File size: 49,599 Bytes
3d3967b |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 |
---
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:54093
- loss:MultipleNegativesRankingLoss
base_model: BAAI/bge-m3
widget:
- source_sentence: Возможно ли представление сообщений через представителя, и какие
условия для этого должны быть соблюдены?
sentences:
- от оказания услуг и (или) предоставления прав использования, заключающихся в предоставлении
доступа к отдельным фонограммам, совокупности фонограмм, объектам авторского и
смежных прав, связанных с фонограммами, с использованием собственных программ
для ЭВМ, баз данных, включенных в единый реестр российских программ для электронных
вычислительных машин и баз данных (либо в случае, если составная часть собственной
программы для ЭВМ включена в единый реестр российских программ для электронных
вычислительных машин и баз данных);
- 4. Суммарный баланс каждой амортизационной группы (подгруппы) ежемесячно уменьшается
на суммы начисленной по этой группе (подгруппе) амортизации.
- 7. Сообщения, предусмотренные пунктами 2, 2.1 и подпунктом 7 пункта 3.4 настоящей
статьи, могут быть представлены в налоговый орган лично или через представителя,
направлены по почте заказным письмом, переданы в электронной форме по телекоммуникационным
каналам связи или через личный кабинет налогоплательщика.
- source_sentence: Какие действия с эмиссионными ценными бумагами российских эмитентов
требуют получения разрешения на их размещение и обращение за пределами Российской
Федерации?
sentences:
- 2.1. В случае неуплаты в течение одного месяца задолженности, указанной в решении
о взыскании, исполнение которого обеспечено наложением ареста на имущество в соответствии
с настоящим Кодексом, либо вступления в силу решения, предусмотренного пунктом
7 статьи 101 настоящего Кодекса, исполнение которого обеспечено запретом на отчуждение
(передачу в залог) имущества налогоплательщика (плательщика сбора, плательщика
страховых взносов, налогового агента) без согласия налогового органа, имущество,
в отношении которого применен указанный в настоящем пункте способ обеспечения
исполнения обязанности по уплате налогов (сборов, страховых взносов) или принята
обеспечительная мера, признается находящимся в залоге у налогового органа на основании
закона.
- за выдачу разрешения на размещение и (или) обращение эмиссионных ценных бумаг
российских эмитентов за пределами Российской Федерации, в том числе посредством
размещения в соответствии с иностранным правом ценных бумаг иностранных эмитентов,
удостоверяющих права в отношении эмиссионных ценных бумаг российских эмитентов,
- 35 000 рублей;
- 1) для определения сопоставимости долговых обязательств учитываются общая сумма
этих обязательств и срок, на который они предоставлены;
- source_sentence: Какие категории плательщиков имеют право на освобождение от уплаты
государственной пошлины при подаче исковых заявлений в арбитражные суды?
sentences:
- 1) договора, на основании которого осуществляется реализация этилового спирта
организациям, указанным в подпункте 3.1 пункта 1 настоящей статьи;
- '19.6) расходы в виде стоимости имущества (включая денежные средства), безвозмездно
переданного следующим некоммерческим организациям:'
- 3. При подаче в арбитражные суды исковых заявлений имущественного характера и
(или) исковых заявлений, содержащих одновременно требования имущественного и неимущественного
характера, плательщики, указанные в пункте 2 настоящей статьи, освобождаются от
уплаты государственной пошлины в случае, если цена иска не превышает 1 000 000
рублей. В случае, если цена иска превышает 1 000 000 рублей, указанные плательщики
уплачивают государственную пошлину в сумме, исчисленной в соответствии с подпунктом
1 пункта 1 статьи 333.21 настоящего Кодекса и уменьшенной на сумму государственной
пошлины, подлежащей уплате при цене иска 1 000 000 рублей.
- source_sentence: Какие налоговые ставки предусмотрены для налога на прибыль организаций?
sentences:
- '1. Объектом налогообложения признается расположенное в пределах муниципального
образования (города федерального значения Москвы, Санкт-Петербурга или Севастополя,
федеральной территории "Сириус") следующее имущество:'
- доходы организации, облагаемые налогом на прибыль организаций по налоговым ставкам,
предусмотренным пунктами 1.6, 3 и 4 статьи 284 настоящего Кодекса, в порядке,
установленном главой 25 настоящего Кодекса;
- В целях настоящего пункта лицом, входящим в одну группу лиц с данной организацией,
признается лицо, которое прямо участвует в данной организации, либо в котором
прямо участвует данная организация, либо в котором и в данной организации прямо
участвует третье лицо, и при этом доля участия во всех случаях составляет более
50 процентов.
