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

This is a sentence-transformers model finetuned from sentence-transformers/all-MiniLM-L6-v2. 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

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, 'architecture': '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("sentence_transformers_model_id")
# Run inference
sentences = [
    'que valores descontados de por caixa REPÓRTER: do Banco Itaú deve ser cinco ter os descontados causa diferença a responsabilidade . é da do Tribunal os descontos como escriturária desde 1992 a profissional função de uma, em Horizonte . instância acolheu o manuseio diário de diferenças caixa, risco deve pelo pelo empregado recorreu Regional do decisão . foi que uma concedida chamada gratificação de caixa . de adicional que tem objetivo de diferenças que, no contrato TST restabelecer, instância O relator Turma ministro Oliveira Costa que lícitos diante houve o que Com da Turma, bancária deve receber todos os descontados . Faça o ouça notícia sem cookies Mais',
    'null Banco Itaú terá que devolver valores descontados de uma empregada por diferenças no caixa 10.08.2015   REPÓRTER: Uma empregada do Banco Itaú deve ser ressarcida em cinco mil e 600 reais depois de ter os valores descontados diretamente na conta corrente por causa de diferença no caixa sob a responsabilidade dela. A decisão é da Primeira Turma do Tribunal Superior do Trabalho que considerou irregular os descontos salariais não autorizados. Contratada como escriturária desde 1992, a profissional exerce a função de caixa em uma agência do Itaú, em Belo Horizonte. Em primeira instância, a Justiça do Trabalho acolheu o pedido dela por considerar que o manuseio diário de dinheiro favorece o surgimento de diferenças no caixa, e o risco dessa atividade deve ser sempre assumido pelo empregador e não pelo empregado. O Itaú recorreu ao Tribunal Regional do Trabalho de Minas Gerais e conseguiu reverter a decisão. O argumento foi de que a bancária já tinha uma garantia concedida pela chamada "gratificação de caixa". Trata-se de um adicional que tem o objetivo de cobrir eventuais diferenças na contabilidade do caixa, que acabavam descontadas do empregado, conforme previsto no contrato de trabalho. A bancária recorreu ao TST e conseguiu restabelecer a sentença, de primeira instância. O relator do caso na Primeira Turma, ministro Walmir Oliveira da Costa, observou que os descontos só seriam lícitos diante da comprovação de que houve má-fé da trabalhadora, o que não se confirmou no processo. Com a decisão unânime da Turma, a bancária deve receber de volta todos os valores descontados pelo banco.   Reportagem, Carlos Balbino   Faça o download ou ouça a notícia:   Esse conteúdo não está disponível sem cookies.Aceitar cookies Mais detalhes',
    'MERCOSUR/CMC/DEC. Nº 46/07 GRUPO DE TRABAJO SOBRE PREVENCION DE PROLIFERACION DE ARMAS DE DESTRUCCION MASIVA (GTADM) VISTO: El Tratado de Asunción, el Protocolo de Ouro Preto, las Decisiones Nº 18/98, 23/03, 18/04 y 28/04 del Consejo del Mercado Común. CONSIDERANDO: Que el fortalecimiento de la dimensión política y social del MERCOSUR conlleva una mayor interrelación entre los Estados Parte a fin de consolidar y profundizar el proceso de integración. Que los Gobiernos de los Estados Parte y de la República de Bolivia y de la República de Chile declararon el 24 de julio de 1998 al MERCOSUR, Bolivia y Chile como Zona de Paz y Libre de Armas de Destrucción Masiva. Que es conveniente establecer un mecanismo de consulta periódica institucionalizado para abordar las cuestiones relativas a la prevención de proliferación de armas de destrucción masiva. EL CONSEJO DEL MERCADO COMUN DECIDE: Art. 1 — Crear el Grupo de Trabajo sobre Prevención de Proliferación de Armas de Destrucción Masiva (GTADM) en el ámbito del FCCP, que estará integrado por los órganos competentes en la materia en los Estados Parte. Los Estados Asociados podrán participar del Grupo de Trabajo en los términos de la Decisión CMC Nº 18/04. Art. 2 — El GTADM tendrá por finalidad facilitar el intercambio de información y eventual armonización de legislaciones sobre controles nacionales de bienes y tecnologías sensibles y uso dual para prevenir la proliferación de armas de destrucción masiva. Art. 3 — El GTADM presentará sus informes al Foro de Consulta y Concertación Política conforme a lo establecido en la Decisión CMC Nº 23/03. Art. 4 — Esta Decisión no necesita ser incorporada al ordenamiento jurídico de los Estados Parte, por reglamentar aspectos de la organización o del funcionamiento del MERCOSUR. XXXIV CMC - Montevideo, 17/XII/07',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 384]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities)
# tensor([[1.0000, 0.9793, 0.1498],
#         [0.9793, 1.0000, 0.1803],
#         [0.1498, 0.1803, 1.0000]])

