cuadron11/jaunbert_parl-ft

SentenceTransformer

This is a sentence-transformers model trained. 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
• Maximum Sequence Length: 8192 tokens
• Output Dimensionality: 768 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': 8192, 'do_lower_case': False, 'architecture': 'ModernBertModel'})
  (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("cuadron11/jaunbert_parl-ft")
# Run inference
sentences = [
    'Zer jarrera du Damorenea Basterrecheak kontzertu ekonomikoaren inguruan?',
    '[TOPIC: Honako mozio hauek batera eztabaidatu eta behin betiko ebazpena hartzea: ]\n[DAMBORENEA BASTERRECHEA, (PV-ETP)]:\nharen arteko ezberdintasuna, eta nolako muturra daukaten hango haietako batzuek, egiten zuten proposamenean, ez baitzen kontzertuarena ezta gutxiagorik ere. Begira, nik uste dut kontzertu ekonomikoa oso ondo ibiliko dela, lehenik eta behin Euzko Alderdi Jeltzaleak alde batera uzten badu gai horren bidegabeko jabetzea, eta berea balitz bezala saltzeari uko egiten badio, zeren eta horrek Espainiako beste lekuetan sortzen duena kontzertuaren aurkako jarrera baita, noski. Ez dakit jabetzen zareten, baina, (Date: 29.10.2015)',
    'akordioaren ondoren, zeinak Kontzertu Ekonomikoaren aldaketa jasotzen baitu.',
]
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, 0.8203, 0.9141],
#         [0.8203, 1.0078, 0.7695],
#         [0.9141, 0.7695, 1.0000]], dtype=torch.bfloat16)

Evaluation

Metrics

Triplet

• Dataset: jaunbert-parl-ft
• Evaluated with TripletEvaluator

Metric	Value
cosine_accuracy	0.324

Training Details

Training Dataset

Unnamed Dataset

• Size: 5,997 training samples
• Columns: anchor and positive
• Approximate statistics based on the first 1000 samples:

  	anchor	positive
  type	string	string
  details	min: 9 tokens mean: 21.44 tokens max: 54 tokens	min: 130 tokens mean: 186.69 tokens max: 261 tokens

• Samples:

  anchor	positive
  Zein da Eusko Jaurlaritzaren jarrera Fagor Etxekotresnak taldeko konfort-alorraren bideragarritasun-planaren inguruan?	[TOPIC: Galdera, Oskar Matute García de Jalón EH Bildu taldeko legebiltzarkideak Ekonomiaren Garapen eta Lehiakortasuneko sailburuari egina, Fagor Etxekotresnak taldeko konfort-alorraren bideragarritasun-planaren inguruan] [MATUTE GARCÍA DE JALÓN, (EH Bildu)]: egin dutenik beren lana–, edo argi dago nahiago izan duzuela ikusle hutsen pare jardun, industria-ehunaren galera dakarren (oraingo honetan bai) tragedia honetan. Zuek hazkundea aipatu, eta Edesa itxi. Zuek aitzindaritzaz hitz egin, eta beste batzuek agindu. Izan ere, barra-barra mintzo zarete kudeaketa onari buruz, baina bitartekari soil gisa diharduzue egiaz, arbitro modura, eta zuen partidetan, gainera, alde berberak irabazten du beti: enpresaburuek, alegia. La (Date: 21.02.2014)
  Zein dira Euskal Legebiltzar Talde Popularrak enplegua sustatzeko tokiko ekintzetarako laguntzak emateko proposatu dituen ildoak?	[TOPIC: Euskal Legebiltzar Talde Popularrak egindako legez besteko proposamena, enplegua sustatzeko tokiko ekintzeta- rako laguntzak emateari buruz. Eztabaida eta behin betiko ebazpena] [ZULAIKA PORTILLO, (EH Bildu)]: (batez ere soldatari dagokionez) batez ere bigarren ildoak jasotzen dituen egoeretan aplikatzen direla, alegia, enpresek egindako kontratazioetan; gehien ezagutzen ditugunak, behintzat, ildo horretan gertatu dira. Horregatik atera dugu hitzarmenen gaia. Udaletan horrelako zerbait gertatu bada, gure zuzenketak esaten duen bezala, argitu nahi dut guk eskatzen dugula erreferentziazko hitzarmena ezarri dadila. Hitzarmen hori sektorekoa edo baldintzak hobetzen dituen enpresa-hitzarmen edo itunen bat izan daiteke. Hitzez hitz irakurriko dizut: "Hala eta (Date: 07.05.2015)
  Zer desberdintasun egongo lirateke oposizioak kritikatutako lege-proiektu bat eta Jaurlaritzak aurkeztutako lege-proiektu bat alderatuz gero?	[TOPIC: Mozioa, Gorka Maneiro Labayen Mistoa-UPyD taldeko legebiltzarkideak aurkeztua, Administrazio publikoari buruzko beste lege bat planteatzeko egin beharreko urratsei buruz. Eztabaida eta behin betiko ebazpena] [SÉMPER PASCUAL, (PV-ETP)]: Baina ikusi zein desberdina izango litzatekeen oposizioak eta legebiltzartaldeek kritikatutako lege-proiektu bat izan beharrean, Jaurlaritzak aurkeztutako lege-proiektu bat izan bagenu –hori parlamentarismoaren logikaren barnean sartzen da: Jaurlaritzak lege-proiektu bat bidaltzen dio Ganbera honi, alderdi politikoek horri buruzko iritzia ematen dute, haien jarrera azaltzen dute–, orain, lantalde batean egon gintezke, gaur mahai gainean jartzen ari garen guztiari buruz eztabaidatzen. Honezkero honi guztiari buruz eztabaidatzen arituko ginateke, (Date: 18.06.2015)

