File size: 31,617 Bytes
be91a73 |
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 |
---
base_model: BAAI/bge-m3
datasets: []
language: []
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@3
- cosine_map@5
- cosine_map@10
- dot_accuracy@1
- dot_accuracy@3
- dot_accuracy@5
- dot_accuracy@10
- dot_precision@1
- dot_precision@3
- dot_precision@5
- dot_precision@10
- dot_recall@1
- dot_recall@3
- dot_recall@5
- dot_recall@10
- dot_ndcg@10
- dot_mrr@10
- dot_map@3
- dot_map@5
- dot_map@10
pipeline_tag: sentence-similarity
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:5903
- loss:MultipleNegativesRankingLoss
widget:
- source_sentence: 'fldhelyével és tipusa:U. Arra a tételre kell ráállni, amelyik
kivezetés bizonylatát és átadott eszközét át akarjuk venni. Eszköz válogatás-ra
kattintva a kivezetés (átadás) bizonylat tételeiből lehet szelektálni. Amennyiben
az Eszköz válogatással nem szelektálunk, az átadó bizonylaton szereplő valamennyi
eszköz átvételre kerül. Az időszak, a beléptető fldhely,az átvevő bizonylat dátuma
megegyezik az átadó bizonylat időszakával és dátumával. Megadandó: · Új kezelő
eek, · Új szervezeti egység (eek nem kötelező) · Átvétel bizonylati tömb (KESXE01)
egyéb növekedés · Átvétel mozgásnem (KESXE01) egyéb növekedés · Bizonylat nyomtatás
(I/N) · Új tárhely adatok: Nem/Igen - Igen esetén: Tárolási hely leltárkörzet:
A [kescti] - Cím adatok tároló ingatlan alapján? készlet alrendszer paraméter
: Igen értéke esetén: Ha a Leltárkörzet törzsben hozzá van rendelve a megfelelő
tároló ingatlan akkor rögzítésekor a tároló ingatlan és a hozzá tartozó cím adatok
is bejegyzésre kerülnek. Itt értékük már nem'
sentences:
- Miért kéri az alkalmazás megjeleníteni a kontírozott folyószámlaszámot és árbevételi
számlát a szerződésben ha a jogcím törzs második oldala nyilvántartási számla
és elsődleges ellenszámla mezőiben szereplő folyószámlaszámok és árbevételi számlák
egyeznek meg a szerződésben megjelölt számlaszámokkal?
- Melyek a feltételek, amelyek alapján az online adatszolgáltatás előkészítő programja
tölt fel adattal az eredeti számla legutóbbi módosító okiratának sorszámát?
- Mi a célja az eszközök átvételével kapcsolatos új kezelők regisztrálásának és
az új szervezeti egység létrehozásának, amikor egyeztetni kell az átadó és átvevő
bizonylatokat?
- source_sentence: '(A Szerver oldali dll használat? [csharp] rendszerparaméter értéke
alapértelmezéstől eltérő 1, Igen esetén, ha a Külső bizonylatszámot a felhasználó
FST funkcióval felüldefiniálja, akkor az FST-ben definiált maximális hossz alapján
töltjük a külső bizonylatszámot.) Partnerkód (szárm.) - f_partner PARTNER törzskapcsolat
Az eszközt szállító/értékesítő partner azonosító kódja. ÉJ (Építményjegyzék) szám
- f_ej ESZEJ törzskapcsolat Az építmények építményjegyzék szerinti besorolását
lehet rögzíteni a hatályos építményjegyzéknek megfelelően. Kezelő elszámolási
egység / Kezelő szervezeti egység - f_keek EGYSEG törzskapcsolat Amennyiben az
Elszámolási egység törzsben a Státusz, a Nyitás dátuma és a Zárás dátuma mezők
használatban vannak, az alábbi feltételek teljesülése esetén választhatók ki:
1. a kód státusza Nyitott és a Nyitás dátuma üres vagy nem nagyobb, mint a viszonyítási
dátum (aktuális dátum) VAGY 2. a kód státusza Nyitott és a Zárás dátuma nagyobb,
mint a viszonyítási dátum (aktuális'
sentences:
- Milyen hatással bír az a szituáció, amikor az építményjegyzék (ÉJ) szám nem egyezik
meg a FST-ben definiált maximális hossz alapján töltött külső bizonylatszámmal?