- source_sentence: Какие мероприятия включает в себя переселение граждан из аварийного
жилищного фонда, финансируемое некоммерческой организацией?
sentences:
- '4. Для получения свидетельства налогоплательщик представляет в налоговый орган
заявление о выдаче свидетельства, а также следующие документы:'
- 48.9) расходы осуществляющей функции по предоставлению финансовой поддержки на
проведение капитального ремонта многоквартирных домов, переселение граждан из
аварийного жилищного фонда и модернизацию систем коммунальной инфраструктуры в
соответствии с Федеральным законом "О Фонде содействия реформированию жилищно-коммунального
хозяйства" некоммерческой организации, понесенные в связи с размещением (инвестированием)
временно свободных денежных средств;
- 'КЮ - коэффициент, определяемый для налогового периода по следующей формуле, если
иное не установлено настоящим пунктом:'
pipeline_tag: sentence-similarity
library_name: sentence-transformers
metrics:
- cosine_accuracy@1
- cosine_accuracy@3
- cosine_accuracy@5
- cosine_accuracy@10
- cosine_precision@1
- cosine_precision@3
- cosine_precision@5
- cosine_precision@10
- cosine_recall@1
- cosine_recall@3
- cosine_recall@5
- cosine_recall@10
- cosine_ndcg@10
- cosine_mrr@10
- cosine_map@100
model-index:
- name: SentenceTransformer based on BAAI/bge-m3
results:
- task:
type: information-retrieval
name: Information Retrieval
dataset:
name: Legal IR Evaluation Bench
type: Legal_IR_Evaluation_Bench
metrics:
- type: cosine_accuracy@1
value: 0.5841208571808865
name: Cosine Accuracy@1
- type: cosine_accuracy@3
value: 0.803540529748436
name: Cosine Accuracy@3
- type: cosine_accuracy@5
value: 0.8662984160787968
name: Cosine Accuracy@5
- type: cosine_accuracy@10
value: 0.9277918274990017
name: Cosine Accuracy@10
- type: cosine_precision@1
value: 0.5841208571808865
name: Cosine Precision@1
- type: cosine_precision@3
value: 0.26784684324947866
name: Cosine Precision@3
- type: cosine_precision@5
value: 0.17325968321575935
name: Cosine Precision@5
- type: cosine_precision@10
value: 0.09277918274990019
name: Cosine Precision@10
- type: cosine_recall@1
value: 0.5841208571808865
name: Cosine Recall@1
- type: cosine_recall@3
value: 0.803540529748436
name: Cosine Recall@3
- type: cosine_recall@5
value: 0.8662984160787968
name: Cosine Recall@5
- type: cosine_recall@10
value: 0.9277918274990017
name: Cosine Recall@10
- type: cosine_ndcg@10
value: 0.7596599765971341
name: Cosine Ndcg@10
- type: cosine_mrr@10
value: 0.7053084177901225
name: Cosine Mrr@10
- type: cosine_map@100
value: 0.7088494745544287
name: Cosine Map@100
---
# SentenceTransformer based on BAAI/bge-m3
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [BAAI/bge-m3](https://huggingface.co/BAAI/bge-m3). 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:** [BAAI/bge-m3](https://huggingface.co/BAAI/bge-m3) <!-- at revision 5617a9f61b028005a4858fdac845db406aefb181 -->
- **Maximum Sequence Length:** 512 tokens
- **Output Dimensionality:** 1024 dimensions
- **Similarity Function:** Cosine Similarity
<!-- - **Training Dataset:** Unknown -->
<!-- - **Language:** Unknown -->
<!-- - **License:** Unknown -->
### Model Sources
- **Documentation:** [Sentence Transformers Documentation](https://sbert.net)
- **Repository:** [Sentence Transformers on GitHub](https://github.com/UKPLab/sentence-transformers)
- **Hugging Face:** [Sentence Transformers on Hugging Face](https://huggingface.co/models?library=sentence-transformers)
### Full Model Architecture
```
SentenceTransformer(
(0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: XLMRobertaModel
(1): Pooling({'word_embedding_dimension': 1024, '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:
```bash
pip install -U sentence-transformers
```
Then you can load this model and run inference.
