File size: 28,861 Bytes
512349c |
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 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719 720 721 722 723 724 725 726 727 728 729 730 731 732 733 734 735 736 737 738 739 740 741 742 743 744 745 746 747 748 749 750 751 752 753 754 755 756 757 758 759 760 761 762 763 764 765 766 767 768 769 770 771 772 773 774 775 776 777 778 779 780 781 782 783 784 785 786 787 788 789 |
---
base_model: intfloat/e5-base
datasets: []
language:
- en
library_name: sentence-transformers
license: apache-2.0
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
pipeline_tag: sentence-similarity
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:63
- loss:MatryoshkaLoss
- loss:MultipleNegativesRankingLoss
widget:
- source_sentence: 하이브리드 자동차의 스마트 크루즈 컨트롤 기능은 운전자가 설정한 속도를 유지하는 기능입니다. 이 기능에서는 전방
카메라와 레이더 센서를 사용하여 도로의 제한 속도를 감지하고, 이를 기반으로 속도를 조절합니다.
sentences:
- 하이테크센터나 블루핸즈에서 점검을 받을 때는 어떤 경우에 해당합니까?
- 원터치 자동 유리창의 작동 원리를 설명하세요.
- 하이브리드 자동차의 스마트 크루즈 컨트롤 기능을 설명하세요.
- source_sentence: 하이브리드 자동차의 지능형 속도 제한 보조의 제한 사항은 표지판이 오염 또는 훼손되거나 불명확할 경우, 주변 물체에
표지판 일부가 가려지거나 그림자가 표지판을 덮을 경우, 표지판 형상 또는 설치 방법이 표준과 다를 경우 등입니다.
sentences:
- 테마 모드를 설정하려면 어떻게 해야 하나요?
- 에어백 경고 라벨의 주의 사항은 무엇입니까?
- 하이브리드 자동차의 지능형 속도 제한 보조의 제한 사항은 무엇입니까?
- source_sentence: 어린이 탑승 시에는 차에서 내릴 때 어린이를 차 안에 남겨두지 마십시오. 어린이가 차내 안전 장비를 잘못 만져 사고가
발생할 수 있고, 여름이나 겨울에는 차 내부 온도가 너무 높거나 낮아져 매우 위험합니다.
sentences:
- 운전자 주의 경고의 기본 기능은 무엇입니까?
- 하이브리드 자동차의 고전압 배터리 시스템에 대한 안전 주의 사항은 무엇입니까?
- 어린이 탑승 시 주의 사항을 설명하세요.
- source_sentence: 후방 주차 충돌방지 보조의 이상 및 제한 사항은 다음과 같습니다. 기능 이상, 인식 센서 가림, 광각-후방 카메라,
후방 초음파센서의 이상 등이 있습니다. 이러한 이상 및 제한 사항에 따라 후방 주차 충돌방지 보조의 성능이 저하되거나 오작동 할 수 있습니다.
sentences:
- 하이브리드 자동차의 회생 제동 모드를 설명하세요.
- 하이빔 보조 설정 방법은 무엇입니까?
- 후방 주차 충돌방지 보조의 이상 및 제한 사항을 설명하세요.
- source_sentence: 클러스터 조명 밝기 조절은 시동 'ON' 상태에서 인포테인먼트 시스템의 설정> 클러스터/HUD > 화면 밝기를 차례로
선택하면 클러스터의 밝기를 조절할 수 있습니다. 인포테인먼트 시스템 화면에 표시되는 조명밝기 조절 정도를 참고하여 원하는 밝기로 조절하십시오.
sentences:
- 운전자 주의 경고 시스템의 작동 원리를 설명하세요.
- 클러스터 조명 밝기 조절은 어떻게 하나요?
- 하이브리드 자동차의 저압 타이어 경고등이 켜졌을 때의 조치는 무엇입니까?
