sodebur

SentenceTransformer based on sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2

This is a sentence-transformers model finetuned from sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. 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: sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 <!-- at revision 86741b4e3f5cb7765a600d3a3d55a0f6a6cb443d -->
• Maximum Sequence Length: 512 tokens
• Output Dimensionality: 768 dimensions
• Similarity Function: Cosine Similarity

<!-- - **Training Dataset:** Unknown --> <!-- - **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': 512, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 384, 'pooling_mode_cls_token': True, '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:

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("gpellejero/sodebur")
# Run inference
sentences = [
    '¿Hay rutas recomendadas para recorrer durante la Floración en Las Caderechas?',
    'Título: Floración en Las Caderechas\nZona: Bureba\nDuración: \nCoordenadas: 42.767300730677,-3.4972729277385\nTipo de recurso: Naturaleza, Mucho más\n\nFloración en Las Caderechas\n\n',
    'Título: Btt Dehesas Montijanas\nZona: Merindades\nDuración: 12 h\nCoordenadas: 43.03553,-3.4830100000000006\nTipo de recurso: Rutas-Territorio Ciclista-BTT\n\nBtt Dehesas Montijanas\n\nComenzamos ruta en la localidad de El Ribero de Montija.Desde el área recreativa y zona verde del pueblo, junto al río Cerneja, salimos callejeando hasta cruzar la carretera en dirección Norte, rodando entre dicho río y la montaña por caminos y pistas entre bosques de pino y roble.Unos km más adelante, cambiamos de rumbo totalmente transitando por caminos anchos sencillos entre los típicos prados montijanos, pasando por la bonita dehesa de Villasante, con ejemplares de robles centenarios.De ahí nos dirigimos al monte Edilla, donde haremos uno de los tramos más divertidos, por un sendero largo y revirado bajo un frondoso robledal y a orillas del río Trueba. Tras este bonito paso, volvemos a abrirnos a los praderíos, siempre por caminos de herradura y pista ancha, acercándonos a la gran dificultad de la ruta, la ascensión al monte de Bedón, con rampas duras que nos llevarán entre bonitos pinares y praderas altas.Tras un rápido descenso, llegamos a Bedón, donde afrontaremos una divertida trialera, con algunas zonas de pierda suelta y continuos sube y bajas, tras los que pasaremos por las extensas campas verdes de peña Horrero.TTras un bonito camino dominando las lagunas de Antuzanos, iremos descendiendo hacia la ribera del Trueba, por donde llegaremos cómodamente al punto final de ruta por caminos clásicos de herradura entre el río y las huertas de ribera.Zonas de especial atención:-KM 1: cruce de carretera nacional. Extremar precaución-KM 4-6: Tramo de pista y camino ancho con algunas roderas y charcos profundos creados por la lluvia. Transitar con precaución-KM 7: cruce de carretera nacional. Extremar precaución-KM 28-30: tramo por trialera técnica. Transitar con precaución-KM 36,5: cruce de carretera nacional. Extremar precaución\n\n\n\n\n\n\n\n\n        btt-larga.jpg\n    \n  \n  \n      \n\n  \n\n\n\n\n\n\n\n\n\n\n\n\n        logotipo_lineaverde_merindades.png',
]
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

Semantic Similarity

• Dataset: val
• Evaluated with <code>EmbeddingSimilarityEvaluator</code>

<!-- ## 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: 3,726 training samples
• Columns: <code>sentence_0</code>, <code>sentence_1</code>, and <code>sentence_2</code>
• Approximate statistics based on the first 1000 samples:

  	sentence_0	sentence_1	sentence_2
  type	string	string	string
  details	<ul><li>min: 10 tokens</li><li>mean: 21.75 tokens</li><li>max: 34 tokens</li></ul>	<ul><li>min: 31 tokens</li><li>mean: 242.86 tokens</li><li>max: 512 tokens</li></ul>	<ul><li>min: 31 tokens</li><li>mean: 477.1 tokens</li><li>max: 512 tokens</li></ul>

• Samples:

