File size: 38,550 Bytes
97cc552 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719 720 721 722 723 724 725 726 727 728 729 730 731 732 733 734 735 736 737 738 739 740 741 742 743 744 745 746 747 748 749 750 751 752 753 754 755 756 757 758 759 760 761 762 763 764 765 766 767 768 769 770 771 772 773 774 775 776 777 778 779 780 781 782 783 784 785 786 787 788 789 790 791 792 793 794 795 796 797 798 799 800 801 802 803 804 805 806 807 808 809 810 811 812 813 814 815 816 817 818 819 820 821 822 823 824 825 826 827 828 829 830 831 832 833 834 835 836 837 838 |
---
base_model: jinaai/jina-embeddings-v2-base-de
datasets: []
language:
- en
library_name: sentence-transformers
license: apache-2.0
metrics:
- cosine_accuracy@1
- cosine_accuracy@3
- cosine_accuracy@5
- cosine_accuracy@10
- cosine_precision@1
- cosine_precision@3
- cosine_precision@5
- cosine_precision@10
- cosine_recall@1
- cosine_recall@3
- cosine_recall@5
- cosine_recall@10
- cosine_ndcg@10
- cosine_mrr@10
- cosine_map@100
pipeline_tag: sentence-similarity
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:4957
- loss:MatryoshkaLoss
- loss:MultipleNegativesRankingLoss
widget:
- source_sentence: 312 Aus steuerlicher Sicht ist es möglich, mehrere Versorgungszusagen
nebeneinander, also neben einer Altzusage auch eine Neuzusage zu erteilen (z.
B. „alte“ Direktversicherung und „neuer“ Pensionsfonds).
sentences:
- Wann liegt bei der betrieblichen Altersversorgung eine schädliche Verwendung vor?
- Welche steuerliche Behandlung erfahren Auszahlungen aus Altersvorsorgeverträgen
nach § 22 Nr. 5 EStG?
- Können verschiedene Versorgungszusagen wie Direktversicherung und Pensionsfonds
gleichzeitig bestehen?
- source_sentence: 5 Pflichtversicherte nach dem Gesetz über die Alterssicherung der
Landwirte gehören, soweit sie nicht als Pflichtversicherte der gesetzlichen Rentenversicherung
ohnehin bereits anspruchsberechtigt sind, in dieser Eigenschaft ebenfalls zum
begünstigten Personenkreis. Darunter fallen insbesondere die in Anlage 1 Abschnitt
B aufgeführten Personen.
sentences:
- Wann wird das Anrecht der ausgleichsberechtigten Person bei intern geteilter Altersvorsorge
als abgeschlossen betrachtet?
- Welche Personen sind in der Anlage 1 Abschnitt B bezüglich der Alterssicherung
der Landwirte aufgeführt?
- In welchen Fällen führt die Möglichkeit einer Beitragserstattung nicht zur Versagung
der Anerkennung als betriebliche Altersversorgung?
- source_sentence: 233 Voraussetzung für die Förderung durch Sonderausgabenabzug nach
§ 10a EStG und Zulage nach Abschnitt XI EStG ist in den Fällen der Rz. 231 f.,
dass der Steuerpflichtige zum begünstigten Personenkreis gehört. Die zeitliche
Zuordnung dieser Altersvorsorgebeiträge richtet sich grundsätzlich nach § 11 Abs.
2 EStG.
sentences:
- Wer gehört zum begünstigten Personenkreis für die Altersvorsorgeförderung?
- Wie werden erstattete Kosten eines Altersvorsorgevertrags besteuert, wenn sie
dem Steuerpflichtigen ausgezahlt werden?
- Ist der Übertragungswert einer betrieblichen Altersversorgung bei einem Arbeitgeberwechsel
steuerfrei?
- source_sentence: 127 Die Entnahme des Teilkapitalbetrags von bis zu 30 % des zur
Verfügung stehenden Kapitals aus dem Vertrag hat zu Beginn der Auszahlungsphase
zu erfolgen. Eine Verteilung über mehrere Auszahlungszeitpunkte ist nicht möglich.
sentences:
- Kann ich den Teilkapitalbetrag aus meiner Altersvorsorge zu verschiedenen Zeitpunkten
entnehmen?
- Welche Einkunftsarten können Leistungen aus einer Versorgungszusage des Arbeitgebers
sein?
- Was ist im Todesfall des Zulageberechtigten bezüglich der Förderbeiträge zu tun?
- source_sentence: '67 Abwandlung des Beispiels 1 in Rn. 66: A erhält zudem zwei Kinderzulagen
für seine in den Jahren 2004 und 2005 geborenen Kinder. Beitragspflichtige Einnahmen
53.000 € 4 % 2.120 € höchstens 2.100 € anzusetzen 2.100 € abzüglich Zulage 175
€ Mindesteigenbeitrag (§ 86 Abs. 1 Satz 2 EStG) 1.925 € Sockelbetrag (§ 86 Abs.
1 Satz 4 EStG) 60 € maßgebend (§ 86 Abs. 1 Satz 5 EStG) 1.925 € Die von A geleisteten
Beiträge übersteigen den Mindesteigenbeitrag. Die Zulage wird nicht gekürzt.'
sentences:
- Wird die Zulage für A gekürzt, wenn die Beiträge den Mindesteigenbeitrag übersteigen?
