SentenceTransformer based on bkai-foundation-models/vietnamese-bi-encoder

This is a sentence-transformers model finetuned from bkai-foundation-models/vietnamese-bi-encoder on the json dataset. 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: bkai-foundation-models/vietnamese-bi-encoder
Maximum Sequence Length: 256 tokens
Output Dimensionality: 768 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, 'architecture': 'RobertaModel'})
  (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})
)

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("bachminion/legal-embedding-finetune")
# Run inference
sentences = [
    'Điều 10 Thông_tư 08 / 2013 / TT - BTC hướng_dẫn thực_hiện kế_toán nhà_nước áp_dụng Hệ_thống',
    'Điều 10 Thông_tư 08 / 2013 / TT - BTC hướng_dẫn thực_hiện kế_toán nhà_nước áp_dụng Hệ_thống có nội_dung như sau : \n \n Điều 10 . Kiểm_kê tài_sản \n 1 . Kiểm_kê tài_sản là việc cân , đong , đo , đếm số_lượng ; xác_nhận và đánh_giá chất_lượng , giá_trị của tài_sản , nguồn vốn hiện có tại thời_điểm kiểm_kê để kiểm_tra , đối_chiếu với số_liệu trong sổ kế_toán . \n 2 . Các đơn_vị KBNN phải kiểm_kê tài_sản trong các trường_hợp sau : \n - Cuối kỳ kế_toán tháng , năm , trước khi lập báo_cáo tài_chính ; \n - Chia , tách , hợp_nhất , sáp_nhập , giải_thể , chấm_dứt hoạt_động ; \n - Xảy ra_hỏa_hoạn , lũ_lụt và các thiệt_hại bất_thường khác ; \n - Đánh_giá lại tài_sản theo quyết_định của cơ_quan nhà_nước có thẩm_quyền ; \n - Các trường_hợp khác theo quy_định của pháp_luật và theo yêu_cầu của cơ_quan nhà_nước có thẩm_quyền . \n 3 . Sau khi kiểm_kê tài_sản , đơn_vị KBNN phải lập báo_cáo tổng_hợp kết_quả kiểm_kê . Trường_hợp có chênh_lệch giữa số_liệu thực_tế kiểm_kê với số_liệu ghi trên sổ kế_toán , phải xác_định nguyên_nhân và phải phản_ánh số chênh_lệch và kết_quả xử_lý vào sổ kế_toán trước khi lập báo_cáo tài_chính . \n 4 . Việc kiểm_kê phải phản_ánh đúng thực_tế tài_sản , nguồn hình_thành_tài_sản tại đơn_vị ; người lập và ký báo_cáo tổng_hợp kết_quả kiểm_kê phải chịu trách_nhiệm về kết_quả kiểm_kê tại đơn_vị mình .',
    'Tôi có hơn 6 năm làm giảng_viên đại_học , có chứng_chỉ nghiệp_vụ sư_phạm dành cho giảng_viên đại_học , cao_đẳng do Trường Đại_học Vinh cấp . Hiện tôi muốn nộp đơn xin vào dạy tại trường trung_học phổ_thông . Tôi tốt_nghiệp hệ kỹ_sư , có bằng thạc_sĩ . Xin hỏi , trường_hợp của tôi có đủ tiêu_chuẩn để giảng_dạy cấp trung_học phổ_thông không ? Bộ Giáo_dục và Đào_tạo trả_lời vấn_đề này như sau : Điểm c , Khoản 1 , Điều 77Luật Giáo dụcquy định trình_độ chuẩn được đào_tạo của giáo_viên trung_học phổ_thông là : “ Có bằng tốt_nghiệp đại_học sư_phạm hoặc có bằng tốt_nghiệp đại_học và có chứng_chỉ bồi_dưỡng nghiệp_vụ sư_phạm đối_với giáo_viên trung_học phổ_thông ” . Ông Nguyễn_Trấn Thành cần đối_chiếu với quy_định trên xem mình có đủ điều_kiện để dạy cấp trung_học phổ_thông không . Trường_hợp ông đủ điều_kiện thì vẫn phải thực_hiện quy_trình tuyển_dụng hoặc thuyên_chuyển công_tác theo quy_định của cơ_sở giáo_dục .',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 768]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities)
# tensor([[1.0000, 0.8870, 0.0098],
#         [0.8870, 1.0000, 0.0413],
#         [0.0098, 0.0413, 1.0000]])

