cimi86/bge-m3-griffai-finetuned

SentenceTransformer based on BAAI/bge-m3

This is a sentence-transformers model finetuned from 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
• Maximum Sequence Length: 8192 tokens
• Output Dimensionality: 1024 tokens
• Similarity Function: Cosine Similarity

Model Sources

• Documentation: Sentence Transformers Documentation
• Repository: Sentence Transformers on GitHub
• Hugging Face: Sentence Transformers on Hugging Face

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 8192, '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:

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("cimi86/bge-m3-griffai-finetuned")
# Run inference
sentences = [
    '§ Adóalap összege (könyvelt): nettó adóalap § ÁFA összege (könyvelt): nettó áfa § Adóalap összege (ÁFA árf) § ÁFA összege (ÁFA árf) Az ÁFA árfolyamos adóalap és ÁFA oszlopokba az adott sorban eltárolt ÁFA-árfolyammal kiszámított összegek kerülnek, így az ÁFA árfolyamos forint alap és a forint ÁFA százalékosan megfelel egymásnak. Egy közösségi, 45 napos listázásánál ez a két összeg megegyezik, mivel a 45 napos bizonylat ugyanezzel az árfolyammal lett forintosítva. Hogy jó ÁFA-árfolyammal számoljon a program, célszerű az Utólagos forintosítás funkció elindítani a bizonylatokra. Az ÁFA-rendező bizonylatokon a mennyiségi egység és mennyiség informatíve tartalmazhatja a nettó összeget, ha azt egyébként a nettó mezőben nem szerepeltetjük. Ezeket a mezőket az EU-ÁFA-rendező, a Fordított adózás, a mínuszos számlákhoz, az eltérő teljesítési idejű számlákhoz, valamint a Felvásárlási jegyekhez történő ÁFA-rendező bizonylatok generálása is feltölti, valamint a bizonylatok kézi rögzítésénél is tölt',
    'Miért szükséges az adóalap és az áfa összege megfelelőnek lennie egy 45 napos listázásnál?',
    'Miért létezik a lehetőség, hogy egy alszámos, egy dimenziós PENZ02 kötvállalást egyszerűen és rögzítetlenül feltölthessünk az adatbázisba?',
]
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: BAAI/bge-m3
• Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.4482
cosine_accuracy@3	0.6524
cosine_accuracy@5	0.7302
cosine_accuracy@10	0.8247
cosine_precision@1	0.4482
cosine_precision@3	0.2175
cosine_precision@5	0.146
cosine_precision@10	0.0825
cosine_recall@1	0.4482
cosine_recall@3	0.6524
cosine_recall@5	0.7302
cosine_recall@10	0.8247
cosine_ndcg@10	0.6326
cosine_mrr@10	0.5716
cosine_map@3	0.5409
cosine_map@5	0.5589
cosine_map@10	0.5716
dot_accuracy@1	0.4482
dot_accuracy@3	0.6524
dot_accuracy@5	0.7302
dot_accuracy@10	0.8247
dot_precision@1	0.4482
dot_precision@3	0.2175
dot_precision@5	0.146
dot_precision@10	0.0825
dot_recall@1	0.4482
dot_recall@3	0.6524
dot_recall@5	0.7302
dot_recall@10	0.8247
dot_ndcg@10	0.6326
dot_mrr@10	0.5716
dot_map@3	0.5409
dot_map@5	0.5589
dot_map@10	0.5716

Training Details

Training Dataset

Unnamed Dataset

• Size: 5,903 training samples
• Columns: positive and anchor
• Approximate statistics based on the first 1000 samples:

  	positive	anchor
  type	string	string
  details	min: 30 tokens mean: 235.99 tokens max: 503 tokens	min: 12 tokens mean: 33.9 tokens max: 121 tokens

• Samples:

  positive	anchor
  apján, majd fokozatosan a kiadások függvényében lecsökken. A bizonylatok rögzítéshez a környezet beállító panelen Naplót, Pénzügyi kartont és Bizonylati tömböt kell választani. A bizonylatok karbantartása a NAVIGÁCIÓ és KARBANTARTÓ képernyők Művelet menüjében található funkciókkal történik. 138 Az általános funkciókról bővebben: Törzsek és nyilvántartások általános kezelése 831 A bizonylattípus sajátos funkcióiról bővebben: Bank bizonylatok karbantartása 30 A KARBANTARTÓ adatmezőinek értelmezése részletesen: Pénzügyi bizonylatok nyilvántartása Banki kartonok A menüpontban lehetőségünk van egy-egy banki kartonhoz tartozó összes bizonylati sor folyamatos megtekintésére, azaz nem kell bizonylatonként a fej és sor ablakok között váltva lépegetni.	Melyek azok a bizonylattípusok, amelyekhez az átutalás folyamata kiemelt funkciókkal rendelkezik?
  Ez az információ nem biztos, hogy megfelel a folyószámla információból kapott adatokkal, mert az csak a Z - Zárt és K - Könyvelt bizonylatokkal foglalkozik, a számla rendezési egyenlege viszont a banki tétel lerögzítésekor azonnal módosul. 212 Egy bizonylat hatására megjelenik a képernyőn a számla az Egy bizonylat megtekintése menüpontban ismertetett módon. Lekérdezés hatására az általános lekérdező indul, mellyel a pénzügyi bizonylatok tételeiről készíthetünk outputokat. Bizonylati tételek lekérdezése 62 A Pénzügyi bizonylatok SOR adatainak (psztetel) tábla lekérdezése az Általános lekérdező segítségével. Bizonylati fejek lekérdezése 30 A Pénzügyi bizonylatok FEJ adatainak (pszfej) tábla lekérdezése az Általános lekérdező segítségével. Egy bizonylat megtekintése A Forrásban rögzített, egy konkrét bizonylat képernyős megjelenítési lehetősége. Ez egyrészt az adott bizonylat megkeresésének egy gyorsabb módja, másrészt így olyan felhasználó is megtekintheti a bizonylatot, akinek egyébként	Mi indokolhatja a számla rendezési egyenlegben észlelt változást, ha az nem jelenik meg a folyószámlán?
  y-e a felhasználó 'forras' rendszerparaméter értéke Költségvetési intézmény és a forkjl - Költségvetési intézmény jellege 'forras' rendszerparaméter értéke Fejezet. A fejezeti hatáskörrel rendelkező költségvetési intézményeknél, a külső megvalósító által bonyolított szerződések, kötelezettségvállalások pénzügyi bonyolításakor, a külső beruházónak címzett számlák bizonylati csoportjának a nyilvántartása. A számla nem a felhasználónak van címezve, hanem a külső beruházónak. Bizonylattípus: PENX01. A bizonylat fejben a Partner adatai (f_padat) mező kitöltése kötelező, ennek hiányában nem jelöli ki utalásra a számlát. Faktorált tartozás kivezetése Faktorált tartozás kivezetés bizonylatok nyilvántartása. Bizonylattípus: PENS16. A bizonylat rögzíthető vagy generatív úton (ajánlott) előállítható ebben a menüpontban. Mindkét művelethez a Környezet beállító panelen Naplót és Bizonylati tömböt kell választani. 30 A KARBANTARTÓ képernyő adatmezőinek értelmezését a Pénzügyi bizonylatok nyilvántart	Miért szükséges külön menüpontot létrehozni a faktorált tartozás kivezetése és annak bizonylati nyilvántartása esetén, miközben ebben a menüpontban megjelenő pénzügyi bizonylatokat azonosítási szempontból megegyezik más pénzügyi bizonylatokkal?

• Loss: MultipleNegativesRankingLoss with these parameters:

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

Training Hyperparameters

Non-Default Hyperparameters

• eval_strategy: epoch
• per_device_train_batch_size: 16
• per_device_eval_batch_size: 16
• gradient_accumulation_steps: 16
• learning_rate: 2e-05
• num_train_epochs: 4
• lr_scheduler_type: cosine
• warmup_ratio: 0.1
• fp16: True
• tf32: False
• 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: 16
• per_device_eval_batch_size: 16
• per_gpu_train_batch_size: None
• per_gpu_eval_batch_size: None
• gradient_accumulation_steps: 16
• eval_accumulation_steps: None
• torch_empty_cache_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: True
• 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
• eval_on_start: False
• eval_use_gather_object: False
• batch_sampler: no_duplicates
• multi_dataset_batch_sampler: proportional

Training Logs

Epoch	Step	Training Loss	BAAI/bge-m3_cosine_map@10
0	0	-	0.4964
0.4336	10	0.5948	-
0.8672	20	0.2898	-
0.9973	23	-	0.5618
1.3008	30	0.194	-
1.7344	40	0.1346	-
1.9946	46	-	0.5784
2.1680	50	0.1115	-
2.6016	60	0.0755	-
2.9919	69	-	0.5735
3.0352	70	0.0699	-
3.4688	80	0.0553	-
3.9024	90	0.0572	-
3.9892	92	-	0.5716

• The bold row denotes the saved checkpoint.

Framework Versions

• Python: 3.10.12
• Sentence Transformers: 3.0.1
• Transformers: 4.44.2
• PyTorch: 2.4.0+cu121
• Accelerate: 0.33.0
• Datasets: 2.21.0
• Tokenizers: 0.19.1

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",
}

MultipleNegativesRankingLoss

@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}
}