SentenceTransformer based on sentence-transformers/all-MiniLM-L6-v2

This is a sentence-transformers model finetuned from sentence-transformers/all-MiniLM-L6-v2 on the json dataset. It maps sentences & paragraphs to a 384-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: sentence-transformers/all-MiniLM-L6-v2
Maximum Sequence Length: 256 tokens
Output Dimensionality: 384 dimensions
Similarity Function: Cosine Similarity
Training Dataset:
- json

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': 256, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 384, '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:

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("GbrlOl/finetune-embedding-all-MiniLM-L6-v2-geotechnical-test-v1")
# Run inference
sentences = [
    '¿Qué medidas incorpora el plan de cierre aprobado en el año 2010?',
    'P or lo tanto, en atención a \nlos puntos precedentes, la elaboración de este plan de cierre está focalizada en cumplir con los \nrequerimientos establecidos en el Régimen Transitorio de la Ley de C ierre y las guías \nmetodológicas desarrolladas por SERNAGEOMIN a este respecto, realizando una valorización del \núltimo plan aprobado bajo la Resolución Nº 0687 del 03 de Agosto de 2010 de SERNAGEOMIN. \n \nEl plan de cierre incorpora las medidas presentadas en el plan de cierre aprobado el año 2010, los \ncompromisos ambientales emanados de la tramitación de proyectos en el Sistema de Evaluación \nde Impacto Ambiental (SEIA), y los compromisos de cierre establecidos en las resoluciones \notorgadas por SERNAGEOMIN a la faena de Guanaco Compañía Minera. \n \nPosterior a la entrada en vigencia de la Ley 19.300 de Bases Generales de Medio Ambiente, \nGuanaco Compañía Minera ha presentado 4 proyectos los cuales mejoran, modifican o amplían \nprocesos mineros de la faena.',
    '15 metros de espesor \nsobre una superficie de 31.410 m2  m3           \n4.711,50  \n                \n0,17  \n            \n796,63  \nCosto del material (limos) \nEstimación del costo del material a \nutilizar para el cubrimiento del \ndepósito \ngl                 \n1,00  \n            \n833,91  \n            \n833,91  \nDisposición de estrato de suelo vegetal \nsobre la superficie y taludes del depósito  \nCapa de 0,3 metros de espesor sobre \nuna superficie de 31.410 m2  m3           \n9.423,00  \n                \n0,17  \n         \n1.593,25  \nNivelación de la superficie del depósito \n(tipo "domo") \nNivelación en una superficie estimada \nde 31.410 m2  m2         \n31.410,00  \n                \n0,01  \n            \n369,97  \nCierre de accesos Pretil de 1,5 m de altura y 3 m de m3',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 384]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]

Training Details

Training Dataset

json

Dataset: json
Size: 442 training samples
Columns: query, sentence, and label
Approximate statistics based on the first 442 samples:
query sentence label
type string string int
details
min: 9 tokens
mean: 24.66 tokens
max: 69 tokens

min: 48 tokens
mean: 239.65 tokens
max: 256 tokens

0: ~59.05%
1: ~40.95%

	query	sentence	label
type	string	string	int
details	min: 9 tokens mean: 24.66 tokens max: 69 tokens	min: 48 tokens mean: 239.65 tokens max: 256 tokens	0: ~59.05% 1: ~40.95%

Samples:

query	sentence	label
`¿Es estable el depósito?`	28 Tabla 25. Coordenadas ubicación deposito de Relaves Seco Vértice Coordenadas UTM/WGS84 Norte Este 1 7.224.729,00 446.092,78 2 7.224.893,63 445.986,67 3 7.225.276,95 446.247,94 4 7.225.279,81 446.252,38 5 7.225.293,73 446.491,54 6 7.225.281,47 446.503,49 7 7.224.830,32 446,463,09 8 7.224.748,09 446.386,62 9 7.224,745,05 446,357,42 El material depositado será compactado al alcanzar 0,5 m de altura. La forma del depósito considera un espacio de 10 m entre el borde de éste y el pie de la pila. La superficie basal del depósito será de 216.457 m2 y se cargará en 2 niveles, el primero de 10 m de altura y el segundo de 5 m de altura. Los taludes serán 4: 1 (H:V), con un banco de estabilidad de 5 m de ancho como mínimo. La superficie de la corona será paralela a la superficie del depósito. Tabla 26.	`0`
`¿Es estable el depósito?`	La superficie de la corona será paralela a la superficie del depósito. Tabla 26. Características geométricas del depósito de relaves seco Parámetro Valor Capacidad final del deposito 2,54 M m3/4,07 M ton Área basal del deposito 216.457 m2 Altura nivel 1 10 m Altura nivel 2 5 m Talud de depositación entre bermas 4:1 (H:V) Pendiente final de la corona del depósito (pendiente entre 1 y 3%) Paralela a superficie mejorada Ancho del banco de estabilidad 5m (min) Elevación máxima de corona 2.796 m.s.n.m. Elevación mínima de corona 2770 m.s.n.m Los materiales de empréstito a utilizar en el depósito de relaves corresponden al material destinado a: • Construcción del muro; corresponden a 34,437 m3 estimados de material de lastre de tamaños máximos superiores a 12”. • Recubrimiento de canaletas de aguas lluvias; consistente en 785 m3 de material de grava angulosa, con tamaño de 4” promedio. Tabla 27. Características del depósito de relaves secos Parámetro Valor S...	`0`
`¿Cuál es la elevación máxima de la corona del depósito?`	La superficie de la corona será paralela a la superficie del depósito. Tabla 26. Características geométricas del depósito de relaves seco Parámetro Valor Capacidad final del deposito 2,54 M m3/4,07 M ton Área basal del deposito 216.457 m2 Altura nivel 1 10 m Altura nivel 2 5 m Talud de depositación entre bermas 4:1 (H:V) Pendiente final de la corona del depósito (pendiente entre 1 y 3%) Paralela a superficie mejorada Ancho del banco de estabilidad 5m (min) Elevación máxima de corona 2.796 m.s.n.m. Elevación mínima de corona 2770 m.s.n.m Los materiales de empréstito a utilizar en el depósito de relaves corresponden al material destinado a: • Construcción del muro; corresponden a 34,437 m3 estimados de material de lastre de tamaños máximos superiores a 12”. • Recubrimiento de canaletas de aguas lluvias; consistente en 785 m3 de material de grava angulosa, con tamaño de 4” promedio. Tabla 27. Características del depósito de relaves secos Parámetro Valor S...	`1`

Loss: CoSENTLoss with these parameters:

{
    "scale": 20.0,
    "similarity_fct": "pairwise_cos_sim"
}

Training Hyperparameters

Non-Default Hyperparameters

per_device_train_batch_size: 16
per_device_eval_batch_size: 16
learning_rate: 2e-05
num_train_epochs: 100
warmup_ratio: 0.1
fp16: 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: 16
per_device_eval_batch_size: 16
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: 100
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: None
hub_always_push: False
gradient_checkpointing: False
gradient_checkpointing_kwargs: None
include_inputs_for_metrics: False
include_for_metrics: []
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
use_liger_kernel: False
eval_use_gather_object: False
average_tokens_across_devices: False
prompts: None
batch_sampler: no_duplicates
multi_dataset_batch_sampler: proportional

Training Logs

Epoch	Step	Training Loss
6.7143	100	2.2976
13.3571	200	0.3082
20.0714	300	0.0002
26.7143	400	0.0
33.3571	500	0.0
40.0714	600	0.0
46.7143	700	0.0
53.3571	800	0.0
60.0714	900	0.0
66.7143	1000	0.0
73.3571	1100	0.0
80.0714	1200	0.0
86.7143	1300	0.0
93.3571	1400	0.0

Framework Versions

Python: 3.10.16
Sentence Transformers: 3.3.1
Transformers: 4.48.1
PyTorch: 2.5.1+cu124
Accelerate: 1.3.0
Datasets: 3.2.0
Tokenizers: 0.21.0

Citation

BibTeX

Sentence Transformers

@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",
}

CoSENTLoss

@online{kexuefm-8847,
    title={CoSENT: A more efficient sentence vector scheme than Sentence-BERT},
    author={Su Jianlin},
    year={2022},
    month={Jan},
    url={https://kexue.fm/archives/8847},
}

GbrlOl
/

finetune-embedding-all-MiniLM-L6-v2-geotechnical-test-v1