--- base_model: intfloat/multilingual-e5-base 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@100 - 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@100 pipeline_tag: sentence-similarity tags: - sentence-transformers - sentence-similarity - feature-extraction - generated_from_trainer - dataset_size:296234 - loss:CachedGISTEmbedLoss - legal - taxation - fiscalité - tax widget: - source_sentence: >- query: Commentez les dispositions de l'article L. 643-9 et de l'article L. 643-13 du Code de commerce, telles que modifiées par l'ordonnance n° 2014-326 du 12 mars 2014. sentences: - >- passage: Conformément aux dispositions de l'article 344 O de l'annexe III du Code général des impôts, toute déclaration relative au deuxième alinéa de l'article 1635 quater P du même code, concernant la situation des biens immobiliers, doit impérativement être transmise par voie électronique auprès du service des impôts compétent. Cette déclaration inclura les informations requises listées du 1° au 6° de l'article 344 N. - >- passage: Les formes et le délai de présentation de la demande de renseignements prévue au I de l'article L. 145 A ainsi que les conséquences attachées à leur respect sont régis conformément aux dispositions de l'article R. 611-12 du Code de commerce. - >- passage: Les dispositions de l'ordonnance n° 2014-326 du 12 mars 2014 apportent des ajustements spécifiques à certains articles du Code de commerce, véritable pierre angulaire de la législation régissant les procédures collectives en France. En particulier, l'article L. 643-9 connait une modificaton dans le cadre de la gestion de la liquidation judiciaire et de sa clôture pour insuffisance d'actif, impliquant ainsi des conditions plus précises quant à l'appréciation de la capacité à satisfaire l'intégralité du passif par les actifs disponibles. Parallèlement, l'article L. 643-13 procède à encadrer les conditions de reprise de la procédure de liquidation judiciaire, offrant ainsi un cadre légal actualisé pour les cas où la liquidation précédemment clôturée pourrait être réouverte. Ces modifications, qui s'appliquent rétroactivement aux procédures antérieurement engagées, traduisent une volonté législative de réconcilier les impératifs d'efficacité et de justice au sein du traitement des situations d'insolvabilité, assurant ainsi un équilibre entre les intérêts des créanciers et ceux de l'entreprise débitrice. - source_sentence: >- query: Analyser le cadre réglementaire défini par l'article D. 112-3 du Code monétaire et financier concernant les plafonds de paiement en espèces par les débiteurs ayant leur domicile fiscal en France. sentences: - >- passage: Quelles sont les conséquences, sur l'obligation fiscale d'une personne physique résidente en France, de la détention directe ou indirecte de parts dans une entité étrangère qui est soumise à un régime fiscal privilégié, et ce, en relation avec les dispositions de l'article 123 bis du Code général des impôts concernant l'assimilation de ces bénéfices à des revenus de capitaux mobiliers ? - >- passage: Conformément aux dispositions de l'article D. 112-3 du Code monétaire et financier, le débiteur résidant fiscalement en France est astreint à une limitation de paiement en espèces à hauteur de 1 000 euros. Cette mesure vise à encadrer les transactions et à réduire les risques associés à la fraude fiscale. Tout montant supérieur à ce plafond devra, de ce fait, être réglé par d'autres moyens de paiement tels que chèque barré, virement ou carte de paiement. - >- passage: Le Bulletin officiel des finances publiques-impôts (Bofip) dans son document BOI-REC-SOLID-30-10 précise la procédure d'exercice de l'action paulienne. L'action paulienne se caractérise par une phase préalable