• Loss: MultipleNegativesRankingLoss with these parameters:

  {
      "scale": 20.0,
      "similarity_fct": "cos_sim",
      "gather_across_devices": false,
      "directions": [
          "query_to_doc"
      ],
      "partition_mode": "joint",
      "hardness_mode": null,
      "hardness_strength": 0.0
  }
  

Evaluation Dataset

Unnamed Dataset

• Size: 6,000 evaluation samples
• Columns: anchor, positive, and negative
• Approximate statistics based on the first 1000 samples:

  	anchor	positive	negative
  type	string	string	string
  details	min: 8 tokens mean: 21.0 tokens max: 61 tokens	min: 142 tokens mean: 186.39 tokens max: 260 tokens	min: 2 tokens mean: 94.72 tokens max: 249 tokens

• Samples:

  anchor	positive	negative
  Zein proiektu aipatu dira Urdaibaiko Biosfera Erreserbaren garapen sozioekonomikoa bultzatzeko?	[TOPIC: Mozioa, José Ramón Becerra Carollo Elkarrekin Podemos taldeko legebiltzarkideak aurkeztua, Urdaibaiko Biosfera Erreserbako garapen sozioekonomikoari buruz. Eztabaida eta behin betiko ebazpena] [ARRUABARRENA AZPITARTE, (EA-NV)]: Bermeoko portua, errepide-konexioa, eginkizun dagoen beste proiektu bat da hori, eta horretarako seguruenera kanpo-finantzaketa beharko da, dirutza ikaragarriak direlako eta zaila delako datozen lau urteetan egitea. Gernikako merkatua eraberritzea, baxurako flota modernizatzea. Neurri txiki handi asko dira, banan-banan egiten joan beharko direnak, lan asko eginez eta, jakina, oraindik aurkitu ez dugun formulazio bat aurkitzeko asmoz, etorkizunerako balioko duena, ziur gaude, Euskadi osorako eta beharbada munduko beste lekuetarako (Date: 06.06.2019)	Urdaibaiko Biosfera Erreserbari buruz hitz egingo dugu. Dakizunez, Euskadiko lege baten bidez babestu den naturgune bakarra da Urdaibaiko Erreserba.
  Zergatik dio Isasi Balanzategik Soziologia Fakultatean galdera hori erabiltzen dela galdera makurraren eredu garbi gisa?	[TOPIC: Galdera, Xabier Isasi Balanzategi EH Bildu taldeko legebiltzarkideak lehendakariari egina, Lehendakaritzako Prospekzio Soziologikoen Kabineteak egiten dituen inkestei buruz] [ISASI BALANZATEGI, (EH Bildu)]: Eskerrik asko, lehendakari andrea. Egia da orain dela 20 urte Jaurlaritzak ikerketa soziologikoan herritarrei galdetu ziela aipatutakoa. Egia da, beste aldetik, galdera hori berori Soziologia Fakultatean galdera makurraren eredu garbi gisa erabili daitekeela eta pertsonen manipulaziorako tresna, alegia. Mundo mailan eta horrelako gobernuen aldetik batik bat horrelako galderak erabiltzea, horrek ez du kentzen metodologiaren ikuspegitik zuzenak eta egokiak direnik, lehendakari jauna. 