model-index:
- name: BGE base Financial Matryoshka
results:
- task:
type: information-retrieval
name: Information Retrieval
dataset:
name: dim 768
type: dim_768
metrics:
- type: cosine_accuracy@1
value: 0.5555555555555556
name: Cosine Accuracy@1
- type: cosine_accuracy@3
value: 0.8148148148148148
name: Cosine Accuracy@3
- type: cosine_accuracy@5
value: 0.8518518518518519
name: Cosine Accuracy@5
- type: cosine_accuracy@10
value: 0.9259259259259259
name: Cosine Accuracy@10
- type: cosine_precision@1
value: 0.5555555555555556
name: Cosine Precision@1
- type: cosine_precision@3
value: 0.27160493827160487
name: Cosine Precision@3
- type: cosine_precision@5
value: 0.1703703703703704
name: Cosine Precision@5
- type: cosine_precision@10
value: 0.09259259259259262
name: Cosine Precision@10
- type: cosine_recall@1
value: 0.5555555555555556
name: Cosine Recall@1
- type: cosine_recall@3
value: 0.8148148148148148
name: Cosine Recall@3
- type: cosine_recall@5
value: 0.8518518518518519
name: Cosine Recall@5
- type: cosine_recall@10
value: 0.9259259259259259
name: Cosine Recall@10
- type: cosine_ndcg@10
value: 0.7435849530374239
name: Cosine Ndcg@10
- type: cosine_mrr@10
value: 0.6849206349206348
name: Cosine Mrr@10
- type: cosine_map@100
value: 0.6889906389906391
name: Cosine Map@100
- task:
type: information-retrieval
name: Information Retrieval
dataset:
name: dim 512
type: dim_512
metrics:
- type: cosine_accuracy@1
value: 0.5555555555555556
name: Cosine Accuracy@1
- type: cosine_accuracy@3
value: 0.7777777777777778
name: Cosine Accuracy@3
- type: cosine_accuracy@5
value: 0.8518518518518519
name: Cosine Accuracy@5
- type: cosine_accuracy@10
value: 0.8888888888888888
name: Cosine Accuracy@10
- type: cosine_precision@1
value: 0.5555555555555556
name: Cosine Precision@1
- type: cosine_precision@3
value: 0.25925925925925924
name: Cosine Precision@3
- type: cosine_precision@5
value: 0.1703703703703704
name: Cosine Precision@5
- type: cosine_precision@10
value: 0.0888888888888889
name: Cosine Precision@10
- type: cosine_recall@1
value: 0.5555555555555556
name: Cosine Recall@1
- type: cosine_recall@3
value: 0.7777777777777778
name: Cosine Recall@3
- type: cosine_recall@5
value: 0.8518518518518519
name: Cosine Recall@5
- type: cosine_recall@10
value: 0.8888888888888888
name: Cosine Recall@10
- type: cosine_ndcg@10
value: 0.7335374617221688
name: Cosine Ndcg@10
- type: cosine_mrr@10
value: 0.6824514991181657
name: Cosine Mrr@10
- type: cosine_map@100
value: 0.6896593804001211
name: Cosine Map@100
- task:
type: information-retrieval
name: Information Retrieval
dataset:
name: dim 256
type: dim_256
metrics:
- type: cosine_accuracy@1
value: 0.5925925925925926
name: Cosine Accuracy@1
- type: cosine_accuracy@3
value: 0.7777777777777778
name: Cosine Accuracy@3
- type: cosine_accuracy@5
value: 0.8148148148148148
name: Cosine Accuracy@5
- type: cosine_accuracy@10
value: 0.8888888888888888
name: Cosine Accuracy@10
- type: cosine_precision@1
value: 0.5925925925925926
name: Cosine Precision@1
- type: cosine_precision@3
value: 0.25925925925925924
name: Cosine Precision@3
- type: cosine_precision@5
value: 0.16296296296296298
name: Cosine Precision@5
- type: cosine_precision@10
value: 0.0888888888888889
name: Cosine Precision@10
- type: cosine_recall@1
value: 0.5925925925925926
name: Cosine Recall@1
- type: cosine_recall@3
value: 0.7777777777777778
name: Cosine Recall@3
- type: cosine_recall@5
value: 0.8148148148148148
name: Cosine Recall@5
- type: cosine_recall@10
value: 0.8888888888888888
name: Cosine Recall@10
- type: cosine_ndcg@10
