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-v4")
# Run inference
sentences = [
    '¿Cuál es el factor de seguridad mínimo para el corto plazo en caso de falla superficial estática en el botadero Sur?',
    'Plan de Cierre - Faena Minera Salares Norte |   95 \n \nTabla 8-13: Criterios para el Análisis de Estabilidad del Botadero Sur \nCondición FS Mínimo \nCorto Plazo \n(operacional) \nFalla Superficial  Estático 1,0 \nSísmico (1) \nFalla Profunda  Estático 1,5 \nSísmico 1,2 \nLargo Plazo \n(post-cierre) \nFalla Superficial  Estático 1,1 \nSísmico (1) \nFalla Profunda  Estático 1,5 \nSísmico 1,1 \n(1): El material es depositado me diante volteo de camiones y queda con su ángulo de reposo. Las fallas \nsuperficiales pueden ocurrir, pero las bermas de seguridad evitarán mayores deslizamientos de material.  \nPara los análisis que involucren al depósito de relaves filtrados, ya sea por si solo o junto al botadero Sur, el factor \nde seguridad mínimo para el corto plazo es de 1,5 para casos estáticos y 1,2 para la condición sísmica. Para el largo \nplazo, en tanto, el factor de seguridad mínimo para la condición sísmica es de 1,1. \nLos factores de seguridad obtenidos de los análisis de estabilidad son presentados en la Tabla 8-14 y en la Tabla 8-15. \nTodos los análisis indican que; tanto el diseño del botadero Sur, como el diseño del depósito de relaves filtrados, por \nsí solos como en conjunto, cumplen con los diseños de criterios d e los factores de seguridad.  \nLos análisis de fallas profundas han incorporado la determinación del factor de seguridad mínimo para fallas que \nimplican la totalidad del depósito, así como fallas que involucran 2 o 3 bancos, que pueden ser más críticos que \naquellos que involucran la totalidad del depósito.',
    'Sin perjuicio de ello, en este \nplan de cierre temporal se ha hecho un análisis a nive l de juicio experto respecto de los riesgos \nque se indican en la siguiente tabla.  \nTabla 3-3: Riesgos evaluados Instalaciones Complementarias y Auxiliares. \nInstalación Riesgos evaluados \nInstalaciones \nComplementarias \ny Auxiliares \nIA.1) Caída de Personas o animales a desnivel \nIA.2) Caída de objetos o materiales sobre personas o animales \nIA.3) Afectación a la salud de las personas por estructuras, \nmateriales y/o suelos contaminados \nFuente: Elaborado por MYMA, 2019 \n3.1 Evaluación de Riesgos \na) Evaluación de Riesgos previo a la definición de las medidas de cierre \nUna vez establecida la probabilidad de ocurrencia de los eventos y la severidad de las \nconsecuencias para las personas y el medio ambiente, se debe catalogar el límite de aceptabilidad \ndel riesgo.',
]
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]

Evaluation

Metrics

Semantic Similarity

Dataset: sts_dev
Evaluated with EmbeddingSimilarityEvaluator

Metric	Value
pearson_cosine	0.5694
spearman_cosine	0.5456
pearson_euclidean	0.574
spearman_euclidean	0.5456
pearson_manhattan	0.5797
spearman_manhattan	0.5534
pearson_dot	0.5694
spearman_dot	0.5456
pearson_max	0.5797
spearman_max	0.5534

Binary Classification

Dataset: quora_duplicates_dev
Evaluated with BinaryClassificationEvaluator

Metric	Value
cosine_accuracy	0.7938
cosine_accuracy_threshold	0.5779
cosine_f1	0.696
cosine_f1_threshold	0.5187
cosine_precision	0.7016
cosine_recall	0.6905
cosine_ap	0.807
euclidean_accuracy	0.6154
euclidean_accuracy_threshold	-1.2038
euclidean_f1	0.5556
euclidean_f1_threshold	-0.5825
euclidean_precision	0.3858
euclidean_recall	0.9921
euclidean_ap	0.2644
manhattan_accuracy	0.6154
manhattan_accuracy_threshold	-18.6887
manhattan_f1	0.5556
manhattan_f1_threshold	-9.1288
manhattan_precision	0.3858
manhattan_recall	0.9921
manhattan_ap	0.2632
dot_accuracy	0.7938
dot_accuracy_threshold	0.5779
dot_f1	0.696
dot_f1_threshold	0.5187
dot_precision	0.7016
dot_recall	0.6905
dot_ap	0.807
max_accuracy	0.7938
max_accuracy_threshold	0.5779
max_f1	0.696
max_f1_threshold	0.5187
max_precision	0.7016
max_recall	0.9921
max_ap	0.807

Training Details

Training Dataset

json

Dataset: json
Size: 1,622 training samples
Columns: query, sentence, and label
Approximate statistics based on the first 1000 samples:
query sentence label
type string string int
details
min: 9 tokens
mean: 25.34 tokens
max: 69 tokens

min: 54 tokens
mean: 233.59 tokens
max: 256 tokens

0: ~59.70%
1: ~40.30%

	query	sentence	label
type	string	string	int
details	min: 9 tokens mean: 25.34 tokens max: 69 tokens	min: 54 tokens mean: 233.59 tokens max: 256 tokens	0: ~59.70% 1: ~40.30%