```python
from sentence_transformers import SentenceTransformer
# Download from the 🤗 Hub
model = SentenceTransformer("sentence_transformers_model_id")
# Run inference
sentences = [
'Какие мероприятия включает в себя переселение граждан из аварийного жилищного фонда, финансируемое некоммерческой организацией?',
'48.9) расходы осуществляющей функции по предоставлению финансовой поддержки на проведение капитального ремонта многоквартирных домов, переселение граждан из аварийного жилищного фонда и модернизацию систем коммунальной инфраструктуры в соответствии с Федеральным законом "О Фонде содействия реформированию жилищно-коммунального хозяйства" некоммерческой организации, понесенные в связи с размещением (инвестированием) временно свободных денежных средств;',
'4. Для получения свидетельства налогоплательщик представляет в налоговый орган заявление о выдаче свидетельства, а также следующие документы:',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 1024]
# 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
#### Information Retrieval
* Dataset: `Legal_IR_Evaluation_Bench`
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
| Metric | Value |
|:--------------------|:-----------|
| cosine_accuracy@1 | 0.5841 |
| cosine_accuracy@3 | 0.8035 |
| cosine_accuracy@5 | 0.8663 |
| cosine_accuracy@10 | 0.9278 |
| cosine_precision@1 | 0.5841 |
| cosine_precision@3 | 0.2678 |
| cosine_precision@5 | 0.1733 |
| cosine_precision@10 | 0.0928 |
| cosine_recall@1 | 0.5841 |
| cosine_recall@3 | 0.8035 |
| cosine_recall@5 | 0.8663 |
| cosine_recall@10 | 0.9278 |
| **cosine_ndcg@10** | **0.7597** |
| cosine_mrr@10 | 0.7053 |
| cosine_map@100 | 0.7088 |
<!--
## 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: 54,093 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: 22.39 tokens</li><li>max: 48 tokens</li></ul> | <ul><li>min: 15 tokens</li><li>mean: 75.44 tokens</li><li>max: 327 tokens</li></ul> |
* Samples:
| anchor | positive |
|:--------------------------------------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| <code>Какие напитки включены в категорию сусла и сброженных материалов?</code> | <code>2) алкогольная продукция, указанная в подпункте 3 пункта 1 настоящей статьи, виноградное, пивное, плодовое, медовое и иное сусло, плодовые сброженные материалы, квасы с содержанием этилового спирта до 1,2 процента включительно;</code> |
| <code>Какие решения может принять налоговый орган в случае неисполнения обязанности по представлению налоговой декларации (расчета)?</code> | <code>3.3. Налоговый орган вправе направить налогоплательщику (налоговому агенту, плательщику страховых взносов) уведомление о неисполнении обязанности по представлению налоговой декларации (расчета) не позднее чем в течение 14 дней до дня принятия решения, предусмотренного подпунктом 1 пункта 3 или пунктом 3.2 настоящей статьи.</code> |
| <code>Какие виды деятельности (поставка товаров, выполнение работ, оказание услуг) могут быть включены в контракт на безвозмездную помощь?</code> | <code>контракта (копии контракта) налогоплательщика с донором (уполномоченной донором организацией) безвозмездной помощи (содействия) или с получателем безвозмездной помощи (содействия) на поставку товаров (выполнение работ, оказание услуг) в рамках оказания безвозмездной помощи (содействия) Российской Федерации. В случае, если получателем безвозмездной помощи (содействия) является федеральный орган исполнительной власти Российской Федерации, в налоговый орган представляется контракт (копия контракта) с уполномоченной этим федеральным органом исполнительной власти Российской Федерации организацией;</code> |