- Miért történik meg a KT02- bizonylat generálása csak akkor, ha nem adunk meg alszámot?
- Hogyan ellenőrizhetem, hogy véletlenül megsemmisítettem-e a főkönyvi naplómat?
- source_sentence: nyezhetők. Itt célszerű vagy előre FST/FJK szűrést beállítani vagy
a navigáció tölcsér funkciójával szűrést beállítani, hogy csak a bejelentkezett
felhasználó aláírására váró számlák jelenjenek meg. Iktatókönyv kijelölése után
aktív a Karbantartás funkció, az aláírandó számlán indítva megjelenik a számla
fej karbantartó.
sentences:
- Mi a bruttó végösszeg, ha 20%-os adót kell befizetni egy olyan számlán, amelyhez
hozzáadott értékkel megjelölt termékeket forgalmaztak?
- Milyen kritériumok alapján lesznek meghatározva az összes bejegyzés lehetséges
típusai a számlákhoz kapcsolódó értékeknél?
- Miért lenne fontos a navigációs tölcsér funkció használata ahhoz, hogy csak a
bejelentkezett felhasználó aláírására váró számlák jelenjenek meg az iktatókönyvben?
- source_sentence: 'y számla akkor eshet így ki a generálásból, ha a dátumai alapján
a megadott ÁFA-időszaknál későbbi lesz a megállapított ÁFA-időszaka. Ezekre a
számlákra majd a következő vagy azután következő hónapban kerül sor. (Ezek lehetnek
a 4 eset közül a 3. és 4. eset.) Könyvelési napló: az ÁFA-telj.dátumnak megfelelő
N - Nyitott, pénzügyi napló, amibe az ÁFA- rendező bizonylatot generálja a program.
Generálás hatására megerősítendő kérdést tesz fel: Igen hatására bekéri az ÁFA-rendező
bizonylat előállításához szükséges adatokat: SZÁLLÍTÓ'
sentences:
- Mi lesz a következő lépés, ha a feldolgozási dátum után egy hónappal kiadott számla
ÁFA-időszaka túllép a 3-4 hónapos időtartamon?
- Milyen folyamatot követ el az alkalmazás, ha a Számlakép fájlformátuma mezőben
PDF szerepel és küldéskor átkonvertálja?
- Mi az oka annak, hogy a program korlátozza az újrakontírozást azokra a kartonokra,
amelyeken még nincs könyvelt bruttó és/vagy ÉCS sora?
- source_sentence: '§ 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'
sentences:
- Miért létezik a lehetőség, hogy egy alszámos, egy dimenziós PENZ02 kötvállalást
egyszerűen és rögzítetlenül feltölthessünk az adatbázisba?
- Mi lesz a hatása annak, ha bekapcsoljuk a raktári és főkönyvi mennyiség megadását
a készletmozgások bizonylatolásakor?
- Miért szükséges az adóalap és az áfa összege megfelelőnek lennie egy 45 napos
listázásnál?