value: 0.7460717071407622
name: Cosine Ndcg@10
- type: cosine_mrr@10
value: 0.6997354497354498
name: Cosine Mrr@10
- type: cosine_map@100
value: 0.7073543740210406
name: Cosine Map@100
- task:
type: information-retrieval
name: Information Retrieval
dataset:
name: dim 128
type: dim_128
metrics:
- type: cosine_accuracy@1
value: 0.5925925925925926
name: Cosine Accuracy@1
- type: cosine_accuracy@3
value: 0.7407407407407407
name: Cosine Accuracy@3
- type: cosine_accuracy@5
value: 0.8518518518518519
name: Cosine Accuracy@5
- type: cosine_accuracy@10
value: 0.8888888888888888
name: Cosine Accuracy@10
- type: cosine_precision@1
value: 0.5925925925925926
name: Cosine Precision@1
- type: cosine_precision@3
value: 0.24691358024691354
name: Cosine Precision@3
- type: cosine_precision@5
value: 0.1703703703703704
name: Cosine Precision@5
- type: cosine_precision@10
value: 0.0888888888888889
name: Cosine Precision@10
- type: cosine_recall@1
value: 0.5925925925925926
name: Cosine Recall@1
- type: cosine_recall@3
value: 0.7407407407407407
name: Cosine Recall@3
- type: cosine_recall@5
value: 0.8518518518518519
name: Cosine Recall@5
- type: cosine_recall@10
value: 0.8888888888888888
name: Cosine Recall@10
- type: cosine_ndcg@10
value: 0.7391281504030159
name: Cosine Ndcg@10
- type: cosine_mrr@10
value: 0.6910493827160493
name: Cosine Mrr@10
- type: cosine_map@100
value: 0.6993265993265992
name: Cosine Map@100
- task:
type: information-retrieval
name: Information Retrieval
dataset:
name: dim 64
type: dim_64
metrics:
- type: cosine_accuracy@1
value: 0.5925925925925926
name: Cosine Accuracy@1
- type: cosine_accuracy@3
value: 0.7407407407407407
name: Cosine Accuracy@3
- type: cosine_accuracy@5
value: 0.8518518518518519
name: Cosine Accuracy@5
- type: cosine_accuracy@10
value: 0.9259259259259259
name: Cosine Accuracy@10
- type: cosine_precision@1
value: 0.5925925925925926
name: Cosine Precision@1
- type: cosine_precision@3
value: 0.24691358024691354
name: Cosine Precision@3
- type: cosine_precision@5
value: 0.1703703703703704
name: Cosine Precision@5
- type: cosine_precision@10
value: 0.09259259259259262
name: Cosine Precision@10
- type: cosine_recall@1
value: 0.5925925925925926
name: Cosine Recall@1
- type: cosine_recall@3
value: 0.7407407407407407
name: Cosine Recall@3
- type: cosine_recall@5
value: 0.8518518518518519
name: Cosine Recall@5
- type: cosine_recall@10
value: 0.9259259259259259
name: Cosine Recall@10
- type: cosine_ndcg@10
value: 0.7456467996361283
name: Cosine Ndcg@10
- type: cosine_mrr@10
value: 0.6892416225749558
name: Cosine Mrr@10
- type: cosine_map@100
value: 0.6932539682539682
name: Cosine Map@100
---
# BGE base Financial Matryoshka
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [intfloat/e5-base](https://huggingface.co/intfloat/e5-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:** [intfloat/e5-base](https://huggingface.co/intfloat/e5-base) <!-- at revision b533fe4636f4a2507c08ddab40644d20b0006d6a -->
- **Maximum Sequence Length:** 512 tokens
- **Output Dimensionality:** 768 tokens
- **Similarity Function:** Cosine Similarity
<!-- - **Training Dataset:** Unknown -->
- **Language:** en
- **License:** apache-2.0
### 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: BertModel
(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})
(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("ValentinaKim/bge-base-automobile-matryoshka")
# Run inference
sentences = [
"클러스터 조명 밝기 조절은 시동 'ON' 상태에서 인포테인먼트 시스템의 설정> 클러스터/HUD > 화면 밝기를 차례로 선택하면 클러스터의 밝기를 조절할 수 있습니다. 인포테인먼트 시스템 화면에 표시되는 조명밝기 조절 정도를 참고하여 원하는 밝기로 조절하십시오.",
