IrvinTopi/mnrl-self-mined-filtered

SentenceTransformer based on PaDaS-Lab/xlm-roberta-base-msmarco

This is a sentence-transformers model finetuned from PaDaS-Lab/xlm-roberta-base-msmarco. 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: PaDaS-Lab/xlm-roberta-base-msmarco
• Maximum Sequence Length: 512 tokens
• Output Dimensionality: 768 dimensions
• 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, 'architecture': 'XLMRobertaModel'})
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, '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("sentence_transformers_model_id")
# Run inference
sentences = [
    'Kunnen jullie ook (alleen) een doek vervangen?',
    'Ja, wij vervangen ook alleen het doek.',
    'Een kroon kan om de volgende redenen ingezet worden:\nEen tand of kies is in dermate slechte conditie, bijvoorbeeld door tandbederf, dat er onvoldoende houvast is voor een gewone vulling.\nU wilt het uiterlijk verbeteren in geval dat een tand of kies ernstig is verkleurd, geen mooie vorm heeft of niet niet goed recht staat. In veel van deze gevallen kan er ook een facing worden gemaakt.\nAls gevolg van een ongeluk is een tand of kies afgebroken die vervangen wordt voor een kroon.',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 768]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities)
# tensor([[1.0000, 0.9252, 0.2950],
#         [0.9252, 1.0000, 0.2478],
#         [0.2950, 0.2478, 1.0000]])

Training Details

Training Dataset

Unnamed Dataset

• Size: 1,280,000 training samples
• Columns: sentence_0, sentence_1, sentence_2, sentence_3, sentence_4, and sentence_5
• Approximate statistics based on the first 1000 samples:

  	sentence_0	sentence_1	sentence_2	sentence_3	sentence_4	sentence_5
  type	string	string	string	string	string	string
  details	min: 4 tokens mean: 15.81 tokens max: 155 tokens	min: 11 tokens mean: 74.39 tokens max: 492 tokens	min: 8 tokens mean: 67.82 tokens max: 512 tokens	min: 9 tokens mean: 68.23 tokens max: 425 tokens	min: 10 tokens mean: 67.16 tokens max: 467 tokens	min: 10 tokens mean: 68.5 tokens max: 512 tokens

• Samples:

  sentence_0	sentence_1	sentence_2	sentence_3	sentence_4	sentence_5
  Wat is een leuke badplaats voor jongeren?	Voor jongeren zijn Blanes en Lloret de Mar hele leuke badplaatsen. De steden zijn ingericht op het uitgaansleven. Je vindt hier dus veel clubs en bars. Overdag zijn er veel activiteiten te doen op het strand.	Bij de meeste sociale media is de leeftijdsgrens 13 jaar. Dat komt omdat zo goed als alle sociale media uit de Verenigde Staten komen (Twitter, YouTube, Facebook, Instagram, Snapchat, Tumblr, …). En hun wet zegt dat je geen persoonlijke informatie mag delen online zolang je geen 13 jaar oud bent.	Op een Activiteitendag kan je leerlingen laten proeven van diverse workshops. Kennismaken met verschillende kunstvormen op de middelbare school is belangrijk voor het ontwikkelen van nieuwe vaardigheden, creatief denken en daagt uit tot het maken van werk dat prikkelt. Kunst geeft je een andere kijk op de wereld en jouw omgeving en is daarom niet los te zien van de samenleving. Echter nemen deze inhoudelijke overwegingen niet weg dat je collega's het als een extra belasting kunnen ervaren. Om dit zoveel mogelijk weg te nemen, regelen wij bijna alles voor de dag. Het enige wat vanuit jullie hoeft te gebeuren is het regelen van lokalen en een aantal kleine zaken, zoals de wifi. Daarnaast is een tip van ons dat je jouw collega's mee laat beslissen over welke workshops we gaan organiseren. Hierdoor kunnen ze workshops uitkiezen die hun aanspreken of die ze willen inzetten tijdens hun lessen. Mocht dat allemaal niet helpen, dan komen we natuurlijk graag een keer langs om tijdens een overleg...	Aan de Noordzee camperen in België is super leuk. Je hebt mooie stranden en veel dingen te doen in en rond het water. Ook liggen er leuke stadjes dichtbij. Ideaal voor wie van rust én avontuur houdt.	Populaire sporten en buitenactiviteiten die meisjes van deze leeftijd vaak leuk vinden, zijn onder andere skaten, fietsen, zwemmen, dansen en teamsporten zoals voetbal of basketbal. Het is van belang om activiteiten te kiezen die aansluiten bij haar interesses en niveau van vaardigheden.
  Kann man in Deutschland amerikanische Häuser bauen?	Grundsätzlich können Sie auch in unserer Heimat ein amerikanisches Haus bauen, sofern es der örtliche Bebauungsplan zulässt. Abgesehen von der recht üppig verschnörkelten amerikanischen Villa aus den Südstaaten fügen sich die Holzbauten nahtlos in die meisten Wohngegenden ein. Und auch für ein ausgeklügeltes amerikanisches Haus mit Veranda sollten Sie bei entsprechend großem Grundstück eine Baugenehmigung erhalten. Informieren Sie sich am besten zeitnah, um mögliche Änderungen mit Ihrem Baupartner einzuplanen.	Nein, der Meisterbrief ist deutschlandweit anerkannt. In Deutschland gibt es 53 Handwerkskammern, vor welcher Sie die Prüfungs abolvieren spielt keine Rolle. Sie können die einzelnen Teile auch vor verschiedenen Handwerkskammern ablegen.	Ab 01. April in Deutschland darfst du pro Person 3 Pflanzen legal im Eigenanbau aufziehen.	Spanischkenntnisse können hilfreich sein, wenn man Kontakt zur einheimischen Bevölkerung aufbauen möchte. Aber da sich Mallorca bei deutschen und auch britischen Expats größter Beliebtheit erfreut, wird überall auf der Insel Deutsch und Englisch gesprochen. Das Projekt Haus kaufen in Bendinat sollte an Sprachkenntnissen also nicht scheitern.	Die Bestimmungen hängen von Bundesland ab. In Bayern sind bei Dachanlagen in der Regel keine Baugenehmigungen notwendig, bei Freiflächenanlagen gelten andere Bedingungen.
  Como posso jogar a versão demo do Ganesha Gold gratuitamente?	Para jogar a versão demo grátis do Ganesha Gold, basta acessar um cassino online que ofereça o jogo e selecionar a opção “Demo” ou “Jogar Grátis”. A versão demo permite que você experimente o jogo sem arriscar dinheiro real, perfeito para quem deseja conhecer as funcionalidades antes de apostar.	Sim, o Sportaza disponibiliza para os seus usuários uma interface completamente otimizada para dispositivos móveis. Seja o seu aparelho Android ou iOS, você pode acessar o site e apostar com comodidade via navegador, contando com a adaptação automática. Se quiser, você pode até favoritar a página no seu aparelho para ter o acesso facilitado. Aproveite!	Sim, o Laranjinha Bistrô foi identificado como aplicando medidas de segurança da COVID-19. Pode reservar a sua mesa com segurança!	Use a Velupe na hora de comprar com Mega Cine VIVO e receba parte do seu dinheiro de volta através de nosso Cashback!	Sim, a Estrela Bet oferece uma experiência segura para os usuários. A marca tem licença de operação de Curaçao e oferece pagamentos confiáveis via Pix. Além disso, seu site é protegido por criptografia SSL.

• Loss: CachedMultipleNegativesRankingLoss with these parameters:

  {
      "scale": 20.0,
      "similarity_fct": "cos_sim",
      "mini_batch_size": 32,
      "gather_across_devices": false
  }
  

Training Hyperparameters

Non-Default Hyperparameters

• per_device_train_batch_size: 128
• per_device_eval_batch_size: 128
• num_train_epochs: 1
• fp16: True
• multi_dataset_batch_sampler: round_robin

All Hyperparameters

Click to expand

• 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: 128
• 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-08
• max_grad_norm: 1
• num_train_epochs: 1
• max_steps: -1
• lr_scheduler_type: linear
• lr_scheduler_kwargs: {}
• warmup_ratio: 0.0
• 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: 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}
• 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: round_robin
• router_mapping: {}
• learning_rate_mapping: {}

Training Logs

Epoch	Step	Training Loss
0.05	500	1.3225
0.1	1000	0.218
0.15	1500	0.1798
0.2	2000	0.1584
0.25	2500	0.1481
0.3	3000	0.1395
0.35	3500	0.1313
0.4	4000	0.13
0.45	4500	0.1242
0.5	5000	0.1231
0.55	5500	0.1183
0.6	6000	0.1201
0.65	6500	0.1157
0.7	7000	0.1134
0.75	7500	0.1095
0.8	8000	0.1063
0.85	8500	0.1058
0.9	9000	0.1057
0.95	9500	0.1081
1.0	10000	0.1087

Framework Versions

• Python: 3.10.4
• Sentence Transformers: 5.2.0
• Transformers: 4.57.3
• PyTorch: 2.9.1+cu128
• Accelerate: 1.12.0
• Datasets: 2.21.0
• Tokenizers: 0.22.1

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",
}

CachedMultipleNegativesRankingLoss

@misc{gao2021scaling,
    title={Scaling Deep Contrastive Learning Batch Size under Memory Limited Setup},
    author={Luyu Gao and Yunyi Zhang and Jiawei Han and Jamie Callan},
    year={2021},
    eprint={2101.06983},
    archivePrefix={arXiv},
    primaryClass={cs.LG}
}