* Loss: [<code>MultipleNegativesRankingLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters:
```json
{
"scale": 20.0,
"similarity_fct": "cos_sim"
}
```
### Evaluation Dataset
#### Unnamed Dataset
* Size: 6,011 evaluation 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: 10 tokens</li><li>mean: 22.53 tokens</li><li>max: 49 tokens</li></ul> | <ul><li>min: 19 tokens</li><li>mean: 80.52 tokens</li><li>max: 512 tokens</li></ul> |
* Samples:
| anchor | positive |
|:------------------------------------------------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| <code>Какие данные о работниках организации подлежат обязательному размещению в сети Интернет?</code> | <code>9) о среднесписочной численности работников организации за календарный год, предшествующий году размещения указанных сведений в информационно-телекоммуникационной сети "Интернет" в соответствии с пунктом 1.1 настоящей статьи;</code> |
| <code>Какие правила применяются для определения доходов профессиональных участников рынка ценных бумаг?</code> | <code>НК РФ Статья 298. Особенности определения доходов профессиональных участников рынка ценных бумаг</code> |
| <code>Каковы последствия утраты статуса налогоплательщика - участника специального инвестиционного контракта для лица?</code> | <code>3. Лицо утрачивает статус налогоплательщика - участника специального инвестиционного контракта при наступлении одного из следующих событий:</code> |
* Loss: [<code>MultipleNegativesRankingLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters:
```json
{
"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
- `gradient_accumulation_steps`: 4
- `learning_rate`: 2e-05
- `weight_decay`: 0.01
- `num_train_epochs`: 4
- `lr_scheduler_type`: cosine
- `warmup_steps`: 750
- `bf16`: True
- `tf32`: True
- `dataloader_num_workers`: 4
- `load_best_model_at_end`: True
- `optim`: adamw_torch_fused
- `batch_sampler`: no_duplicates
#### 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`: 4
- `eval_accumulation_steps`: None
- `torch_empty_cache_steps`: None
- `learning_rate`: 2e-05
- `weight_decay`: 0.01
- `adam_beta1`: 0.9
- `adam_beta2`: 0.999
- `adam_epsilon`: 1e-08
- `max_grad_norm`: 1.0
- `num_train_epochs`: 4
- `max_steps`: -1
- `lr_scheduler_type`: cosine
- `lr_scheduler_kwargs`: {}
- `warmup_ratio`: 0.0
- `warmup_steps`: 750
- `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`: True
- `local_rank`: 0
- `ddp_backend`: None
- `tpu_num_cores`: None
- `tpu_metrics_debug`: False
- `debug`: []
- `dataloader_drop_last`: False
- `dataloader_num_workers`: 4
- `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}
- `deepspeed`: None
- `label_smoothing_factor`: 0.0
- `optim`: adamw_torch_fused
- `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
- `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
- `use_liger_kernel`: False
- `eval_use_gather_object`: False
- `average_tokens_across_devices`: False
- `prompts`: None
- `batch_sampler`: no_duplicates