Training Details

Training Dataset

Unnamed Dataset

Size: 72,304 training samples
Columns: sentence_0 and sentence_1
Approximate statistics based on the first 1000 samples:
sentence_0 sentence_1
type string string
details
min: 13 tokens
mean: 196.66 tokens
max: 256 tokens

min: 48 tokens
mean: 233.18 tokens
max: 256 tokens

	sentence_0	sentence_1
type	string	string
details	min: 13 tokens mean: 196.66 tokens max: 256 tokens	min: 48 tokens mean: 233.18 tokens max: 256 tokens

Samples:

sentence_0	sentence_1
MERCOSUR/CMC/DEC Nº TRABAJO DE () VISTO:,, Decisiones, 18/04 y 28/04 del Mercado Común . CONSIDERANDO el de y social del una mayor interrelación Estados Parte de consolidar integración Que de los la República de 24 julio al MERCOSUR Zona de Paz Libre de Masiva de consulta periódica para las relativas prevención de proliferación de destrucción masiva . COMUN DECIDE: Art Crear el sobre Prevención Proliferación Masiva) en el ámbito del por los en la en . podrán del Trabajo la Decisión 18/04 2 — por y controles tecnologías uso de destrucción masiva Art . — Foro de y Concertación la Nº 23/03 . al jurídico de Estados organización funcionamiento.	MERCOSUR/CMC/DEC. Nº 46/07 GRUPO DE TRABAJO SOBRE PREVENCION DE PROLIFERACION DE ARMAS DE DESTRUCCION MASIVA (GTADM) VISTO: El Tratado de Asunción, el Protocolo de Ouro Preto, las Decisiones Nº 18/98, 23/03, 18/04 y 28/04 del Consejo del Mercado Común. CONSIDERANDO: Que el fortalecimiento de la dimensión política y social del MERCOSUR conlleva una mayor interrelación entre los Estados Parte a fin de consolidar y profundizar el proceso de integración. Que los Gobiernos de los Estados Parte y de la República de Bolivia y de la República de Chile declararon el 24 de julio de 1998 al MERCOSUR, Bolivia y Chile como Zona de Paz y Libre de Armas de Destrucción Masiva. Que es conveniente establecer un mecanismo de consulta periódica institucionalizado para abordar las cuestiones relativas a la prevención de proliferación de armas de destrucción masiva. EL CONSEJO DEL MERCADO COMUN DECIDE: Art. 1 — Crear el Grupo de Trabajo sobre Prevención de Proliferación de Armas de Destrucción Masiva (GTADM...
FEDERAL DE INGRESOS Resolución Organismos Certificación y personas registradas . As. la del corriente NACIONAL, en SIGEA mediante la cual actualiza la información por Nota Nº 3483 del Organismos acreditados personas certificados, el marco Resolución 138/95, motivo suspensión 676/99 ex En oportunidad se al dictado Externa del 26 de de 2006 DIRECCION GENERAL ADUANAS y considerando que se exigencia de certificación para el mismo requerido la de de para Nota los el ENARGAS y las personas certificados los de, los ensayos pertinentes . En productos sin el asume de depositario fiel de las en del artículo 263 del Código . indicar, de características permitan identificar productos la cantidad el lugar guarda la estas situaciones el de "", debiendo certificado respectivo momento del de las mercaderías estos, Organismo remitir a la de de del interior en un (días corridos de ingresada la mercadería el de aprobación la comunicación Cuando la de Organismos certificantes objetivo el Aduanero la inmed...	ADMINISTRACION FEDERAL DE INGRESOS PUBLICOS Nota Externa Nº 71/2008 Resolución ENARGAS Nº 138/95. Organismos de Certificación acreditados y personas registradas. Bs. As., 28/8/2008 VISTO la Nota Nº 5026 del 24 de junio del corriente, del ENTE NACIONAL REGULADOR DEL GAS, recaída en Actuación SIGEA Nº 12048-721-2008, mediante la cual se actualiza la información suministrada por Nota Nº 3483 del 7 de junio de 2006 del citado Ente, respecto a los Organismos acreditados y las personas habilitadas para firmar los certificados de aprobación, en el marco de la Resolución ENARGAS Nº 138/95, con motivo de la suspensión de la Resolución Nº 676/99 ex SICyM. En su oportunidad se procedió al dictado de la Nota Externa Nº 22 del 26 de junio de 2006 de esta DIRECCION GENERAL DE ADUANAS y considerando que se mantiene la exigencia de certificación de productos de gas para las mercaderías detalladas en el Anexo II de la Resolución ENARGAS Nº 138/95, y el mismo es requerido para la oficialización de las r...
principais de 26/01) da do todo Edição – No Trabalho e vai saber entidades que aeroviárias, aeronautas e aeroviários quarta-feira dia 27 a parcelas O Tribunal realizou contou com foi pelo Superior, Ives Martins O programa decisão da Turma da Federal que cálculo do da gratificação a da desempenham multiplicidade comissionados há . decisão imposta pelo TRT, a última função desempenhada . a Turma do Tribunal Superior do rejeitou um de no Rio Sul que reais Para Turma era risco por isso indenização, previsto 927 Civil . download o programa Esse conteúdo não está disponível sem cookies.Aceitar cookies Trabalho e ao ar Justiça às 10h50 . e Justiça - 104,7	null Trabalho e Justiça - Confira as principais notícias de hoje (26/01) da Justiça do Trabalho de todo o Brasil Edição 326 26/01 – No Trabalho e Justiça desta terça-feira você vai saber que entidades que representam empresas aeroviárias, aeronautas e aeroviários vão decidir até quarta-feira, dia 27, a data em que serão pagas as parcelas do reajuste salarial. O Tribunal Superior do Trabalho realizou a audiência, que contou com federações e sindicatos e foi mediada pelo vice-presidente do Tribunal Superior do Trabalho, ministro Ives Gandra Martins Filho. O programa traz ainda decisão da Quarta Turma do TST que aceitou o recurso da Caixa Econômica Federal e determinou que seja observado o cálculo do valor da gratificação a empregados da instituição que desempenham multiplicidade de cargos comissionados há 10 anos ou mais. A decisão reforma condenação imposta pelo TRT da Paraíba à Caixa, que obrigava a incorporação do valor integral da última gratificação de função desempenhada. E...

