|
--- |
|
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.* |
|
--> |