Training Details

Training Dataset

json

Dataset: json
Size: 64,542 training samples
Columns: anchor and positive
Approximate statistics based on the first 1000 samples:
anchor positive
type string string
details
min: 7 tokens
mean: 16.55 tokens
max: 32 tokens

min: 13 tokens
mean: 175.78 tokens
max: 256 tokens

	anchor	positive
type	string	string
details	min: 7 tokens mean: 16.55 tokens max: 32 tokens	min: 13 tokens mean: 175.78 tokens max: 256 tokens

Samples:

anchor	positive
`Mức phạt khi thi_công công_trình trong phạm_vi đất dành cho đường_bộ khi đã hết thời_hạn thi_công`	Điều 13 . Xử_phạt các hành_vi vi_phạm_quy_định về thi_công , bảo_trì công_trình trong phạm_vi đất dành cho đường_bộ 1 . Cảnh_cáo hoặc phạt tiền từ 250.000 đồng đến 500.000 đồng đối_với cá_nhân , từ 500.000 đồng đến 1.000.000 đồng đối_với tổ_chức thực_hiện_hành_vi thi_công trên đường_bộ đang khai_thác không treo biển_báo thông_tin công_trình hoặc treo biển_báo thông_tin không đầy_đủ nội_dung theo quy_định . 2 . Phạt tiền từ 1.000.000 đồng đến 3.000.000 đồng đối_với cá_nhân , từ 2.000.000 đồng đến 6.000.000 đồng đối_với tổ_chức thực_hiện một trong các hành_vi vi_phạm sau đây : a ) Thi_công công_trình trong phạm_vi đất dành cho đường_bộ không thực_hiện theo đúng các quy_định trong Giấy_phép thi_công hoặc trong văn_bản thỏa_thuận thi_công của cơ_quan có thẩm_quyền , trừ các hành_vi vi_phạm_quy_định tại khoản 3 , điểm a khoản 4 , khoản 5 Điều này ; b ) Không bố_trí người hướng_dẫn , điều_khiển giao_thông khi thi_công ở chỗ đường hẹp hoặc ở hai đầu cầu , cống , đường ngầm đang thi_công...
`Điều 51 Thông_tư 08 / 2013 / TT - BTC hướng_dẫn thực_hiện kế_toán nhà_nước áp_dụng Hệ_thống`	Điều 51 Thông_tư 08 / 2013 / TT - BTC hướng_dẫn thực_hiện kế_toán nhà_nước áp_dụng Hệ_thống có nội_dung như sau : Điều 51 . Nguyên_tắc hạch_toán theo kỳ Nghiệp_vụ kinh_tế phát_sinh ở kỳ nào phải hạch_toán vào kỳ đó . Các trường_hợp phát_sinh yêu_cầu điều_chỉnh số_liệu liên_quan đến ngân_sách năm hiện_hành , chỉ được hạch_toán điều_chỉnh vào kỳ ( tháng ) hiện_tại . Trường_hợp cần điều_chỉnh vào kỳ ( tháng ) phát_sinh nghiệp_vụ kinh_tế ( kỳ quá_khứ ) , trước khi điều_chỉnh phải được sự đồng_ý của KBNN. Các trường_hợp điều_chỉnh số_liệu liên_quan đến ngân_sách năm trước được hạch_toán vào kỳ điều_chỉnh ( tháng 13 ) của năm trước .
`UBND xã có trách_nhiệm gì trong yêu_cầu bồi_thường thiệt_hại về môi_trường ?`	Theo Điều 131 Luật Bảo_vệ môi_trường 2020 quy_định về trách_nhiệm yêu_cầu bồi_thường thiệt_hại và xác_định thiệt , hại về môi_trường như sau : 1 . Ủy_ban nhân_dân các cấp , tổ_chức , cá_nhân phát_hiện môi_trường có dấu_hiệu bị ô_nhiễm , suy_thoái thông_báo cho cơ_quan có trách_nhiệm yêu_cầu bồi_thường và tổ_chức thu_thập , thẩm_định dữ_liệu , chứng_cứ để xác_định thiệt_hại đối_với môi_trường do ô_nhiễm , suy_thoái quy_định tại khoản 2 Điều này . 2 . Trách_nhiệm yêu_cầu bồi_thường và tổ_chức thu_thập , thẩm_định dữ_liệu , chứng_cứ để xác_định thiệt_hại đối_với môi_trường do ô_nhiễm , suy_thoái được quy_định như sau : a ) Ủy_ban nhân_dân cấp xã có trách_nhiệm yêu_cầu bồi_thường thiệt_hại về môi_trường gây ra trên địa_bàn thuộc phạm_vi quản_lý của mình . Trong trường_hợp này , Ủy_ban nhân_dân cấp xã đề_nghị Ủy_ban nhân_dân cấp huyện tổ_chức thu_thập và thẩm_định dữ_liệu , chứng_cứ để xác_định thiệt_hại đối_với môi_trường do ô_nhiễm , suy_thoái ; Ủy_ban nhân_dân cấp xã có trá...