Loss: DenoisingAutoEncoderLoss

Training Hyperparameters

Non-Default Hyperparameters

per_device_train_batch_size: 16
per_device_eval_batch_size: 16
multi_dataset_batch_sampler: round_robin

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: 5e-05
weight_decay: 0.0
adam_beta1: 0.9
adam_beta2: 0.999
adam_epsilon: 1e-08
max_grad_norm: 1
num_train_epochs: 3
max_steps: -1
lr_scheduler_type: linear
lr_scheduler_kwargs: {}
warmup_ratio: 0.0
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: 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: 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}
parallelism_config: 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: None
hub_always_push: False
hub_revision: None
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
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
liger_kernel_config: None
eval_use_gather_object: False
average_tokens_across_devices: False
prompts: None
batch_sampler: batch_sampler
multi_dataset_batch_sampler: round_robin
router_mapping: {}
learning_rate_mapping: {}

Training Logs

Epoch	Step	Training Loss
0.1106	500	8.0022
0.2213	1000	4.997
0.3319	1500	3.9319
0.4426	2000	3.3787
0.5532	2500	3.0777
0.6639	3000	2.9193
0.7745	3500	2.7792
0.8852	4000	2.6859
0.9958	4500	2.5907
1.1064	5000	2.5266
1.2171	5500	2.4622
1.3277	6000	2.4334
1.4384	6500	2.3633
1.5490	7000	2.3458
1.6597	7500	2.3477
1.7703	8000	2.3084
1.8809	8500	2.2824
1.9916	9000	2.2829
2.1022	9500	2.2291
2.2129	10000	2.2406
2.3235	10500	2.2037
2.4342	11000	2.2304
2.5448	11500	2.1875
2.6555	12000	2.2014
2.7661	12500	2.1975
2.8767	13000	2.185
2.9874	13500	2.1807

Framework Versions

Python: 3.9.21
Sentence Transformers: 5.1.0
Transformers: 4.56.1
PyTorch: 2.8.0+cu128
Accelerate: 1.10.1
Datasets: 4.1.1
Tokenizers: 0.22.0

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",
}

DenoisingAutoEncoderLoss

@inproceedings{wang-2021-TSDAE,
    title = "TSDAE: Using Transformer-based Sequential Denoising Auto-Encoderfor Unsupervised Sentence Embedding Learning",
    author = "Wang, Kexin and Reimers, Nils and Gurevych, Iryna",
    booktitle = "Findings of the Association for Computational Linguistics: EMNLP 2021",
    month = nov,
    year = "2021",
    address = "Punta Cana, Dominican Republic",
    publisher = "Association for Computational Linguistics",
    pages = "671--688",
    url = "https://arxiv.org/abs/2104.06979",
}

Downloads last month: 5

Safetensors

Model size

22.7M params

Tensor type

F32

Model tree for kevmansilla/sentence-embeddings

Base model

sentence-transformers/all-MiniLM-L6-v2

Finetuned

(586)

this model