consistant à administrer des preuves relatives à la créance et au préjudice subi, ainsi qu'à la complicité entre le débiteur et les tiers acquéreurs. Par ailleurs, le juge est appelé à se positionner à la date de l'acte litigieux pour apprécier l'éventuelle fraude commise par le débiteur. La procédure judiciaire nécessite donc une approche minutieuse et conforme au cadre légal, impliquant la collecte d'éléments probants et l'appréciation judiciaire objective de la situation. - source_sentence: >- query: Analyser la mesure par laquelle les associés ou membres d'un groupement forestier doivent répondre vis-à-vis de la présentation de certains documents à l'administration fiscale, en se référant aux dispositions de l'article 46 AGI annexé au code général des impôts. sentences: - >- passage: Conformément aux articles 164 F quinvicies et 164 F sexvicies de l'Annexe IV du Code général des impôts, les adhérents des associations agréées sont tenus de notifier par écrit à leur association respective toute mesure prise en réponse aux exigences disposées. Il incombe alors à l'association de vérifier et de s'assurer que ces obligations soient dûment remplies. - >- passage: D'après l'article 46 AGJ de l'annexe III du Code général des impôts, il est impératif que les associés ou membres d'un groupement forestier maintiennent à la disposition de l'administration fiscale le document spécifié au II de l'article 46 AGI. Ce document est essentiel pour attester de la conformité aux exigences fiscales liées au groupement et pour s'assurer de la pérennité des engagements pris par les membres. Ces procédures de documentation sont cruciales pour garantir la transparence et permettre à l'administration fiscale d'effectuer les vérifications nécessaires. - >- passage: L'interaction entre le Code des douanes et le Code de la route se concrétise par la provision de l'article 64 B du Code des douanes. Ce dernier établit une procédure formelle où les fonctionnaires des douanes sont en droit de requérir des données spécifiques mentionnées dans les articles L. 330-2 à L. 330-4 du Code de la route. Ces informations touchent principalement à des aspects cruciaux tels que la circulation et l'enregistrement des véhicules, éléments essentiels pour diverses opérations de douane, incluant mais sans se limiter au contrôle du trafic transfrontalier et à la surveillance des infractions liées à la fiscalité des véhicules. L'efficience des opérations douanières s'en trouve renforcée, permettant une synergie entre deux corps étatiques, facilitant ainsi une application plus stricte et cohérente des lois dans les domaines correspondants. - source_sentence: >- query: Analysez l'influence d'un transfert de titres dans un patrimoine fiduciaire sur la composition d'un groupe fiscal, en prenant en compte les dispositions du Code général des impôts. sentences: - >- passage: Conformément au cinquième alinéa du a ter du I de l'article 219 du Code général des impôts, le traitement fiscal des transferts de titres entre divers comptes du bilan, notamment vers le compte des titres de participation ou vers toute subdivision affectée aux 'titres relevant du régime des plus-values à long terme', implique l'intégration des plus ou moins-values générées par ces transferts dans le résultat fiscal imposable. Cette intégration est effectuée selon les normes et le taux de droit commun applicables lors de l'exercice fiscal durant lequel les titres sont cédés. Les plus-values réalisées à long terme à la suite de tels transferts contribuent à déterminer la plus ou moins-value nette à long terme pour l'exercice concerné, au terme duquel cesse le bénéfice du report. Les plus ou moins-values à court terme qui émergent de ces opérations sont également incorporées