Samples:

query	sentence	label
`Indica si se utiliza Proctor Modificado, o Normal o Estándar para compactar el relave filtrado, y cuál es el nivel de compactación`	PLAN DE CIERRE TEMPO RAL – FAENA MINERA EL TOQUI Sociedad Contractual Minera El Toqui Capítulo 7 – Análisis de las Instalaciones REVISIÓN [ 0] 7-107 Figura 7-38: Ubicación Parque Eólico Fuente: SCMET, 2018 - Red de Abastecimiento de Energía : Está compuesta por todas las instalaciones utilizadas para la distribución de la energía hacia todos los sectores de la faena, se compone de: o Líneas de alta tensión: 30.000 metros lineales. o Líneas de baja tensión: 2.000 metros lineales. o Estaciones de combustible: Las minas que cuentan con estaciones de combustible corresponden a Concordia, Estatuas, Doña Rosa. o Subestaciones eléctricas: A continuación se presenta una tabla con las subestaciones significativas y sus características. o Sala eléctrica de la Planta de Procesos o Subestación eléctrica TDR Confluencia (fue desmantelada).	`0`
`¿Cuál es la ubicación del Pozo Monitoreos?`	64 Figura 5.42: Caminos internos de acceso (2) . 64 Figura 5.43: Patio de RISES . 65 Figura 5.44: Bodega de almacenamiento temporal de residuos peligrosos . 66 Figura 5.45: Bodega de almacenamiento de residuos domésticos . 67 Figura 5.46: Ubicación Pozo Monitoreos . 100 Figura 5.47: Caminos internos Planta Catemu . 107 ANEXOS ANEXO A : . ANTECEDENTES LEGALES ANEXO B : . RESOLUCIONES ANEXO C: . PROPIEDAD MINERA ANEXO D: . INFORME DE VIDA ÚTIL ANEXO E: . PLANOS ANEXO F: . EVALUACIÓN DE RIESGOS ANEXO G: . PLANILLA DE VALORIZACIÓN ANEXO H: . RESPALDO DE PRECIOS UNITARIOS ANEXO I: . GARANTÍA FINANCIERA	`1`
`se especifican antecedentes geofísicos?`	Hay numerosas comunidades edáficas, una de las cuales es el bosque de arrayán (Luma apiculata), de las orillas de ríos y lagos. Considerando la clasificación de la vegetación natural de Chile de Gajardo (1993), las instalaciones en cuestión se ubican en la formación del Bosque caducifolio de Aysén, que engloba básicamente a bosques de lenga (Nothofagus pumilio), los que pueden encontrarse desde el sur de la X Región, pero están representados en su forma característica en la XI Región. Son relativamente homogéneos en composición florística y en su estructura, distribuyéndose en un ambiente con un fuerte gradiente de precipitación de oeste a este, sobre un relieve de grandes variaciones en la altitud. Ha sido muy afectado por la intervención humana, persistiendo su condición original solamente en sectores locales. Con relación a las especies de flora terrestre en categoría de conservación, en la undécima región existen 2 especies que se encuentran incluidas en el listado naci...	`0`

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	sts_dev_spearman_max	quora_duplicates_dev_max_ap
0	0	-	0.5534	0.8070
2.3902	100	4.6587	-	-
4.7805	200	2.3234	-	-
7.1463	300	0.869	-	-
9.5366	400	0.2738	-	-
11.9268	500	0.328	-	-
14.2927	600	0.1296	-	-
16.6829	700	0.1233	-	-
19.0488	800	0.1024	-	-
21.4390	900	0.0337	-	-
23.8293	1000	0.0033	-	-
26.1951	1100	0.0508	-	-
28.5854	1200	0.0221	-	-
30.9756	1300	0.0167	-	-
33.3415	1400	0.0003	-	-
35.7317	1500	0.0	-	-
38.0976	1600	0.0	-	-
40.4878	1700	0.0	-	-
42.8780	1800	0.0	-	-
45.2439	1900	0.0	-	-
47.6341	2000	0.0	-	-
50.0244	2100	0.0	-	-
52.3902	2200	0.0	-	-
54.7805	2300	0.0	-	-
57.1463	2400	0.0	-	-
59.5366	2500	0.0	-	-
61.9268	2600	0.0	-	-
64.2927	2700	0.0	-	-
66.6829	2800	0.0	-	-
69.0488	2900	0.0	-	-
71.4390	3000	0.0	-	-
73.8293	3100	0.0	-	-
76.1951	3200	0.0	-	-
78.5854	3300	0.0	-	-
80.9756	3400	0.0	-	-
83.3415	3500	0.0	-	-
85.7317	3600	0.0	-	-
88.0976	3700	0.0	-	-
90.4878	3800	0.0	-	-
92.8780	3900	0.0	-	-
95.2439	4000	0.0	-	-
97.6341	4100	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-v4