- `multi_dataset_batch_sampler`: proportional
</details>
### Training Logs
<details><summary>Click to expand</summary>
| Epoch | Step | Training Loss | Validation Loss | Legal_IR_Evaluation_Bench_cosine_ndcg@10 |
|:------:|:----:|:-------------:|:---------------:|:----------------------------------------:|
| 0.0237 | 10 | 1.2212 | - | - |
| 0.0473 | 20 | 1.0333 | - | - |
| 0.0710 | 30 | 0.9717 | - | - |
| 0.0946 | 40 | 0.9264 | - | - |
| 0.1183 | 50 | 0.6879 | - | - |
| 0.1419 | 60 | 0.5763 | - | - |
| 0.1656 | 70 | 0.4832 | - | - |
| 0.1892 | 80 | 0.4577 | - | - |
| 0.2129 | 90 | 0.4125 | - | - |
| 0.2365 | 100 | 0.3348 | - | - |
| 0.2602 | 110 | 0.3028 | - | - |
| 0.2839 | 120 | 0.2918 | - | - |
| 0.3075 | 130 | 0.239 | - | - |
| 0.3312 | 140 | 0.2261 | - | - |
| 0.3548 | 150 | 0.2474 | - | - |
| 0.3785 | 160 | 0.2645 | - | - |
| 0.4021 | 170 | 0.2138 | - | - |
| 0.4258 | 180 | 0.2238 | - | - |
| 0.4494 | 190 | 0.2127 | - | - |
| 0.4731 | 200 | 0.2507 | - | - |
| 0.4967 | 210 | 0.2519 | - | - |
| 0.5204 | 220 | 0.1555 | - | - |
| 0.5441 | 230 | 0.2304 | - | - |
| 0.5677 | 240 | 0.1705 | - | - |
| 0.5914 | 250 | 0.1939 | - | - |
| 0.6150 | 260 | 0.1686 | - | - |
| 0.6387 | 270 | 0.1392 | - | - |
| 0.6623 | 280 | 0.1593 | - | - |
| 0.6860 | 290 | 0.1368 | - | - |
| 0.7096 | 300 | 0.1881 | - | - |
| 0.7333 | 310 | 0.1737 | - | - |
| 0.7569 | 320 | 0.1836 | - | - |
| 0.7806 | 330 | 0.1428 | - | - |
| 0.8043 | 340 | 0.1828 | - | - |
| 0.8279 | 350 | 0.1852 | - | - |
| 0.8516 | 360 | 0.1993 | - | - |
| 0.8752 | 370 | 0.1552 | - | - |
| 0.8989 | 380 | 0.1713 | - | - |
| 0.9225 | 390 | 0.1304 | - | - |
| 0.9462 | 400 | 0.1469 | - | - |
| 0.9698 | 410 | 0.1611 | - | - |
| 0.9935 | 420 | 0.1399 | - | - |
| 0.9982 | 422 | - | 0.0256 | 0.7320 |
| 1.0189 | 430 | 0.1254 | - | - |
| 1.0426 | 440 | 0.1419 | - | - |
| 1.0662 | 450 | 0.1254 | - | - |
| 1.0899 | 460 | 0.1337 | - | - |
| 1.1135 | 470 | 0.1183 | - | - |
| 1.1372 | 480 | 0.1341 | - | - |
| 1.1609 | 490 | 0.1049 | - | - |
| 1.1845 | 500 | 0.1637 | - | - |
| 1.2082 | 510 | 0.1398 | - | - |
| 1.2318 | 520 | 0.1327 | - | - |
| 1.2555 | 530 | 0.1 | - | - |
| 1.2791 | 540 | 0.1452 | - | - |
| 1.3028 | 550 | 0.1271 | - | - |
| 1.3264 | 560 | 0.1113 | - | - |
| 1.3501 | 570 | 0.1288 | - | - |
| 1.3737 | 580 | 0.1132 | - | - |
| 1.3974 | 590 | 0.1259 | - | - |
| 1.4211 | 600 | 0.1188 | - | - |
| 1.4447 | 610 | 0.1109 | - | - |
| 1.4684 | 620 | 0.1037 | - | - |
| 1.4920 | 630 | 0.0966 | - | - |
| 1.5157 | 640 | 0.1445 | - | - |
| 1.5393 | 650 | 0.1426 | - | - |
| 1.5630 | 660 | 0.113 | - | - |
| 1.5866 | 670 | 0.1339 | - | - |
| 1.6103 | 680 | 0.0892 | - | - |
| 1.6339 | 690 | 0.1399 | - | - |
| 1.6576 | 700 | 0.1216 | - | - |
| 1.6813 | 710 | 0.1752 | - | - |
| 1.7049 | 720 | 0.1787 | - | - |
| 1.7286 | 730 | 0.1337 | - | - |
| 1.7522 | 740 | 0.1226 | - | - |
| 1.7759 | 750 | 0.1334 | - | - |
| 1.7995 | 760 | 0.0943 | - | - |
| 1.8232 | 770 | 0.1297 | - | - |
| 1.8468 | 780 | 0.1069 | - | - |
| 1.8705 | 790 | 0.1053 | - | - |
| 1.8941 | 800 | 0.109 | - | - |
| 1.9178 | 810 | 0.0878 | - | - |
| 1.9415 | 820 | 0.1511 | - | - |
| 1.9651 | 830 | 0.1002 | - | - |
| 1.9888 | 840 | 0.1342 | - | - |
| 1.9982 | 844 | - | 0.0213 | 0.7405 |
| 2.0142 | 850 | 0.1017 | - | - |
| 2.0378 | 860 | 0.065 | - | - |