au résultat imposable, respectant les conditions de droit commun de l'exercice de cession. - >- passage: Les agents fiscaux disposent de droits étendus et spécifiques pour l'accès aux documents comptables des entités lucratives, conformément aux articles L. 85 et R*85-1 du Livre des procédures fiscales. Ces articles leur confèrent le pouvoir d'exiger la communication de tous documents utiles au contrôle fiscal. Par ailleurs, le Code de commerce, aux articles L. 123-12 à L. 123-24, précise les obligations de tenue et de conservation des livres comptables, garantissant ainsi aux agents fiscaux un droit de regard sur la gestion financière des activités commerciales. Ces dispositions assurent une base juridique robuste, autorisant les intervenants fiscaux à requérir et vérifier toute documentation nécessaire à l'évaluation de la conformité fiscale. - >- passage: L'analyse de l'impact d'un transfert de titres dans un patrimoine fiduciaire, en matière de composition de groupe fiscal, s'effectue à l'aune de l'article 223 A et de l'article 238 quater B du Code général des impôts. En principe, un transfert de propriété des titres vers un patrimoine fiduciaire équivaut à leur exclusion du calcul du seuil de détention de capital pour l'appartenance à un groupe fiscal. Cependant, une exception spécifique autorise la prise en compte des titres transférés si deux conditions prépondérantes sont remplies : l'attachement de droits de vote et de dividendes aux titres cédés et la rétention par le constituant de l'exercice des droits de vote ou leur utilisation par le fiduciaire conformément aux directives du constituant, à condition que les termes contractuels de la fiducie ne s'y opposent pas. Cette particularité légale favorise ainsi la continuité ou l'intégration fiscale au sein du groupe pour les sociétés transférantes, tant que les conditions de détention sont observées, et ce, pour les exercices clôturés postérieurement au 31 décembre 2014. - source_sentence: >- query: Décrivez avec précision les étapes détaillées requises pour traiter les réclamations collectives résultant de désastres agricoles comme définies dans l'article R*198-2 du Livre des procédures fiscales. sentences: - >- passage: Conformément à l'article 310 K annexé au code général des impôts, l'usine marémotrice de la Rance, localisée entre Saint-Malo et La Richardais en Ille-et-Vilaine, peut prétendre à une déduction complémentaire. Cette dernière, prévue par le dernier alinéa de l'article 1499 du même code, se voit attribuer un taux de 50 %. Ce dispositif fiscal s'avère donc pertinent pour l'usine considérée, lui permettant de bénéficier d'un avantage significatif quant à sa charge fiscale. - >- passage: Selon les dispositions de l'article R*196-6 du Livre des procédures fiscales, il est attribué aux sujets fiscaux un intervalle précisément défini pour élever des réclamations à l'égard des taxes, cotisations et autres prélèvements relatifs aux céréales et leurs transformés. Ce délai se prolonge jusqu'à la fin de la campagne agricole suivante celle au cours de laquelle l'avis de mise en recouvrement de la taxe a été notifié ou le règlement de l'imposition contestée effectué, permettant ainsi aux parties prenantes de se prévaloir de leurs prérogatives contestataires avec une certitude temporelle. - >- passage: Selon l'article R*198-2 du Livre des procédures fiscales, le traitement des réclamations collectives en cas de catastrophes naturelles impactant les cultures agricoles, incluant des phénomènes tels que la grêle ou les inondations, exige la collaboration de plusieurs entités administratives. Initialement, deux commissaires sont nommés par l'administration fiscale pour superviser le processus. Ils sont assistés par un délégué