model-index:
- name: SentenceTransformer based on BAAI/bge-m3
results:
- task:
type: information-retrieval
name: Information Retrieval
dataset:
name: BAAI/bge m3
type: BAAI/bge-m3
metrics:
- type: cosine_accuracy@1
value: 0.4481707317073171
name: Cosine Accuracy@1
- type: cosine_accuracy@3
value: 0.6524390243902439
name: Cosine Accuracy@3
- type: cosine_accuracy@5
value: 0.7301829268292683
name: Cosine Accuracy@5
- type: cosine_accuracy@10
value: 0.8246951219512195
name: Cosine Accuracy@10
- type: cosine_precision@1
value: 0.4481707317073171
name: Cosine Precision@1
- type: cosine_precision@3
value: 0.21747967479674796
name: Cosine Precision@3
- type: cosine_precision@5
value: 0.14603658536585362
name: Cosine Precision@5
- type: cosine_precision@10
value: 0.08246951219512194
name: Cosine Precision@10
- type: cosine_recall@1
value: 0.4481707317073171
name: Cosine Recall@1
- type: cosine_recall@3
value: 0.6524390243902439
name: Cosine Recall@3
- type: cosine_recall@5
value: 0.7301829268292683
name: Cosine Recall@5
- type: cosine_recall@10
value: 0.8246951219512195
name: Cosine Recall@10
- type: cosine_ndcg@10
value: 0.6325741777762836
name: Cosine Ndcg@10
- type: cosine_mrr@10
value: 0.5716384775454897
name: Cosine Mrr@10
- type: cosine_map@3
value: 0.5409044715447155
name: Cosine Map@3
- type: cosine_map@5
value: 0.5588922764227642
name: Cosine Map@5
- type: cosine_map@10
value: 0.5716384775454898
name: Cosine Map@10
- type: dot_accuracy@1
value: 0.4481707317073171
name: Dot Accuracy@1
- type: dot_accuracy@3
value: 0.6524390243902439
name: Dot Accuracy@3
- type: dot_accuracy@5
value: 0.7301829268292683
name: Dot Accuracy@5
- type: dot_accuracy@10
value: 0.8246951219512195
name: Dot Accuracy@10
- type: dot_precision@1
value: 0.4481707317073171
name: Dot Precision@1
- type: dot_precision@3
value: 0.21747967479674796
name: Dot Precision@3
- type: dot_precision@5
value: 0.14603658536585362
name: Dot Precision@5
- type: dot_precision@10
value: 0.08246951219512194
name: Dot Precision@10
- type: dot_recall@1
value: 0.4481707317073171
name: Dot Recall@1
- type: dot_recall@3
value: 0.6524390243902439
name: Dot Recall@3
- type: dot_recall@5
value: 0.7301829268292683
name: Dot Recall@5
- type: dot_recall@10
value: 0.8246951219512195
name: Dot Recall@10
- type: dot_ndcg@10
value: 0.6325741777762836
name: Dot Ndcg@10
- type: dot_mrr@10
value: 0.5716384775454897
name: Dot Mrr@10
- type: dot_map@3
value: 0.5409044715447155
name: Dot Map@3
- type: dot_map@5
value: 0.5588922764227642
name: Dot Map@5
- type: dot_map@10
value: 0.5716384775454898
name: Dot Map@10
---
# 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:** 8192 tokens
- **Output Dimensionality:** 1024 tokens
- **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': 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:
```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("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]
```
<!--
### 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: `BAAI/bge-m3`
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
| Metric | Value |
|:--------------------|:-----------|
| cosine_accuracy@1 | 0.4482 |
| 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 |
<!--
## 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: 5,903 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: 30 tokens</li><li>mean: 235.99 tokens</li><li>max: 503 tokens</li></ul> | <ul><li>min: 12 tokens</li><li>mean: 33.9 tokens</li><li>max: 121 tokens</li></ul> |
* Samples:
| positive | anchor |
|:------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| <code>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.</code> | <code>Melyek azok a bizonylattípusok, amelyekhez az átutalás folyamata kiemelt funkciókkal rendelkezik?</code> |
| <code>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</code> | <code>Mi indokolhatja a számla rendezési egyenlegben észlelt változást, ha az nem jelenik meg a folyószámlán?</code> |
| <code>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</code> | <code>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?</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`: 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
<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`: 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
</details>
### 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
```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.*
--> |