qwen-embedding-finetuned-v2

SentenceTransformer based on Qwen/Qwen3-Embedding-0.6B

This is a sentence-transformers model finetuned from Qwen/Qwen3-Embedding-0.6B on the parquet dataset. 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: Qwen/Qwen3-Embedding-0.6B <!-- at revision c54f2e6e80b2d7b7de06f51cec4959f6b3e03418 -->
• Maximum Sequence Length: 32768 tokens
• Output Dimensionality: 1024 dimensions
• Similarity Function: Cosine Similarity
• Training Dataset:
  • parquet

<!-- - **Language:** Unknown --> <!-- - **License:** Unknown -->

Model Sources

• Documentation: Sentence Transformers Documentation
• Repository: Sentence Transformers on GitHub
• Hugging Face: Sentence Transformers on Hugging Face

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 32768, 'do_lower_case': False, 'architecture': 'Qwen3Model'})
  (1): Pooling({'word_embedding_dimension': 1024, 'pooling_mode_cls_token': False, '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': True, 'include_prompt': True})
  (2): Normalize()
)

Usage

Direct Usage (Sentence Transformers)

First install the Sentence Transformers library:

pip install -U sentence-transformers

Then you can load this model and run inference.

from sentence_transformers import SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("Ryuk00/qwen-embedding-finetuned-v2")
# Run inference
queries = [
    "\u003c|im_start|\u003eassistant\n\u304a\u96fb\u8a71\u3042\u308a\u304c\u3068\u3046\u3054\u3056\u3044\u307e\u3059\u3002[\u59d3\u540d]\u3067\u3054\u3056\u3044\u307e\u3059\u3002\u003c|im_end|\u003e\n\u003c|im_start|\u003euser\n\u3059\u307f\u307e\u305b\u3093\u3001\u30ea\u30e2\u30b3\u30f3\u306e\u4e0d\u5177\u5408\u3067\u65b0\u3057\u3044\u3082\u306e\u306b\u4ea4\u63db\u3057\u305f\u306e\u3067\u3059\u304c\u3001\u97f3\u91cf\u306e\u5909\u5316\u304c\u306a\u3044\u3093\u3067\u3059\u3002\u003c|im_end|\u003e\n\u003c|im_start|\u003eassistant\n\u304a\u96fb\u8a71\u756a\u53f7\u304b\u3089\u304a\u4f3a\u3044\u3067\u304d\u307e\u3059\u304b\u3002\u003c|im_end|\u003e\n\u003c|im_start|\u003euser\n[\u6570\u5b57]\u3067\u3059\u3002\u003c|im_end|\u003e\n\u003c|im_start|\u003eassistant\n\u3054\u5951\u7d04\u8005\u69d8\u306e\u304a\u540d\u524d\u3092\u30d5\u30eb\u30cd\u30fc\u30e0\u3067\u304a\u4f3a\u3044\u3067\u304d\u307e\u3059\u304b\u3002\u003c|im_end|\u003e\n\u003c|im_start|\u003euser\n[\u59d3\u540d]\u3067