20 urte beranduago galdera bera erabiltzea begiratu gabe eta (Date: 05.02.2016)	[TOPIC: EH Bildu talde parlamentarioak egindako legez besteko proposamena, Jarduera Ekonomikoetarako Lurzorua Sortzeko eta Saltoki Handiak Antolatzeko Lurraldearen Arloko Planari buruz. Eztabaida eta behin betiko ebazpena] [URIBE ETXEBARRIA APALATEGI, (EA-NV)]: duten zeozerez zer edo zer leporatzeko badut; ez dut tribuna honetatik egingo, baina aukera baldin badugu hitz egiteko, nik esango diet zein den nire ikuspegia beraiek izan duten jarreraren inguruan. Eta ez ezazu zalantzarik izan Gobernu honek eta departamentu honek elkarrizketaren aldeko jarrera politikoa duela, zeren eta Corcuera andereak aipatu dituen laguntza-programak direla eta, hori ez da beraiei, sektoreari, bizkarra emanda hartutako erabaki bat izan, baizik eta esplikatu zaie, esan zaie (Date: 14.06.2018)
  Zein da Gazte talentua itzulera-programaren helburua?	[TOPIC: Galdera, Josu Estarrona Elizondo EH Bildu taldeko legebiltzarkideak Enpleguko eta Gizarte Politiketako sailburuari egina, gazteen prekarietateari aurre egiteko neurri berrien inguruan] [ESTARRONA ELIZONDO, (EH Bildu)]: diruz lagundu besterik egiten ez duen programa horrekin. Horregatik eskatzen dugu beti horrelako kontuetan 1.200 euroko soldata irizpidetzat hartzeko. Gazte talentua itzulera-programak bere horretan jarraitzen du, eta horri buruz ia hobeto hitzik ez egitea; izan ere, emaitzei erreparatuz gero, existituko ez balitz bezala da, eta gazteak nazkatzen ari dira; aspalditik ari gara hori esaten, aspalditik ari gara ohartarazten, gazteek kaleak bete zituzten klimaaldaketaren aurka, demokraziaren eta oinarrizko eskubide zibil eta (Date: 29.11.2019)	zitzaion, gazte euskaldunak itzultzeko programa hedatzeko protokoloari buruzkoa.

• Loss: MultipleNegativesRankingLoss with these parameters:

  {
      "scale": 20.0,
      "similarity_fct": "cos_sim",
      "gather_across_devices": false,
      "directions": [
          "query_to_doc"
      ],
      "partition_mode": "joint",
      "hardness_mode": null,
      "hardness_strength": 0.0
  }
  

Training Hyperparameters

Non-Default Hyperparameters

• num_train_epochs: 5
• learning_rate: 2e-05
• warmup_steps: 0.1
• eval_strategy: epoch
• batch_sampler: no_duplicates