de l'administration des impôts. Avant toute action, le maire de la commune affectée est notifié au moins dix jours avant l'inspection prévue, et il est chargé de communiquer cette date aux résidents via des affichages publics. Les agriculteurs affectés doivent alors rapporter leurs pertes à la mairie avant la réalisation d'un constat officiel par l'inspecteur des impôts, qui sera consigné dans un procès-verbal. Une fois ce document clôturé, aucune réclamation supplémentaire n'est acceptée. co2_eq_emissions: emissions: 458.85169730175215 energy_consumed: 1.2430478567823005 source: codecarbon training_type: fine-tuning on_cloud: false cpu_model: AMD EPYC 9V84 96-Core Processor ram_total_size: 314.686279296875 hours_used: 2.244 hardware_used: 1 x NVIDIA H100 NVL model-index: - name: SentenceTransformer based on intfloat/multilingual-e5-base results: - task: type: information-retrieval name: Information Retrieval dataset: name: Lemone information retrieval type: Lemone-information-retrieval metrics: - type: cosine_accuracy@1 value: 0.9691714836223507 name: Cosine Accuracy@1 - type: cosine_accuracy@3 value: 0.9910083493898523 name: Cosine Accuracy@3 - type: cosine_accuracy@5 value: 0.9955041746949261 name: Cosine Accuracy@5 - type: cosine_accuracy@10 value: 0.9967886962106616 name: Cosine Accuracy@10 - type: cosine_precision@1 value: 0.9691714836223507 name: Cosine Precision@1 - type: cosine_precision@3 value: 0.3303361164632841 name: Cosine Precision@3 - type: cosine_precision@5 value: 0.19910083493898523 name: Cosine Precision@5 - type: cosine_precision@10 value: 0.09967886962106615 name: Cosine Precision@10 - type: cosine_recall@1 value: 0.9691714836223507 name: Cosine Recall@1 - type: cosine_recall@3 value: 0.9910083493898523 name: Cosine Recall@3 - type: cosine_recall@5 value: 0.9955041746949261 name: Cosine Recall@5 - type: cosine_recall@10 value: 0.9967886962106616 name: Cosine Recall@10 - type: cosine_ndcg@10 value: 0.9848527212358668 name: Cosine Ndcg@10 - type: cosine_mrr@10 value: 0.9808338685506315 name: Cosine Mrr@10 - type: cosine_map@100 value: 0.9809367129494427 name: Cosine Map@100 - type: dot_accuracy@1 value: 0.9691714836223507 name: Dot Accuracy@1 - type: dot_accuracy@3 value: 0.9910083493898523 name: Dot Accuracy@3 - type: dot_accuracy@5 value: 0.9955041746949261 name: Dot Accuracy@5 - type: dot_accuracy@10 value: 0.9967886962106616 name: Dot Accuracy@10 - type: dot_precision@1 value: 0.9691714836223507 name: Dot Precision@1 - type: dot_precision@3 value: 0.3303361164632841 name: Dot Precision@3 - type: dot_precision@5 value: 0.19910083493898523 name: Dot Precision@5 - type: dot_precision@10 value: 0.09967886962106615 name: Dot Precision@10 - type: dot_recall@1 value: 0.9691714836223507 name: Dot Recall@1 - type: dot_recall@3 value: 0.9910083493898523 name: Dot Recall@3 - type: dot_recall@5 value: 0.9955041746949261 name: Dot Recall@5 - type: dot_recall@10 value: 0.9967886962106616 name: Dot Recall@10 - type: dot_ndcg@10 value: 0.9848527212358668 name: Dot Ndcg@10 - type: dot_mrr@10 value: 0.9808338685506315 name: Dot Mrr@10 - type: dot_map@100 value: 0.9809367129494427 name: Dot Map@100 license: apache-2.0 language: - fr datasets: - louisbrulenaudet/code-impots - louisbrulenaudet/code-impots-annexe-iv - louisbrulenaudet/code-impots-annexe-iii - louisbrulenaudet/code-impots-annexe-i - louisbrulenaudet/code-impots-annexe-ii - louisbrulenaudet/livre-procedures-fiscales - louisbrulenaudet/bofip --- # Lemone-Embed: A Series of Fine-Tuned Embedding Models for French Taxation

This series is made up of 7 models, 3 basic models of different sizes trained on 1 epoch, 3 models trained on 2 epochs making up the Boost series and a Pro model with a non-Roberta architecture.