\u3059\u3002\u003c|im_end|\u003e\n\u003c|im_start|\u003eassistant\n[\u59d3\u540d]\u69d8\u3067\u3059\u306d\u3002\u304a\u96fb\u8a71\u53e3\u306f\u3054\u672c\u4eba\u69d8\u3067\u3088\u308d\u3057\u3044\u3067\u3057\u3087\u3046\u304b\u3002\n\u5ff5\u306e\u305f\u3081[\u59d3\u540d]\u69d8\u306e\u751f\u5e74\u6708\u65e5\u3082\u304a\u4f3a\u3044\u3067\u304d\u307e\u3059\u304b\u3002\u003c|im_end|\u003e\n\u003c|im_start|\u003euser\n\u662d\u548c30\u5e748\u670814\u65e5\u3067\u3059\u3002\u003c|im_end|\u003e\n\u003c|im_start|\u003eassistant\n30\u5e74\u306e8\u670814\u65e5\u3067\u3059\u306d\u3002\n[\u59d3\u540d]\u69d8\u3001\u304a\u5ba2\u69d8\u60c5\u5831\u3067\u30d7\u30ec\u30df\u30a2\u30e0\u30b5\u30fc\u30d3\u30b9\u306e\u3054\u5951\u7d04\u3092\u78ba\u8a8d\u3044\u305f\u3057\u307e\u3057\u305f\u3002\u3044\u3064\u3082\u3054\u5229\u7528\u3042\u308a\u304c\u3068\u3046\u3054\u3056\u3044\u307e\u3059\u3002\n[\u59d3\u540d]\u69d8\u3001\u4eca\u30c1\u30e5\u30fc\u30ca\u30fc\u3068\u30c6\u30ec\u30d3\u306e\u304a\u8fd1\u304f\u306b\u3044\u3089\u3063\u3057\u3083\u3044\u307e\u3059\u3067\u3057\u3087\u3046\u304b\u3002\u003c|im_end|\u003e\n\u003c|im_start|\u003euser\n\u306f\u3044\u3002\u003c|im_end|\u003e\n\u003c|im_start|\u003eassistant\n\u4eca\u304a\u4f7f\u3044\u306b\u306a\u3063\u3066\u3044\u308b\u30d7\u30ec\u30df\u30a2\u30e0\u30c1\u30e5\u30fc\u30ca\u30fc\u306f\u3001TTS[\u6570\u5b57]A\u3068\u66f8\u304b\u308c\u3066\u3044\u308b\u30c1\u30e5\u30fc\u30ca\u30fc\u3067\u304a\u9593\u9055\u3044\u306a\u3044\u3067\u3059\u304b\u3002\u003c|im_end|\u003e\n\u003c|im_start|\u003euser\n\u306f\u3044\u3002\u003c|im_end|\u003e\n\u003c|im_start|\u003eassistant\n\u305d\u308c\u3067\u306f[\u59d3\u540d]\u69d8\u3001\u63a5\u7d9a\u3055\u308c\u3066\u3044\u308b\u30c6\u30ec\u30d3\u306e\u30e1\u30fc\u30ab\u30fc\u306f\u3069\u3061\u3089\u306b\u306a\u308a\u307e\u3059\u304b\u3002\u003c|im_end|\u003e\n\u003c|im_start|\u003euser\n\u30b7\u30e3\u30fc\u30d7\u3067\u3059\u3002\u003c|im_end|\u003e\n\u003c|im_start|\u003eassistant\n",
]
documents = [
    'シャープですね。それでは[姓名]様、テレビメーカーの設定を今から行いたいと思います。今チューナー側のリモコン操作に切り替えはできていますか。',
    'これで設定が完了したはずですが、今テレビの枠のボタンが使えるか試していただけますか。',
    'これで設定が完了したはずですが、今テレビの枠のボタンが使えるか試していただけますか。',
]
query_embeddings = model.encode_query(queries)
document_embeddings = model.encode_document(documents)
print(query_embeddings.shape, document_embeddings.shape)
# [1, 1024] [3, 1024]