All Hyperparameters

Click to expand

• per_device_train_batch_size: 8
• num_train_epochs: 5
• max_steps: -1
• learning_rate: 2e-05
• lr_scheduler_type: linear
• lr_scheduler_kwargs: None
• warmup_steps: 0.1
• optim: adamw_torch_fused
• optim_args: None
• weight_decay: 0.0
• adam_beta1: 0.9
• adam_beta2: 0.999
• adam_epsilon: 1e-08
• optim_target_modules: None
• gradient_accumulation_steps: 1
• average_tokens_across_devices: True
• max_grad_norm: 1.0
• label_smoothing_factor: 0.0
• bf16: False
• fp16: False
• bf16_full_eval: False
• fp16_full_eval: False
• tf32: None
• gradient_checkpointing: False
• gradient_checkpointing_kwargs: None
• torch_compile: False
• torch_compile_backend: None
• torch_compile_mode: None
• use_liger_kernel: False
• liger_kernel_config: None
• use_cache: False
• neftune_noise_alpha: None
• torch_empty_cache_steps: None
• auto_find_batch_size: False
• log_on_each_node: True
• logging_nan_inf_filter: True
• include_num_input_tokens_seen: no
• log_level: passive
• log_level_replica: warning
• disable_tqdm: False
• project: huggingface
• trackio_space_id: trackio
• eval_strategy: epoch
• per_device_eval_batch_size: 8
• prediction_loss_only: True
• eval_on_start: False
• eval_do_concat_batches: True
• eval_use_gather_object: False
• eval_accumulation_steps: None
• include_for_metrics: []
• batch_eval_metrics: False
• save_only_model: False
• save_on_each_node: False
• enable_jit_checkpoint: False
• push_to_hub: False
• hub_private_repo: None
• hub_model_id: None
• hub_strategy: every_save
• hub_always_push: False
• hub_revision: None
• load_best_model_at_end: False
• ignore_data_skip: False
• restore_callback_states_from_checkpoint: False
• full_determinism: False
• seed: 42
• data_seed: None
• use_cpu: False
• 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
• dataloader_drop_last: False
• dataloader_num_workers: 0
• dataloader_pin_memory: True
• dataloader_persistent_workers: False
• dataloader_prefetch_factor: None
• remove_unused_columns: True
• label_names: None
• train_sampling_strategy: random
• length_column_name: length
• ddp_find_unused_parameters: None
• ddp_bucket_cap_mb: None
• ddp_broadcast_buffers: False
• ddp_backend: None
• ddp_timeout: 1800
• fsdp: []
• fsdp_config: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
• deepspeed: None
• debug: []
• skip_memory_metrics: True
• do_predict: False
• resume_from_checkpoint: None
• warmup_ratio: None
• local_rank: -1
• prompts: None
• batch_sampler: no_duplicates
• multi_dataset_batch_sampler: proportional
• router_mapping: {}
• learning_rate_mapping: {}

Training Logs

Epoch	Step	Training Loss	Validation Loss	jaunbert-parl-ft_cosine_accuracy
0.1333	100	2.3036	-	-
0.2667	200	2.2767	-	-
0.4	300	2.2167	-	-
0.5333	400	2.1345	-	-
0.6667	500	2.0694	-	-
0.8	600	2.0275	-	-
0.9333	700	2.0075	-	-
1.0	750	-	4.2643	0.2597
1.0667	800	1.9802	-	-
1.2	900	1.9634	-	-
1.3333	1000	1.9154	-	-
1.4667	1100	1.8959	-	-
1.6	1200	1.8751	-	-
1.7333	1300	1.8543	-	-
1.8667	1400	1.8239	-	-
2.0	1500	1.8043	3.7948	0.3092
2.1333	1600	1.7669	-	-
2.2667	1700	1.8016	-	-
2.4	1800	1.7772	-	-
2.5333	1900	1.7820	-	-
2.6667	2000	1.7574	-	-
2.8	2100	1.7660	-	-
2.9333	2200	1.7453	-	-
3.0	2250	-	3.6786	0.3220
3.0667	2300	1.7391	-	-
3.2	2400	1.7686	-	-
3.3333	2500	1.7459	-	-
3.4667	2600	1.7436	-	-
3.6	2700	1.7415	-	-
3.7333	2800	1.7279	-	-
3.8667	2900	1.7326	-	-
4.0	3000	1.7603	3.6683	0.3235
4.1333	3100	1.7359	-	-
4.2667	3200	1.7418	-	-
4.4	3300	1.7469	-	-
4.5333	3400	1.7504	-	-
4.6667	3500	1.7377	-	-
4.8	3600	1.7363	-	-
4.9333	3700	1.7384	-	-
5.0	3750	-	3.6664	0.3240

Framework Versions

• Python: 3.11.8
• Sentence Transformers: 5.3.0
• Transformers: 5.2.0
• PyTorch: 2.11.0+cu130
• Accelerate: 1.13.0
• Datasets: 4.8.4
• Tokenizers: 0.22.2

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",
}

MultipleNegativesRankingLoss

@misc{oord2019representationlearningcontrastivepredictive,
      title={Representation Learning with Contrastive Predictive Coding},
      author={Aaron van den Oord and Yazhe Li and Oriol Vinyals},
      year={2019},
      eprint={1807.03748},
      archivePrefix={arXiv},
      primaryClass={cs.LG},
      url={https://arxiv.org/abs/1807.03748},
}