Loss: MatryoshkaLoss with these parameters:

{
    "loss": "MultipleNegativesRankingLoss",
    "matryoshka_dims": [
        768,
        512,
        256,
        128,
        64
    ],
    "matryoshka_weights": [
        1,
        1,
        1,
        1,
        1
    ],
    "n_dims_per_step": -1
}

Evaluation Dataset

json

Dataset: json
Size: 7,172 evaluation samples
Columns: anchor and positive
Approximate statistics based on the first 1000 samples:
anchor positive
type string string
details
min: 4 tokens
mean: 16.02 tokens
max: 51 tokens

min: 16 tokens
mean: 178.24 tokens
max: 256 tokens

	anchor	positive
type	string	string
details	min: 4 tokens mean: 16.02 tokens max: 51 tokens	min: 16 tokens mean: 178.24 tokens max: 256 tokens

Samples:

anchor	positive
`Thư_ký chuyên_môn của Hội_đồng đạo_đức nghiên_cứu y_sinh_học được quy_định như thế_nào ?`	Điều 12 . Thư_ký của Hội_đồng đạo_đức 1 . Thư_ký chuyên_môn của Hội_đồng đạo_đức a ) Số_lượng thư_ký chuyên_môn do Chủ_tịch Hội_đồng đạo_đức đề_xuất người đứng đầu tổ_chức thành_lập Hội_đồng đạo_đức quyết_định đủ để hỗ_trợ Hội_đồng đạo_đức trong việc xem_xét và lưu_giữ hồ_sơ nhiệm_vụ của mình . Đối_với Hội_đồng đạo_đức cấp quốc_gia tối_đa không quá 03 người , đối_với Hội_đồng đạo_đức cấp cơ_sở tối_đa không quá 02 người . b ) Thư_ký chuyên_môn là những người trung_thực , khách_quan , có trình_độ đại_học về khối ngành sức_khỏe , có kiến_thức về quản_lý khoa_học công_nghệ , nghiên_cứu khoa_học , đạo_đức trong nghiên_cứu y_sinh_học và được đào_tạo đầy_đủ để hiểu được trách_nhiệm của họ liên_quan đến bảo_mật hồ_sơ của Hội_đồng đạo_đức . Thành_viên Hội_đồng đạo_đức có_thể kiêm_nhiệm làm thư_ký chuyên_môn của Hội_đồng đạo_đức . 2 . Thư_ký hành_chính của Hội_đồng đạo_đức a ) Số_lượng thư_ký hành_chính do Chủ_tịch Hội_đồng đạo_đức đề_xuất người đứng đầu tổ_chức thành_lập Hội_đồng đạo_đứ...
`Tổ_chức trao_tặng danh_hiệu thi_đua ngành lao_động thương_binh và xã_hội được quy_định như thế_nào ?`	Điều 30 . Tổ_chức trao_tặng 1 . Việc trao_tặng các danh_hiệu thi_đua , hình_thức khen_thưởng thực_hiện theo quy_định tại Điều 44 của Nghị_định 91 / 2017 / NĐ - CP. 2 . Đối_với các danh_hiệu thi_đua , hình_thức khen_thưởng cấp nhà_nước , khi nhận được quyết_định khen_thưởng , thủ_trưởng các đơn_vị lập kế_hoạch tổ_chức đón_nhận , trình Lãnh_đạo Bộ cho ý_kiến chỉ_đạo thực_hiện . Khi có ý_kiến của Lãnh_đạo Bộ phối_hợp với Thường_trực Hội_đồng Bộ tổ_chức công_bố , trao_tặng . Lễ trao_tặng cần trang_trọng , nên kết_hợp với dịp Hội_nghị tổng_kết công_tác , kỷ_niệm ngày thành_lập đơn_vị hoặc lồng_ghép với các nội_dung khác để tiết_kiệm thời_gian và chi_phí . 3 . Đối_với các danh_hiệu thi_đua , hình_thức khen_thưởng thuộc thẩm_quyền của Bộ_trưởng , giao cho Giám_đốc các sở và thủ_trưởng các đơn_vị tổ_chức công_bố , trao_tặng theo quy_định .
`Người sử_dụng lao_động có nghĩa_vụ gì khi người lao_động yêu_cầu kiểm_tra bảng lương ?`	Chương_VI của Bộ_luật Lao_động Việt_Nam quy_định về tiền_lương . Nội_dung chính bao_gồm các quy_định về nguyên_tắc trả lương , hình_thức trả lương , kỳ_hạn trả lương , tiền_lương làm thêm giờ , tiền_lương làm_việc vào ban_đêm , tiền_lương nghỉ lễ , Tết và ngày nghỉ có hưởng lương , tiền_lương ngừng việc , tiền_lương cho người lao_động bị tạm đình_chỉ công_việc , mức lương tối_thiểu và điều_chỉnh mức lương tối_thiểu , thỏa_thuận về tiền_lương , và quyền và nghĩa_vụ của người sử_dụng lao_động và người lao_động trong việc trả lương và nhận lương .

