SentenceTransformer based on Alibaba-NLP/gte-multilingual-base

This is a sentence-transformers model finetuned from Alibaba-NLP/gte-multilingual-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: Alibaba-NLP/gte-multilingual-base
Maximum Sequence Length: 512 tokens
Output Dimensionality: 768 tokens
Similarity Function: Cosine Similarity

Model Sources

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

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, '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()
)

Usage

Direct Usage (Sentence Transformers)

First install the Sentence Transformers library:

pip install -U sentence-transformers

Then you can load this model and run inference.

from sentence_transformers import SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("seongil-dn/gte-further-filtered-neg5")
# Run inference
sentences = [
    '유성체 흐름은 어떻게 분포되어 있나요?',
    '유성체 흐름은 대체로 모혜성의 공전궤도를 중심으로 원통형으로 분포되어 있다. 유성체의 밀도는 모혜성의 공전 궤도로 갈수록 높아지며, 지구가 이러한 유성체 흐름을 관통할 때, 중심에 다가갈수록 더 많은 유성체가 지구 대기 속으로 돌입하게 된다. 따라서 한 유성우가 나타날 때는 매일 나타나는 유성의 개수가 증가하다가 감소하는 경향을 띤다. 관측적으로 지수함수적으로 증가하다가 지수함수적으로 감소하는 경향을 보인다. 한 유성우가 나타나는 시기의 유성개수의 변화는, 어떤 시점 formula_1에서 formula_2 와 같이 나타낼 수 있다. 유성의 개수는 formula_3일 때 최대가 되는데, 이것을 극대기라고 한다. 또한 formula_4의 시간 규모는 유성의 개수가 확연하게 변하는 시간 규모에 해당한다. 이른바 지수함수적 시간척도(e-folding time scale)이라고 하는 것이다. 단순히 나타나는 유성의 개수를 세기만 해도 이러한 값들은 측정할 수 있으며, 이로부터 지구 공전 궤도상에 놓여 있는 유성체 흐름의 분포를 자세히 연구할 수 있다.',
    '유성체는 대부분 혜성에서 떨어져 나온 부스러기이며, 일부는 소행성에서 떨어져 나온 부스러기도 있다. 유성체는 혜성이 해에 가까이 올 때마다 방출되는데, 해에 접근한 혜성의 속도는 보통 수 십 km/s를 넘는다. 유성체들이 혜성에서 떨어져 나올 때, 방출 속도가 조금씩 다르고 혜성이 또한 자전하므로 유성체들의 속도 성분은 혜성의 속도와 약간씩 차이가 생기게 된다. 그러나 그 양은 혜성의 속도에 비해 아주 작다. 그러나 이 작은 속도 차이 때문에 유성체들은 대체로 혜성의 궤도를 따라 운동을 하되 약간씩 다른 궤도를 돌게 되어, 마침내 혜성에서 나온 유성체들은 혜성의 공전 궤도를 따라 띠를 형성하게 된다. 더군다나 한번 방출된 유성체는 주로 목성과 해의 인력을 받게 되므로 띠는 점점 더 넓어지고 균질하게 된다. 이것을 유성체 흐름(meteoroid stream)이라고 한다. 지구가 유성체 흐름을 휩쓸고 지나갈 때 유성우가 일어난다.',
]
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]

Training Details

Training Hyperparameters

Non-Default Hyperparameters

per_device_train_batch_size: 64
learning_rate: 7e-05
adam_epsilon: 1e-07
warmup_ratio: 0.05
bf16: True
batch_sampler: no_duplicates

All Hyperparameters

Click to expand

overwrite_output_dir: False
do_predict: False
eval_strategy: no
prediction_loss_only: True
per_device_train_batch_size: 64
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: 7e-05
weight_decay: 0.0
adam_beta1: 0.9
adam_beta2: 0.999
adam_epsilon: 1e-07
max_grad_norm: 1.0
num_train_epochs: 3
max_steps: -1
lr_scheduler_type: linear
lr_scheduler_kwargs: {}
warmup_ratio: 0.05
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: True
fp16: False
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: True
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

Training Logs