  sentence_0	sentence_1	sentence_2
  <code>¿Dónde están ubicadas las principales áreas de interés en el PRC-BU 142 Riberas de Medina?</code>	<code>Título: PRC-BU 142 Riberas de Medina<br>Zona: Merindades<br>Duración: 3 h<br>Coordenadas: 42.924728,-3.484652<br>Tipo de recurso: Rutas-De senderos<br><br>PRC-BU 142 Riberas de Medina<br><br>El sendero parte hacia el oeste de Medina para dirigirse hacia el río Nela y continuar paralelo a su curso hacia el sur. Por el camino pasa por la antigua centra del Quintarnaza y por la localidad de El Vado, que conserva un buen puente de piedra sobre el río. Al regresar hacia Medina se atraviesa el río Trueba por pueblo un puente del antiguo trazado ferroviario del Santander- Mediterráneo. La ruta pasa por Villacomparada entre huertas antes de llegar a Medina.</code>	<code>Título: Btt Dehesas Montijanas<br>Zona: Merindades<br>Duración: 12 h<br>Coordenadas: 43.03553,-3.4830100000000006<br>Tipo de recurso: Rutas-Territorio Ciclista-BTT<br><br>Btt Dehesas Montijanas<br><br>Comenzamos ruta en la localidad de El Ribero de Montija.Desde el área recreativa y zona verde del pueblo, junto al río Cerneja, salimos callejeando hasta cruzar la carretera en dirección Norte, rodando entre dicho río y la montaña por caminos y pistas entre bosques de pino y roble.Unos km más adelante, cambiamos de rumbo totalmente transitando por caminos anchos sencillos entre los típicos prados montijanos, pasando por la bonita dehesa de Villasante, con ejemplares de robles centenarios.De ahí nos dirigimos al monte Edilla, donde haremos uno de los tramos más divertidos, por un sendero largo y revirado bajo un frondoso robledal y a orillas del río Trueba. Tras este bonito paso, volvemos a abrirnos a los praderíos, siempre por caminos de herradura y pista ancha, acercándonos a la gran dificultad de la ruta, la a...</code>
  <code>¿Cuál es la gastronomía típica de Mesanza?</code>	<code>Título: Mesanza<br>Zona: Bureba<br>Duración: <br>Coordenadas: 42.678771790052,-2.6608528685311<br>Tipo de recurso: Descúbrenos, Bureba y Valles<br><br>Mesanza<br><br></code>	<code>Título: PRC-BU 183 Sendero de Fuente Sagredo<br>Zona: Merindades<br>Duración: 2 h 30 min<br>Coordenadas: 42.808774,-3.523065<br>Tipo de recurso: Rutas-De senderos<br><br>PRC-BU 183 Sendero de Fuente Sagredo<br><br>El Sendero de Fuente Sagredo, es una bella ruta circular cuyo punto de partida se encuentra en la localidad de Condado de Valdivielso.Con la ribera del Ebro como protagonista, en su recorrido, perfectamente señalizado, disfrutarás de impresionantes panorámicas del valle de Valdivielso y descubrirás la cueva de origen Kárstico de Fuente Sagredo.</code>
  <code>¿Qué recomendaciones tienes para visitar el Castillo Monasterio de Rodilla?</code>	<code>Título: Castillo Monasterio de Rodilla<br>Zona: Bureba<br>Duración: <br>Coordenadas: 42.463387339222,-3.4849133085937<br>Tipo de recurso: Patrimonio, Arte medieval y castillos<br><br>Castillo Monasterio de Rodilla<br><br></code>	<code>Título: BTT

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

  {
      "distance_metric": "TripletDistanceMetric.COSINE",
      "triplet_margin": 0.7
  }
  

Training Hyperparameters

Non-Default Hyperparameters

• eval_strategy: steps
• per_device_train_batch_size: 32
• per_device_eval_batch_size: 32
• num_train_epochs: 0.1
• fp16: True
• multi_dataset_batch_sampler: round_robin

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: 32
• per_device_eval_batch_size: 32
• 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: 5e-05
• weight_decay: 0.0
• adam_beta1: 0.9
• adam_beta2: 0.999
• adam_epsilon: 1e-08
• max_grad_norm: 1
• num_train_epochs: 0.1
• max_steps: -1
• lr_scheduler_type: linear
• lr_scheduler_kwargs: {}
• warmup_ratio: 0.0
• 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}
• tp_size: 0
• 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: 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
• 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: batch_sampler
• multi_dataset_batch_sampler: round_robin

</details>

Training Logs

Framework Versions

• Python: 3.12.3
• Sentence Transformers: 4.1.0
• Transformers: 4.51.3
• PyTorch: 2.7.0+cu126
• Accelerate: 1.6.0
• Datasets: 3.6.0
• Tokenizers: 0.21.1

Citation

BibTeX

Sentence Transformers

@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

@misc{hermans2017defense,
    title={In Defense of the Triplet Loss for Person Re-Identification},
    author={Alexander Hermans and Lucas Beyer and Bastian Leibe},
    year={2017},
    eprint={1703.07737},
    archivePrefix={arXiv},
    primaryClass={cs.CV}
}

<!-- ## Glossary *Clearly define terms in order to be accessible across audiences.* --> <!-- ## Model Card Authors *Lists the people who create the model card, providing recognition and accountability for the detailed work that goes into its construction.* --> <!-- ## Model Card Contact *Provides a way for people who have updates to the Model Card, suggestions, or questions, to contact the Model Card authors.* -->