Loss: MatryoshkaLoss with these parameters:

{
    "loss": "MultipleNegativesRankingLoss",
    "matryoshka_dims": [
        768,
        512,
        256,
        128,
        64
    ],
    "matryoshka_weights": [
        1,
        1,
        1,
        1,
        1
    ],
    "n_dims_per_step": -1
}

Training Hyperparameters

Non-Default Hyperparameters

eval_strategy: epoch
per_device_train_batch_size: 52
per_device_eval_batch_size: 52
gradient_accumulation_steps: 12
learning_rate: 3e-05
weight_decay: 0.2
num_train_epochs: 8
lr_scheduler_type: cosine
warmup_ratio: 0.15
fp16: True
load_best_model_at_end: True
optim: adamw_torch_fused
push_to_hub: True
hub_model_id: bachminion/legal-embedding-finetune
hub_private_repo: True
batch_sampler: no_duplicates

All Hyperparameters

Click to expand

overwrite_output_dir: False
do_predict: False
eval_strategy: epoch
prediction_loss_only: True
per_device_train_batch_size: 52
per_device_eval_batch_size: 52
per_gpu_train_batch_size: None
per_gpu_eval_batch_size: None
gradient_accumulation_steps: 12
eval_accumulation_steps: None
torch_empty_cache_steps: None
learning_rate: 3e-05
weight_decay: 0.2
adam_beta1: 0.9
adam_beta2: 0.999
adam_epsilon: 1e-08
max_grad_norm: 1.0
num_train_epochs: 8
max_steps: -1
lr_scheduler_type: cosine
lr_scheduler_kwargs: {}
warmup_ratio: 0.15
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: True
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_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: True
resume_from_checkpoint: None
hub_model_id: bachminion/legal-embedding-finetune
hub_strategy: every_save
hub_private_repo: True
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: no_duplicates
multi_dataset_batch_sampler: proportional
router_mapping: {}
learning_rate_mapping: {}

Training Logs

Epoch	Step	Validation Loss
1.0	52	0.2574
2.0	104	0.1400
3.0	156	0.1090
4.0	208	0.1015
5.0	260	0.0954
6.0	312	0.0955
7.0	364	0.0938
8.0	416	0.0932

The bold row denotes the saved checkpoint.

Framework Versions

Python: 3.11.13
Sentence Transformers: 5.1.2
Transformers: 4.53.3
PyTorch: 2.6.0+cu124
Accelerate: 1.9.0
Datasets: 4.4.1
Tokenizers: 0.21.2

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",
}

MatryoshkaLoss

@misc{kusupati2024matryoshka,
    title={Matryoshka Representation Learning},
    author={Aditya Kusupati and Gantavya Bhatt and Aniket Rege and Matthew Wallingford and Aditya Sinha and Vivek Ramanujan and William Howard-Snyder and Kaifeng Chen and Sham Kakade and Prateek Jain and Ali Farhadi},
    year={2024},
    eprint={2205.13147},
    archivePrefix={arXiv},
    primaryClass={cs.LG}
}

MultipleNegativesRankingLoss

@misc{henderson2017efficient,
    title={Efficient Natural Language Response Suggestion for Smart Reply},
    author={Matthew Henderson and Rami Al-Rfou and Brian Strope and Yun-hsuan Sung and Laszlo Lukacs and Ruiqi Guo and Sanjiv Kumar and Balint Miklos and Ray Kurzweil},
    year={2017},
    eprint={1705.00652},
    archivePrefix={arXiv},
    primaryClass={cs.CL}
}

Downloads last month: 7

Safetensors

Model size

0.1B params

Tensor type

F32

Model tree for bachminion/legal-embedding-finetune

Base model

bkai-foundation-models/vietnamese-bi-encoder

Finetuned

(41)

this model