| 2.0615 | 870 | 0.0938 | - | - |
| 2.0852 | 880 | 0.1159 | - | - |
| 2.1088 | 890 | 0.0949 | - | - |
| 2.1325 | 900 | 0.1022 | - | - |
| 2.1561 | 910 | 0.1038 | - | - |
| 2.1798 | 920 | 0.1001 | - | - |
| 2.2034 | 930 | 0.0994 | - | - |
| 2.2271 | 940 | 0.0668 | - | - |
| 2.2507 | 950 | 0.1064 | - | - |
| 2.2744 | 960 | 0.0853 | - | - |
| 2.2980 | 970 | 0.0945 | - | - |
| 2.3217 | 980 | 0.1004 | - | - |
| 2.3454 | 990 | 0.0793 | - | - |
| 2.3690 | 1000 | 0.0705 | - | - |
| 2.3927 | 1010 | 0.093 | - | - |
| 2.4163 | 1020 | 0.047 | - | - |
| 2.4400 | 1030 | 0.0775 | - | - |
| 2.4636 | 1040 | 0.0954 | - | - |
| 2.4873 | 1050 | 0.063 | - | - |
| 2.5109 | 1060 | 0.0611 | - | - |
| 2.5346 | 1070 | 0.0734 | - | - |
| 2.5582 | 1080 | 0.0656 | - | - |
| 2.5819 | 1090 | 0.0798 | - | - |
| 2.6056 | 1100 | 0.0728 | - | - |
| 2.6292 | 1110 | 0.0801 | - | - |
| 2.6529 | 1120 | 0.0965 | - | - |
| 2.6765 | 1130 | 0.0921 | - | - |
| 2.7002 | 1140 | 0.0825 | - | - |
| 2.7238 | 1150 | 0.0775 | - | - |
| 2.7475 | 1160 | 0.0687 | - | - |
| 2.7711 | 1170 | 0.1049 | - | - |
| 2.7948 | 1180 | 0.0557 | - | - |
| 2.8185 | 1190 | 0.0912 | - | - |
| 2.8421 | 1200 | 0.0786 | - | - |
| 2.8658 | 1210 | 0.0625 | - | - |
| 2.8894 | 1220 | 0.0888 | - | - |
| 2.9131 | 1230 | 0.0642 | - | - |
| 2.9367 | 1240 | 0.0682 | - | - |
| 2.9604 | 1250 | 0.0619 | - | - |
| 2.9840 | 1260 | 0.0709 | - | - |
| 2.9982 | 1266 | - | 0.0196 | 0.7506 |
| 3.0095 | 1270 | 0.0617 | - | - |
| 3.0331 | 1280 | 0.057 | - | - |
| 3.0568 | 1290 | 0.0505 | - | - |
| 3.0804 | 1300 | 0.0701 | - | - |
| 3.1041 | 1310 | 0.056 | - | - |
| 3.1277 | 1320 | 0.0827 | - | - |
| 3.1514 | 1330 | 0.0746 | - | - |
| 3.1750 | 1340 | 0.0767 | - | - |
| 3.1987 | 1350 | 0.0663 | - | - |
| 3.2224 | 1360 | 0.0582 | - | - |
| 3.2460 | 1370 | 0.0495 | - | - |
| 3.2697 | 1380 | 0.0769 | - | - |
| 3.2933 | 1390 | 0.0676 | - | - |
| 3.3170 | 1400 | 0.0832 | - | - |
| 3.3406 | 1410 | 0.0609 | - | - |
| 3.3643 | 1420 | 0.0511 | - | - |
| 3.3879 | 1430 | 0.0508 | - | - |
| 3.4116 | 1440 | 0.085 | - | - |
| 3.4352 | 1450 | 0.0492 | - | - |
| 3.4589 | 1460 | 0.0694 | - | - |
| 3.4826 | 1470 | 0.0612 | - | - |
| 3.5062 | 1480 | 0.0433 | - | - |
| 3.5299 | 1490 | 0.0477 | - | - |
| 3.5535 | 1500 | 0.0457 | - | - |
| 3.5772 | 1510 | 0.0595 | - | - |
| 3.6008 | 1520 | 0.0683 | - | - |
| 3.6245 | 1530 | 0.0642 | - | - |
| 3.6481 | 1540 | 0.0528 | - | - |
| 3.6718 | 1550 | 0.0637 | - | - |
| 3.6954 | 1560 | 0.0707 | - | - |
| 3.7191 | 1570 | 0.0667 | - | - |
| 3.7428 | 1580 | 0.0784 | - | - |
| 3.7664 | 1590 | 0.0472 | - | - |
| 3.7901 | 1600 | 0.0576 | - | - |
| 3.8137 | 1610 | 0.0512 | - | - |
| 3.8374 | 1620 | 0.0744 | - | - |
| 3.8610 | 1630 | 0.0478 | - | - |
| 3.8847 | 1640 | 0.0561 | - | - |
| 3.9083 | 1650 | 0.0686 | - | - |
| 3.9320 | 1660 | 0.0527 | - | - |
| 3.9556 | 1670 | 0.0793 | - | - |
| 3.9793 | 1680 | 0.0462 | - | - |
| 3.9982 | 1688 | - | 0.0184 | 0.7597 |
</details>
### Framework Versions
- Python: 3.10.12
- Sentence Transformers: 3.4.1
- Transformers: 4.48.3
- PyTorch: 2.1.0+cu118
- Accelerate: 1.3.0
- Datasets: 3.2.0
- Tokenizers: 0.21.0
## Citation
### BibTeX
#### Sentence Transformers
```bibtex
@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
```bibtex
@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.*
--> |