'클러스터 조명 밝기 조절은 어떻게 하나요?',
'하이브리드 자동차의 저압 타이어 경고등이 켜졌을 때의 조치는 무엇입니까?',
]
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
#### Information Retrieval
* Dataset: `dim_768`
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
| Metric | Value |
|:--------------------|:----------|
| cosine_accuracy@1 | 0.5556 |
| cosine_accuracy@3 | 0.8148 |
| cosine_accuracy@5 | 0.8519 |
| cosine_accuracy@10 | 0.9259 |
| cosine_precision@1 | 0.5556 |
| cosine_precision@3 | 0.2716 |
| cosine_precision@5 | 0.1704 |
| cosine_precision@10 | 0.0926 |
| cosine_recall@1 | 0.5556 |
| cosine_recall@3 | 0.8148 |
| cosine_recall@5 | 0.8519 |
| cosine_recall@10 | 0.9259 |
| cosine_ndcg@10 | 0.7436 |
| cosine_mrr@10 | 0.6849 |
| **cosine_map@100** | **0.689** |
#### Information Retrieval
* Dataset: `dim_512`
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
| Metric | Value |
|:--------------------|:-----------|
| cosine_accuracy@1 | 0.5556 |
| cosine_accuracy@3 | 0.7778 |
| cosine_accuracy@5 | 0.8519 |
| cosine_accuracy@10 | 0.8889 |
| cosine_precision@1 | 0.5556 |
| cosine_precision@3 | 0.2593 |
| cosine_precision@5 | 0.1704 |
| cosine_precision@10 | 0.0889 |
| cosine_recall@1 | 0.5556 |
| cosine_recall@3 | 0.7778 |
| cosine_recall@5 | 0.8519 |
| cosine_recall@10 | 0.8889 |
| cosine_ndcg@10 | 0.7335 |
| cosine_mrr@10 | 0.6825 |
| **cosine_map@100** | **0.6897** |
#### Information Retrieval
* Dataset: `dim_256`
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
| Metric | Value |
|:--------------------|:-----------|
| cosine_accuracy@1 | 0.5926 |
| cosine_accuracy@3 | 0.7778 |
| cosine_accuracy@5 | 0.8148 |
| cosine_accuracy@10 | 0.8889 |
| cosine_precision@1 | 0.5926 |
| cosine_precision@3 | 0.2593 |
| cosine_precision@5 | 0.163 |
| cosine_precision@10 | 0.0889 |
| cosine_recall@1 | 0.5926 |
| cosine_recall@3 | 0.7778 |
| cosine_recall@5 | 0.8148 |
| cosine_recall@10 | 0.8889 |
| cosine_ndcg@10 | 0.7461 |
| cosine_mrr@10 | 0.6997 |
| **cosine_map@100** | **0.7074** |
#### Information Retrieval
* Dataset: `dim_128`
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
| Metric | Value |
|:--------------------|:-----------|
| cosine_accuracy@1 | 0.5926 |
| cosine_accuracy@3 | 0.7407 |
| cosine_accuracy@5 | 0.8519 |
| cosine_accuracy@10 | 0.8889 |
| cosine_precision@1 | 0.5926 |
| cosine_precision@3 | 0.2469 |
| cosine_precision@5 | 0.1704 |
| cosine_precision@10 | 0.0889 |
| cosine_recall@1 | 0.5926 |
| cosine_recall@3 | 0.7407 |
| cosine_recall@5 | 0.8519 |
| cosine_recall@10 | 0.8889 |
| cosine_ndcg@10 | 0.7391 |
| cosine_mrr@10 | 0.691 |
| **cosine_map@100** | **0.6993** |
#### Information Retrieval
* Dataset: `dim_64`
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
| Metric | Value |
|:--------------------|:-----------|
| cosine_accuracy@1 | 0.5926 |
| cosine_accuracy@3 | 0.7407 |
| cosine_accuracy@5 | 0.8519 |
| cosine_accuracy@10 | 0.9259 |
| cosine_precision@1 | 0.5926 |
| cosine_precision@3 | 0.2469 |
| cosine_precision@5 | 0.1704 |
| cosine_precision@10 | 0.0926 |
| cosine_recall@1 | 0.5926 |
| cosine_recall@3 | 0.7407 |
| cosine_recall@5 | 0.8519 |
| cosine_recall@10 | 0.9259 |
| cosine_ndcg@10 | 0.7456 |
| cosine_mrr@10 | 0.6892 |
| **cosine_map@100** | **0.6933** |
<!--
## 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: 63 training samples
* Columns: <code>positive</code> and <code>anchor</code>
* Approximate statistics based on the first 1000 samples:
| | positive | anchor |
|:--------|:-------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|
| type | string | string |
