |
|
- `num_train_epochs`: 2 |
|
- `warmup_ratio`: 0.1 |
|
- `fp16`: True |
|
- `batch_sampler`: no_duplicates |
|
|
|
#### All Hyperparameters |
|
<details><summary>Click to expand</summary> |
|
|
|
- `overwrite_output_dir`: False |
|
- `do_predict`: False |
|
- `eval_strategy`: steps |
|
- `prediction_loss_only`: True |
|
- `per_device_train_batch_size`: 512 |
|
- `per_device_eval_batch_size`: 8 |
|
- `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`: 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`: 2 |
|
- `max_steps`: -1 |
|
- `lr_scheduler_type`: linear |
|
- `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`: 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`: 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 |
|
- `eval_on_start`: False |
|
- `eval_use_gather_object`: False |
|
- `batch_sampler`: no_duplicates |
|
- `multi_dataset_batch_sampler`: proportional |
|
|
|
</details> |
|
|
|
### Environmental Impact |
|
Carbon emissions were measured using [CodeCarbon](https://github.com/mlco2/codecarbon). |
|
- **Energy Consumed**: 2.535 kWh |
|
- **Carbon Emitted**: 0.936 kg of CO2 |
|
- **Hours Used**: 4.578 hours |
|
|
|
### Training Hardware |
|
- **On Cloud**: No |
|
- **GPU Model**: 1 x NVIDIA H100 NVL |
|
- **CPU Model**: AMD EPYC 9V84 96-Core Processor |
|
- **RAM Size**: 314.69 GB |
|
|
|
### Framework Versions |
|
- Python: 3.10.12 |
|
- Sentence Transformers: 3.1.1 |
|
- Transformers: 4.44.2 |
|
- PyTorch: 2.3.0+cu121 |
|
- Accelerate: 0.33.0 |
|
- Datasets: 2.21.0 |
|
- 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", |
|
} |
|
``` |
|
|
|
If you use this code in your research, please use the following BibTeX entry. |
|
|
|
```BibTeX |
|
@misc{louisbrulenaudet2024, |
|
author = {Louis Brulé Naudet}, |
|
title = {Lemone-Embed: A Series of Fine-Tuned Embedding Models for French Taxation}, |
|
year = {2024} |
|
howpublished = {\url{https://huggingface.co/datasets/louisbrulenaudet/lemone-embed-m-boost}}, |
|
} |
|
``` |
|
|
|
## Feedback |
|
|
|
If you have any feedback, please reach out at [[email protected]](mailto:[email protected]). |