This sentence transformers model, specifically designed for French taxation, has been fine-tuned on a dataset comprising 43 million tokens, integrating a blend of semi-synthetic and fully synthetic data generated by GPT-4 Turbo and Llama 3.1 70B, which have been further refined through evol-instruction tuning and manual curation. The model is tailored to meet the specific demands of information retrieval across large-scale tax-related corpora, supporting the implementation of production-ready Retrieval-Augmented Generation (RAG) applications. Its primary purpose is to enhance the efficiency and accuracy of legal processes in the taxation domain, with an emphasis on delivering consistent performance in real-world settings, while also contributing to advancements in legal natural language processing research. This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [intfloat/multilingual-e5-base](https://huggingface.co/intfloat/multilingual-e5-base). It maps sentences & paragraphs to a 768-dimensional dense vector space and can be used for semantic textual similarity, semantic search, paraphrase mining, text classification, clustering, and more. ## Model Details ### Model Description - **Model Type:** Sentence Transformer - **Base model:** [intfloat/multilingual-e5-base](https://huggingface.co/intfloat/multilingual-e5-base) - **Maximum Sequence Length:** 512 tokens - **Output Dimensionality:** 768 tokens - **Similarity Function:** Cosine Similarity - **Developed by:** Louis Brulé Naudet - **Funded by:** Microsoft for Startups - **Shared by:** Louis Brulé Naudet - **Model type:** Sentence Transformers - **Language(s) (NLP):** FR - **License:** Apache 2 - **Finetuned from model:** [intfloat/multilingual-e5-base](https://huggingface.co/intfloat/multilingual-e5-base) ### Model Sources - **Documentation:** [Sentence Transformers Documentation](https://sbert.net) - **Repository:** [Sentence Transformers on GitHub](https://github.com/UKPLab/sentence-transformers) - **Hugging Face:** [Sentence Transformers on Hugging Face](https://huggingface.co/models?library=sentence-transformers) ### Full Model Architecture ``` SentenceTransformer( (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: XLMRobertaModel (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True}) (2): Normalize() ) ``` ## Usage ### Direct Usage (Sentence Transformers) First install the Sentence Transformers library: ```bash pip install -U sentence-transformers ``` Then you can load this model and run inference. ```python from sentence_transformers import SentenceTransformer # Download from the 🤗 Hub model = SentenceTransformer("louisbrulenaudet/lemone-embed-m") # Run inference sentences = [ "query: Décrivez avec précision les étapes détaillées requises pour traiter les réclamations collectives résultant de désastres agricoles comme définies dans l'article R*198-2 du Livre des procédures fiscales.", "passage: Selon l'article R*198-2 du Livre des procédures fiscales, le traitement des réclamations collectives en cas de catastrophes naturelles impactant les cultures agricoles, incluant des phénomènes tels que la grêle ou les inondations, exige la collaboration de plusieurs entités administratives. Initialement, deux commissaires sont nommés par l'administration fiscale pour superviser le processus. Ils sont assistés par un délégué de l'administration des impôts. Avant toute action, le maire de la commune affectée est notifié au moins dix jours avant l'inspection prévue, et il est chargé de communiquer cette date aux résidents via des affichages publics. Les agriculteurs affectés doivent alors rapporter leurs pertes à la mairie avant la réalisation d'un constat officiel par l'inspecteur des impôts, qui sera consigné dans un procès-verbal. Une fois ce document clôturé, aucune réclamation supplémentaire n'est acceptée.", "passage: Selon les dispositions de l'article R*196-6 du Livre des procédures fiscales, il est attribué aux sujets fiscaux un intervalle précisément défini pour élever des réclamations à l'égard des taxes, cotisations et autres prélèvements relatifs aux céréales et leurs transformés. Ce délai se prolonge jusqu'à la fin de la campagne agricole suivante celle au cours de laquelle l'avis de