| details | <ul><li>min: 89 tokens</li><li>mean: 181.76 tokens</li><li>max: 365 tokens</li></ul> | <ul><li>min: 22 tokens</li><li>mean: 46.21 tokens</li><li>max: 72 tokens</li></ul> |
* Samples:
| positive | anchor |
|:------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:------------------------------------------------------|
| <code>하이브리드 자동차의 전방 차량 출발 알림 기능의 제한 사항은 과격하게 운전할 경우, 빈번하게 차선을 침범할 경우, 차로 이탈방지 보조 등 다른 운전자 보조에 의해 차량이 제어될 경우 등입니다.</code> | <code>하이브리드 자동차의 전방 차량 출발 알림 기능의 제한 사항은 무엇입니까?</code> |
| <code>파워 트렁크가 정상적으로 작동하지 않으면 무리한 힘을 가하지 마십시오. 파워 트렁크가 손상될 수 있습니다. 반드시 당사 직영 하이테크센터나 블루핸즈에서 점검을 받으십시오.</code> | <code>파워 트렁크가 정상적으로 작동하지 않으면 어떻게 해야 하나요?</code> |
| <code>에어백 경고 라벨의 주의 사항은 13세 미만의 어린이는 에어백의 팽창 충격으로 다칠 수 있습니다. 어린이에게는 뒷좌석이 안전할 수 있습니다. 유아용 보조 좌석은 동승석에 설치하지 마십시오. 에어백에서 가능한 떨어져 앉으십시오. 좌석 안전벨트와 어린이 보호 장치를 사용하십시오.</code> | <code>에어백 경고 라벨의 주의 사항은 무엇입니까?</code> |
* Loss: [<code>MatryoshkaLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#matryoshkaloss) with these parameters:
```json
{
"loss": "MultipleNegativesRankingLoss",
"matryoshka_dims": [
768,
512,
256,
128,
64
],
"matryoshka_weights": [
1,
1,
1,
1,
1
],
"n_dims_per_step": -1
}
```
### Training Hyperparameters
#### Non-Default Hyperparameters
- `eval_strategy`: epoch
- `gradient_accumulation_steps`: 64
- `learning_rate`: 2e-05
- `num_train_epochs`: 4
- `lr_scheduler_type`: cosine
- `warmup_ratio`: 0.1
- `tf32`: False
- `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`: 8
- `per_device_eval_batch_size`: 8
- `per_gpu_train_batch_size`: None
- `per_gpu_eval_batch_size`: None
- `gradient_accumulation_steps`: 64
- `eval_accumulation_steps`: None
- `learning_rate`: 2e-05
- `weight_decay`: 0.0
- `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`: 0.1
- `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
- `use_ipex`: False
- `bf16`: False
- `fp16`: False
- `fp16_opt_level`: O1
- `half_precision_backend`: auto
- `bf16_full_eval`: False
- `fp16_full_eval`: False
- `tf32`: False
- `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}
- `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`: 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
- `batch_sampler`: no_duplicates
- `multi_dataset_batch_sampler`: proportional
</details>
### Training Logs
| Epoch | Step | dim_128_cosine_map@100 | dim_256_cosine_map@100 | dim_512_cosine_map@100 | dim_64_cosine_map@100 | dim_768_cosine_map@100 |
|:-------:|:-----:|:----------------------:|:----------------------:|:----------------------:|:---------------------:|:----------------------:|
| 1.0 | 1 | 0.4923 | 0.5456 | 0.5549 | 0.4722 | 0.5450 |
| 2.0 | 2 | 0.6184 | 0.6751 | 0.7085 | 0.6313 | 0.7072 |
| 3.0 | 3 | 0.6810 | 0.6825 | 0.6916 | 0.6933 | 0.6840 |
| **4.0** | **4** | **0.6993** | **0.7074** | **0.6897** | **0.6933** | **0.689** |
* The bold row denotes the saved checkpoint.
### Framework Versions
- Python: 3.10.14
- Sentence Transformers: 3.0.1
- Transformers: 4.41.2
- PyTorch: 2.1.2+cu121
- Accelerate: 0.33.0
- Datasets: 2.19.1
- Tokenizers: 0.19.1
## 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",
}
```
#### MatryoshkaLoss
```bibtex
@misc{kusupati2024matryoshka,
title={Matryoshka Representation Learning},
author={Aditya Kusupati and Gantavya Bhatt and Aniket Rege and Matthew Wallingford and Aditya Sinha and Vivek Ramanujan and William Howard-Snyder and Kaifeng Chen and Sham Kakade and Prateek Jain and Ali Farhadi},
year={2024},
eprint={2205.13147},
archivePrefix={arXiv},
primaryClass={cs.LG}
}
```
#### 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.*
--> |