gte-base-miracl-250k-answerable-bs128

SentenceTransformer based on Alibaba-NLP/gte-multilingual-mlm-base

This is a sentence-transformers model finetuned from Alibaba-NLP/gte-multilingual-mlm-base on the miracl-corpus dataset. 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: Alibaba-NLP/gte-multilingual-mlm-base <!-- at revision b747c5e8eb09e48c24eb3d4e48f80a79a18889ff -->
• Maximum Sequence Length: 512 tokens
• Output Dimensionality: 768 tokens
• Similarity Function: Cosine Similarity
• Training Dataset:
  • miracl-corpus

<!-- - **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: 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})
)

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("seongil-dn/gte-base-miracl-250k-answerable-bs128")
# Run inference
sentences = [
    '주계열성의 중심핵 온도는 얼마나 될까요?',
    '수소 핵융합 과정은 온도에 민감하기 때문에 중심핵의 온도가 조금만 올라가도 핵융합의 강도는 막대하게 증가한다. 주계열성의 중심핵 온도는 가장 뜨거운 별과 가장 차가운 별을 비교하면 10배 정도밖에 차이가 나지 않는다. 예를 들면 O형 항성의 경우 중심 온도는 4천만 켈빈이며 어둡고 희미한 적색 왜성의 중심부 온도는 4백만 켈빈 정도에 이른다.',
    '처음 묘소는 충청남도 서산군 보현동(普賢洞) 인좌에 안장되었다가, 뒤에 두번째 부인 순천박씨가 매장된 경기도 양주군 와부면 도곡리 산 97-1 안골(현, 남양주시 와부읍 도곡1리 안골) 금대산(金臺山)의 갓무봉 언덕으로 이장, 합장되었다. 동시에 충청북도 충주에 안장되었던 본처 대구서씨의 묘소도 이장하여 그의 묘소에 합장하였다. 중종 때의 반정공신 박원종의 묘소가 근처에 있다. 완순군 이재완 역시 그의 묘소 근처에 안장되었다. 또한 완순군의 묘 아래에는 그의 양자 이재완의 아들 이달용의 묘가 있다.',
]
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.* --> <!-- ## 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

miracl-corpus

• Dataset: miracl-corpus
• Size: 204,133 training samples
• Columns: <code>anchor</code> and <code>positive</code>
• Approximate statistics based on the first 1000 samples:

  	anchor	positive
  type	string	string
  details	<ul><li>min: 8 tokens</li><li>mean: 17.61 tokens</li><li>max: 43 tokens</li></ul>	<ul><li>min: 45 tokens</li><li>mean: 139.07 tokens</li><li>max: 512 tokens</li></ul>

• Samples:

  anchor	positive
  <code>별의 나이는 어떻게 측정하는가?</code>	<code>별의 나이는 토륨과 다른 성분들에 의해 만들어진 스펙트럼선들의 상대적인 힘을 측정하기 위해 초거대망원경의 자외선 분광기를 사용하여 추측한다. 선의 힘은 여러 가지 다양한 동위원소를 만들어내는데, 그것들로부터 핵우주 연대학을 사용하여 별의 나이를 짐작하는 것이다.</code>
  <code>헬크릭층에서 발견되는 드로마에오사우루스과 공룡은 무엇인가요?</code>	<code>헬크릭층에서 발견되는 수각류로는 티라노사우루스과, 오르니토미무스과, 트로오돈과,조류, 카에나그나티드과 그리고 드로마에오사우루스과의 여러 속들이 있다. 아케로랍토르가 헬크릭층에서 발견되는 유일한 드로마에오사우루스과 공룡인 것으로 보인다. 흔히 발견되는 이빨은 드로마에오사우루스나 사우로르니톨레스테스의 것으로 간주되었으나 지금은 아케로랍토르의 것으로 생각하고 있다. 티라노사우루스과의 공룡으로는 나노티라누스와 티라노사우루스가 있는데, 나노티라누스는 티라노사우루스의 어린 개체일 가능성이 있다. 오르니토미무스과로는 스트루티오미무스와 오르니토미무스가 있으며, 정식으로 보고되지 않은 공룡인 오르코미무스도 헬크릭층에서 발견된 것일 수 있다. 트로오돈과의 공룡으로는 트로오돈과 파로니코돈이 헬크릭층에서 발견된다. 조류로는 아비사우루스, 그리고 브로다비스의 여러 종, 명명되지 않은 세 종류의 헤스페르오로르니스류가 있다. 오비랍토로사우리아는 헬크릭층에서 안주와 렙토린코스 두 종류가 있다.</code>
  <code>남이 장군은 언제 죽었는가?</code>	<code>1468년 10월 24일 예종이 즉위한 지 한 달 보름만에 유자광이 남이(南怡)가 역모를 꾀하고 있다는 고변으로 시작되어 이시애의 난을 진압하는 데 공을 세웠던 남이(南怡)와 강순을 비롯해 민서, 문효량, 변영수, 변자의, 오치권 등이 역모죄로 죽음을 당한 사건이다.</code>

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

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

Training Hyperparameters

Non-Default Hyperparameters

• per_device_train_batch_size: 128
• learning_rate: 1e-05
• adam_epsilon: 1e-07
• num_train_epochs: 5
• warmup_ratio: 0.05
• bf16: True
• dataloader_drop_last: True
• batch_sampler: no_duplicates

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: 128
• 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: 1e-05
• weight_decay: 0.0
• adam_beta1: 0.9
• adam_beta2: 0.999
• adam_epsilon: 1e-07
• max_grad_norm: 1.0
• num_train_epochs: 5
• max_steps: -1
• lr_scheduler_type: linear
• 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
• use_ipex: 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: True
• 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>

Training Logs

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

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