--- 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) - **Maximum Sequence Length:** 8192 tokens - **Output Dimensionality:** 1024 tokens - **Similarity Function:** Cosine Similarity ### 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] ``` ## Evaluation ### Metrics #### Information Retrieval * Dataset: `BAAI/bge-m3` * Evaluated with [InformationRetrievalEvaluator](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 | ## 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 | | | * 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](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
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 ```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} } ```