mise en recouvrement de la taxe a été notifié ou le règlement de l'imposition contestée effectué, permettant ainsi aux parties prenantes de se prévaloir de leurs prérogatives contestataires avec une certitude temporelle.", ] embeddings = model.encode(sentences) print(embeddings.shape) # [3, 768] # Get the similarity scores for the embeddings similarities = model.similarity(embeddings, embeddings) print(similarities.shape) # [3, 3] ``` ## Evaluation ### Metrics #### Information Retrieval * Dataset: `Lemone-information-retrieval` * Evaluated with [InformationRetrievalEvaluator](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator) | Metric | Value | |:--------------------|:-----------| | cosine_accuracy@1 | 0.9692 | | cosine_accuracy@3 | 0.991 | | cosine_accuracy@5 | 0.9955 | | cosine_accuracy@10 | 0.9968 | | cosine_precision@1 | 0.9692 | | cosine_precision@3 | 0.3303 | | cosine_precision@5 | 0.1991 | | cosine_precision@10 | 0.0997 | | cosine_recall@1 | 0.9692 | | cosine_recall@3 | 0.991 | | cosine_recall@5 | 0.9955 | | cosine_recall@10 | 0.9968 | | cosine_ndcg@10 | 0.9849 | | cosine_mrr@10 | 0.9808 | | **cosine_map@100** | **0.9809** | | dot_accuracy@1 | 0.9692 | | dot_accuracy@3 | 0.991 | | dot_accuracy@5 | 0.9955 | | dot_accuracy@10 | 0.9968 | | dot_precision@1 | 0.9692 | | dot_precision@3 | 0.3303 | | dot_precision@5 | 0.1991 | | dot_precision@10 | 0.0997 | | dot_recall@1 | 0.9692 | | dot_recall@3 | 0.991 | | dot_recall@5 | 0.9955 | | dot_recall@10 | 0.9968 | | dot_ndcg@10 | 0.9849 | | dot_mrr@10 | 0.9808 | | dot_map@100 | 0.9809 | ## Training Details ### Training Dataset * Size: 296,234 training samples * Columns: query, positive, and negative * Approximate statistics based on the first 1000 samples: | | query | positive | negative | |:--------|:-----------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------| | type | string | string | string | | details | | | | * Loss: [CachedGISTEmbedLoss](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#cachedgistembedloss) with these parameters: ```json {'guide': SentenceTransformer( (0): Transformer({'max_seq_length': 8192, 'do_lower_case': False}) with Transformer model: NewModel (1): Pooling({'word_embedding_dimension': 768, '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() ), 'temperature': 0.01} ``` ### Training Hyperparameters #### Non-Default Hyperparameters - `eval_strategy`: steps - `per_device_train_batch_size`: 512 - `learning_rate`: 2e-05 - `num_train_epochs`: 1 - `warmup_ratio`: 0.1 - `fp16`: True - `batch_sampler`: no_duplicates #### All Hyperparameters
Click to expand - `overwrite_output_dir`: False - `do_predict`: False - `eval_strategy`: steps - `prediction_loss_only`: True - `per_device_train_batch_size`: 512 - `per_device_eval_batch_size`: 8 - `per_gpu_train_batch_size`: None - `per_gpu_eval_batch_size`: None - `gradient_accumulation_steps`: 1 - `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`: 1 - `max_steps`: -1 - `lr_scheduler_type`: linear - `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`: None - `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`: False - `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 - `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
### Environmental Impact Carbon emissions were measured using [CodeCarbon](https://github.com/mlco2/codecarbon). - **Energy Consumed**: 1.243 kWh - **Carbon Emitted**: 0.459 kg of CO2 - **Hours Used**: 2.244 hours ### Training Hardware - **On Cloud**: No - **GPU Model**: 1 x NVIDIA H100 NVL - **CPU Model**: AMD EPYC 9V84 96-Core Processor - **RAM Size**: 314.69 GB ### Framework Versions - Python: 3.10.12 - Sentence Transformers: 3.1.1 - Transformers: 4.44.2 - PyTorch: 2.3.0+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", } ``` If you use this code in your research, please use the following BibTeX entry. ```BibTeX @misc{louisbrulenaudet2024, author = {Louis Brulé Naudet}, title = {Lemone-Embed: A Series of Fine-Tuned Embedding Models for French Taxation}, year = {2024} howpublished = {\url{https://huggingface.co/datasets/louisbrulenaudet/lemone-embed-m}}, } ``` ## Feedback If you have any feedback, please reach out at [louisbrulenaudet@icloud.com](mailto:louisbrulenaudet@icloud.com).