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

This is a sentence-transformers model finetuned from Alibaba-NLP/gte-multilingual-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: Alibaba-NLP/gte-multilingual-base
Maximum Sequence Length: 512 tokens
Output Dimensionality: 768 tokens
Similarity Function: Cosine Similarity

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})
  (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("seongil-dn/gte-further-filtered-neg4-bs96")
# Run inference
sentences = [
    '안압지의 역사적 이름은 무엇인가요?',
    '1980년, 안압지에서 발굴된 토기 파편 등으로 신라시대에 이 곳이 월지(月池)라고 불렸다는 사실이 확인되었다. 이는 신라 왕궁인 반월성(半月城)과 가까이 있었기 때문이며, 임해전의 이름도 본디 월지궁이었다고 한다. 조선시대에는 폐허가 된 이곳에 기러기와 오리들이 날아들자 조선의 묵객들이 안압지(雁鴨池)라는 이름을 붙였다. 《삼국사기》에 동궁을 임해전(臨海殿), 즉 바다에 면한 건물이라고 불렀다는 기록이 있으며, 여기에서 안압지는 바다를 상징한다.',
    '안압지라는 명칭은 조선 초기에 간행된 《동국여지승람》과 《동경잡기》등에 나타나고 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]

Training Details

Training Dataset

Unnamed Dataset

Size: 99,239 training samples
Columns: anchor, positive, and negative

Approximate statistics based on the first 1000 samples:

	anchor	positive	negative
type	string	string	string
details	min: 8 tokens mean: 18.0 tokens max: 32 tokens	min: 16 tokens mean: 155.17 tokens max: 512 tokens	min: 2 tokens mean: 132.62 tokens max: 512 tokens

Samples:

anchor	positive	negative
`야노 타쿠지의 동생은 어떤 성격을 가지고 있나요?`	중반부터 추가된 새로운 전사. 예전 유스케들을 감싸 볼트에게 살해당한 야노 타쿠지의 동생. 강한 파워 파이터 이기도 하며 형의 사후 도로테 박사들에 의해 라이브맨을 지원하는 훈련을 받고 있었다. 타케시라는 동생이 있으나 극중에서 이들 사이의 관계는 뚜렷하지 않은 편이다. 권투가 뛰어나고 조금 무모하고 말투도 난폭하다. 특히 형들의 적인 볼트가 관련되면 냉정할 수 없게 되지만 실력이 따라주지 않는 경우가 많아서 초기에는 멤버 3명의 발목을 잡기도 했다. 하지만 곤란한 사람은 내버려 둘수없는 상냥한 성격이다.	`노노의 남동생이며 게임을 좋아한다.`
`야노 타쿠지의 동생은 어떤 성격을 가지고 있나요?`	중반부터 추가된 새로운 전사. 예전 유스케들을 감싸 볼트에게 살해당한 야노 타쿠지의 동생. 강한 파워 파이터 이기도 하며 형의 사후 도로테 박사들에 의해 라이브맨을 지원하는 훈련을 받고 있었다. 타케시라는 동생이 있으나 극중에서 이들 사이의 관계는 뚜렷하지 않은 편이다. 권투가 뛰어나고 조금 무모하고 말투도 난폭하다. 특히 형들의 적인 볼트가 관련되면 냉정할 수 없게 되지만 실력이 따라주지 않는 경우가 많아서 초기에는 멤버 3명의 발목을 잡기도 했다. 하지만 곤란한 사람은 내버려 둘수없는 상냥한 성격이다.	`야스히코의 여동생.`
`야노 타쿠지의 동생은 어떤 성격을 가지고 있나요?`	중반부터 추가된 새로운 전사. 예전 유스케들을 감싸 볼트에게 살해당한 야노 타쿠지의 동생. 강한 파워 파이터 이기도 하며 형의 사후 도로테 박사들에 의해 라이브맨을 지원하는 훈련을 받고 있었다. 타케시라는 동생이 있으나 극중에서 이들 사이의 관계는 뚜렷하지 않은 편이다. 권투가 뛰어나고 조금 무모하고 말투도 난폭하다. 특히 형들의 적인 볼트가 관련되면 냉정할 수 없게 되지만 실력이 따라주지 않는 경우가 많아서 초기에는 멤버 3명의 발목을 잡기도 했다. 하지만 곤란한 사람은 내버려 둘수없는 상냥한 성격이다.	`그의 동생인 고기석 또한 만화가이다.`

Loss: MultipleNegativesRankingLoss with these parameters:

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

Training Hyperparameters

Non-Default Hyperparameters

per_device_train_batch_size: 96
adam_epsilon: 1e-07
warmup_ratio: 0.05
bf16: True
batch_sampler: no_duplicates

All Hyperparameters

Click to expand

overwrite_output_dir: False
do_predict: False
eval_strategy: no
prediction_loss_only: True
per_device_train_batch_size: 96
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: 5e-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: 3
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

Training Logs