# Get the similarity scores for the embeddings
similarities = model.similarity(query_embeddings, document_embeddings)
print(similarities)
# tensor([[0.6202, 0.1643, 0.1643]])

<!-- ### 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.* --> <!-- ## 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

parquet

• Dataset: parquet
• Size: 522,520 training samples
• Columns: <code>anchor</code>, <code>positive</code>, <code>negative</code>, and <code>negative_0</code>
• Approximate statistics based on the first 1000 samples:

  	anchor	positive	negative	negative_0
  type	string	string	string	string
  details	<ul><li>min: 35 tokens</li><li>mean: 670.11 tokens</li><li>max: 1880 tokens</li></ul>	<ul><li>min: 3 tokens</li><li>mean: 24.14 tokens</li><li>max: 84 tokens</li></ul>	<ul><li>min: 3 tokens</li><li>mean: 31.32 tokens</li><li>max: 328 tokens</li></ul>	<ul><li>min: 3 tokens</li><li>mean: 31.32 tokens</li><li>max: 328 tokens</li></ul>

• Samples:

  anchor	positive	negative	negative_0
  <code><|im_start|>assistant<br>明けましておめでとうございます。[姓名]でございます。<|im_end|><br><|im_start|>user<br>すみません。アンテナの修理を頼んであるんだけど、来なくてもいいです。<|im_end|><br><|im_start|>assistant<br></code>	<code>工事のキャンセルのお申し出ということで承りました。</code>	<code>そこでご了承いただいてから実際の作業に移らせていただきますので、もしご納得いただけなかったり検討されたい場合には、その場でキャンセルも可能でございます。料金が発生した場合は工事後現金払いとなりますので、よろしくお願いします。</code>	<code>そこでご了承いただいてから実際の作業に移らせていただきますので、もしご納得いただけなかったり検討されたい場合には、その場でキャンセルも可能でございます。料金が発生した場合は工事後現金払いとなりますので、よろしくお願いします。</code>
  <code><|im_start|>assistant<br>明けましておめでとうございます。[姓名]でございます。<|im_end|><br><|im_start|>user<br>すみません。アンテナの修理を頼んであるんだけど、来なくてもいいです。<|im_end|><br><|im_start|>assistant<br></code>	<code>工事のキャンセルのお申し出ということで承りました。</code>	<code>1月末でもう完全にスカパーをやめるという申し込みをされてしまったので、それがもう事前申し込みの受付もキャンセルみたいな扱いになってしまっていたという状況ですね。</code>	<code>1月末でもう完全にスカパーをやめるという申し込みをされてしまったので、それがもう事前申し込みの受付もキャンセルみたいな扱いになってしまっていたという状況ですね。</code>
  <code><|im_start|>assistant<br>明けましておめでとうございます。[姓名]でございます。<|im_end|><br><|im_start|>user<br>すみません。アンテナの修理を頼んであるんだけど、来なくてもいいです。<|im_end|><br><|im_start|>assistant<br></code>	<code>工事のキャンセルのお申し出ということで承りました。</code>	<code>お伺いしました内容にご納得いただけた場合は了承いただいて作業を進めさせていただきます。全くご納得いただけない場合は現地でもキャンセルは可能でございます。作業料金が発生した場合は、工事業者に現金でのお支払いをお願いしております。</code>	<code>お伺いしました内容にご納得いただけた場合は了承いただいて作業を進めさせていただきます。全くご納得いただけない場合は現地でもキャンセルは可能でございます。作業料金が発生した場合は、工事業者に現金でのお支払いをお願いしております。</code>

• Loss: <code>MultipleNegativesRankingLoss</code> with these parameters:

  {
      "scale": 20.0,
      "similarity_fct": "cos_sim",
      "gather_across_devices": false
  }
  

Training Hyperparameters

Non-Default Hyperparameters

• per_device_train_batch_size: 2
• gradient_accumulation_steps: 16
• learning_rate: 0.0001
• num_train_epochs: 2
• lr_scheduler_type: cosine
• warmup_ratio: 0.05
• bf16: True
• remove_unused_columns: False
• push_to_hub: True
• hub_model_id: Ryuk00/qwen-embedding-finetuned-v2

All Hyperparameters

<details><summary>Click to expand</summary>

• overwrite_output_dir: False
• do_predict: False
• eval_strategy: no
• prediction_loss_only: True
• per_device_train_batch_size: 2
• per_device_eval_batch_size: 8
• per_gpu_train_batch_size: None
• per_gpu_eval_batch_size: None
• gradient_accumulation_steps: 16
• eval_accumulation_steps: None
• torch_empty_cache_steps: None
• learning_rate: 0.0001
• 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: cosine
• lr_scheduler_kwargs: {}
• warmup_ratio: 0.05
• 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
• bf16: True
• fp16: False
• 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: False
• 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}
• parallelism_config: 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
• project: huggingface
• trackio_space_id: trackio
• 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: True
• resume_from_checkpoint: None
• hub_model_id: Ryuk00/qwen-embedding-finetuned-v2
• hub_strategy: every_save
• hub_private_repo: None
• hub_always_push: False
• hub_revision: None
• gradient_checkpointing: False
• gradient_checkpointing_kwargs: None
• include_inputs_for_metrics: False
• include_for_metrics: []
• eval_do_concat_batches: True
• fp16_backend: auto
• push_to_hub_model_id: None
• push_to_hub_organization: None
• mp_parameters:
• auto_find_batch_size: False
• full_determinism: False
• torchdynamo: None
• ray_scope: last
• ddp_timeout: 1800
• torch_compile: False
• torch_compile_backend: None
• torch_compile_mode: None
• include_tokens_per_second: False
• include_num_input_tokens_seen: no
• neftune_noise_alpha: None
• optim_target_modules: None
• batch_eval_metrics: False
• eval_on_start: False
• use_liger_kernel: False
• liger_kernel_config: None
• eval_use_gather_object: False
• average_tokens_across_devices: True
• prompts: None
• batch_sampler: batch_sampler
• multi_dataset_batch_sampler: proportional
• router_mapping: {}
• learning_rate_mapping: {}

</details>

Training Logs

<details><summary>Click to expand</summary>

The model card is truncated. Read the rest on Hugging Face.