2026_04_27_1655_embed

SentenceTransformer based on jinaai/jina-embeddings-v5-text-nano-retrieval

This is a sentence-transformers model finetuned from jinaai/jina-embeddings-v5-text-nano-retrieval. 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: jinaai/jina-embeddings-v5-text-nano-retrieval <!-- at revision ac5d898c8d382b17167c33e5c8af644a3519b47d -->
• 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: PeftModelForFeatureExtraction 
  (1): Pooling({'word_embedding_dimension': 768, '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("trunghieu1206/2026_04_27_1655_embed")
# Run inference
sentences = [
    'Trong quá trình điều tra và tại phiên tòa, Lê Văn D đã thành khẩn khai báo, ăn năn hối cải và phạm tội lần đầu. Bị cáo có nhân thân tốt, từng được tặng danh hiệu Chiến sĩ thi đua cơ sở năm 2012, Huy chương chiến sĩ vẻ vang hạng nhì và hạng ba cùng nhiều bằng khen, giấy khen.',
    'Điều 51 - BLHS 2015 (sửa đổi 2017)',
    'Điều 173 - BLHS 2015 (sửa đổi 2017)',
]
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: legal-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: 5,004 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: 15 tokens</li><li>mean: 75.21 tokens</li><li>max: 246 tokens</li></ul>	<ul><li>min: 10 tokens</li><li>mean: 17.3 tokens</li><li>max: 23 tokens</li></ul>

• Samples:

  anchor	positive
  <code>Vàng A C thường xuyên chửi mắng, đánh đập hai người vợ. Đối với Sồng Th D, C dùng que gỗ và thanh sắt vụt nhiều nhát, tra khảo và tát vào mặt khiến D ăn lá ngón tự tử nhưng được cứu sống. Đối với Lầu Th L, C tát nhiều nhát, dùng gậy gỗ đánh và dùng que củi đang cháy vụt vào đùi, chân, tát vào mặt khiến L uống thuốc diệt cỏ tự tử và tử vong vào ngày 14/6/2017.</code>	<code>Điều 100 - BLHS 1999</code>
  <code>Khoảng 19 giờ ngày 11/02/2014, Đinh Văn C dùng súng kíp chĩa nòng súng về phía anh Phạm Văn Đ và đe dọa bắn chết anh Đ. Khi bị anh Phạm Văn Q ngăn cản và tước súng kíp, C tiếp tục dùng súng thể thao chĩa nòng súng về phía anh Q để đe dọa.</code>	<code>Điều 103 - BLHS 1999</code>
  <code>Vũ Đức Dương sử dụng súng hoa cải bắn một phát đạn trúng vào đầu gối chân trái của Kiều Việt Hoàng, gây thương tích tổn hại sức khỏe là 34%.</code>	<code>Điều 104 - BLHS 2015 (sửa đổi 2017)</code>

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

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

Evaluation Dataset

Unnamed Dataset

• Size: 857 evaluation samples
• Columns: <code>anchor</code> and <code>positive</code>
• Approximate statistics based on the first 857 samples:

  	anchor	positive
  type	string	string
  details	<ul><li>min: 14 tokens</li><li>mean: 73.73 tokens</li><li>max: 214 tokens</li></ul>	<ul><li>min: 10 tokens</li><li>mean: 17.66 tokens</li><li>max: 19 tokens</li></ul>

• Samples:

  anchor	positive
  <code>Trương Đức L thành khẩn khai báo, ăn năn hối cải về hành vi phạm tội và được đại diện hợp pháp của người bị hại là ông Điểu H2 xin giảm nhẹ hình phạt.</code>	<code>Điều 46 - BLHS 2015 (sửa đổi 2017)</code>
  <code>Đặng Trường G chưa có tiền án, tiền sự. Tại cơ quan điều tra và tại phiên tòa, bị cáo đã thành khẩn khai báo và ăn năn hối cải về hành vi phạm tội của mình.</code>	<code>Điều 51 - BLHS 2015 (sửa đổi 2017)</code>
  <code>Từ ngày 01/9/2021 đến ngày 10/9/2021, trong quá trình vận chuyển hàng hóa từ Tp. Hồ Chí Minh về huyện Ninh Sơn, tỉnh Ninh Thuận, Mai Xuân Hoàng L và Nguyễn Nhật Tr thường xuyên tiếp xúc gần, hút thuốc và nói chuyện với Lê Hoàng Th, Đỗ Quốc Ph, Lê Văn H và cháu Lê Lâm Thục Q mà không đeo khẩu trang hoặc kéo khẩu trang xuống dưới cằm, dẫn đến việc làm lây lan dịch bệnh SARS-CoV-2 cho những người này.</code>	<code>Điều 240 - BLHS 2015 (sửa đổi 2017)</code>

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

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

Training Hyperparameters

Non-Default Hyperparameters

• eval_strategy: epoch
• per_device_train_batch_size: 32
• per_device_eval_batch_size: 32
• learning_rate: 0.0002
• warmup_ratio: 0.1
• fp16: True
• load_best_model_at_end: True

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: 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: 0.0002
• weight_decay: 0.0
• adam_beta1: 0.9
• adam_beta2: 0.999
• adam_epsilon: 1e-08
• max_grad_norm: 1.0
• num_train_epochs: 3
• max_steps: -1
• lr_scheduler_type: linear
• lr_scheduler_kwargs: None
• 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
• 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: 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}
• 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: False
• resume_from_checkpoint: None
• hub_model_id: None
• 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

</details>

Training Logs

• The bold row denotes the saved checkpoint.

Framework Versions

• Python: 3.12.12
• Sentence Transformers: 3.3.1
• Transformers: 4.57.6
• PyTorch: 2.10.0+cu128
• Accelerate: 1.12.0
• Datasets: 4.8.3
• Tokenizers: 0.22.2

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",
}

MultipleNegativesRankingLoss

@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.* -->