--- 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) - **Maximum Sequence Length:** 512 tokens - **Output Dimensionality:** 1024 dimensions - **Similarity Function:** Cosine Similarity ### 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] ``` ## Evaluation ### Metrics #### Information Retrieval * Dataset: `Legal_IR_Evaluation_Bench` * Evaluated with [InformationRetrievalEvaluator](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 | ## Training Details ### Training Dataset #### Unnamed Dataset * Size: 54,093 training samples * Columns: anchor and positive * Approximate statistics based on the first 1000 samples: | | anchor | positive | |:--------|:----------------------------------------------------------------------------------|:------------------------------------------------------------------------------------| | type | string | string | | details | | | * Samples: | anchor | positive | |:--------------------------------------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------| | Какие напитки включены в категорию сусла и сброженных материалов? | 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; | | Какие решения может принять налоговый орган в случае неисполнения обязанности по представлению налоговой декларации (расчета)? | 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. | | Какие виды деятельности (поставка товаров, выполнение работ, оказание услуг) могут быть включены в контракт на безвозмездную помощь? | 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; | * Loss: [MultipleNegativesRankingLoss](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: anchor and positive * Approximate statistics based on the first 1000 samples: | | anchor | positive | |:--------|:-----------------------------------------------------------------------------------|:------------------------------------------------------------------------------------| | type | string | string | | details | | | * Samples: | anchor | positive | |:------------------------------------------------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------| | Какие данные о работниках организации подлежат обязательному размещению в сети Интернет? | 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; | | Какие правила применяются для определения доходов профессиональных участников рынка ценных бумаг? | НК РФ Статья 298. Особенности определения доходов профессиональных участников рынка ценных бумаг | | Каковы последствия утраты статуса налогоплательщика - участника специального инвестиционного контракта для лица? | 3. Лицо утрачивает статус налогоплательщика - участника специального инвестиционного контракта при наступлении одного из следующих событий: | * Loss: [MultipleNegativesRankingLoss](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
Click to expand - `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
### Training Logs
Click to expand | 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 |
### 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} } ```