- Was versteht man unter Sonderzahlungen des Arbeitgebers?
- Wie erfolgt die Besteuerung bei der ausgleichsberechtigten Person nach einer externen
Teilung?
model-index:
- name: German Semantic V3 BMF
results:
- task:
type: information-retrieval
name: Information Retrieval
dataset:
name: dim 768
type: dim_768
metrics:
- type: cosine_accuracy@1
value: 0.0
name: Cosine Accuracy@1
- type: cosine_accuracy@3
value: 0.0018148820326678765
name: Cosine Accuracy@3
- type: cosine_accuracy@5
value: 0.0018148820326678765
name: Cosine Accuracy@5
- type: cosine_accuracy@10
value: 0.003629764065335753
name: Cosine Accuracy@10
- type: cosine_precision@1
value: 0.0
name: Cosine Precision@1
- type: cosine_precision@3
value: 0.0006049606775559588
name: Cosine Precision@3
- type: cosine_precision@5
value: 0.00036297640653357535
name: Cosine Precision@5
- type: cosine_precision@10
value: 0.00036297640653357535
name: Cosine Precision@10
- type: cosine_recall@1
value: 0.0
name: Cosine Recall@1
- type: cosine_recall@3
value: 0.0018148820326678765
name: Cosine Recall@3
- type: cosine_recall@5
value: 0.0018148820326678765
name: Cosine Recall@5
- type: cosine_recall@10
value: 0.003629764065335753
name: Cosine Recall@10
- type: cosine_ndcg@10
value: 0.0017915370974219231
name: Cosine Ndcg@10
- type: cosine_mrr@10
value: 0.0012099213551119176
name: Cosine Mrr@10
- type: cosine_map@100
value: 0.001909500365693067
name: Cosine Map@100
- task:
type: information-retrieval
name: Information Retrieval
dataset:
name: dim 512
type: dim_512
metrics:
- type: cosine_accuracy@1
value: 0.0
name: Cosine Accuracy@1
- type: cosine_accuracy@3
value: 0.0018148820326678765
name: Cosine Accuracy@3
- type: cosine_accuracy@5
value: 0.003629764065335753
name: Cosine Accuracy@5
- type: cosine_accuracy@10
value: 0.003629764065335753
name: Cosine Accuracy@10
- type: cosine_precision@1
value: 0.0
name: Cosine Precision@1
- type: cosine_precision@3
value: 0.0006049606775559588
name: Cosine Precision@3
- type: cosine_precision@5
value: 0.0007259528130671507
name: Cosine Precision@5
- type: cosine_precision@10
value: 0.00036297640653357535
name: Cosine Precision@10
- type: cosine_recall@1
value: 0.0
name: Cosine Recall@1
- type: cosine_recall@3
value: 0.0018148820326678765
name: Cosine Recall@3
- type: cosine_recall@5
value: 0.003629764065335753
name: Cosine Recall@5
- type: cosine_recall@10
value: 0.003629764065335753
name: Cosine Recall@10
- type: cosine_ndcg@10
value: 0.0019266902207710538
name: Cosine Ndcg@10
- type: cosine_mrr@10
value: 0.0013611615245009074
name: Cosine Mrr@10
- type: cosine_map@100
value: 0.0022709772837192373
name: Cosine Map@100
- task:
type: information-retrieval
name: Information Retrieval
dataset:
name: dim 256
type: dim_256
metrics:
- type: cosine_accuracy@1
value: 0.0
name: Cosine Accuracy@1
- type: cosine_accuracy@3
value: 0.0018148820326678765
name: Cosine Accuracy@3
- type: cosine_accuracy@5
value: 0.0018148820326678765
name: Cosine Accuracy@5
- type: cosine_accuracy@10
value: 0.003629764065335753
name: Cosine Accuracy@10
- type: cosine_precision@1
value: 0.0
name: Cosine Precision@1
- type: cosine_precision@3
value: 0.0006049606775559588
name: Cosine Precision@3
- type: cosine_precision@5
value: 0.00036297640653357535
name: Cosine Precision@5
- type: cosine_precision@10
value: 0.00036297640653357535
name: Cosine Precision@10
- type: cosine_recall@1
value: 0.0
name: Cosine Recall@1
- type: cosine_recall@3
value: 0.0018148820326678765
name: Cosine Recall@3
- type: cosine_recall@5
value: 0.0018148820326678765
name: Cosine Recall@5
- type: cosine_recall@10
value: 0.003629764065335753
name: Cosine Recall@10
- type: cosine_ndcg@10
value: 0.001717594610448614
name: Cosine Ndcg@10
- type: cosine_mrr@10
value: 0.001134301270417423
name: Cosine Mrr@10
- type: cosine_map@100
value: 0.0020295043929584406
name: Cosine Map@100
- task:
type: information-retrieval
name: Information Retrieval
dataset:
name: dim 128
type: dim_128
metrics:
- type: cosine_accuracy@1
value: 0.0
name: Cosine Accuracy@1
- type: cosine_accuracy@3
value: 0.0
name: Cosine Accuracy@3
- type: cosine_accuracy@5
value: 0.0
name: Cosine Accuracy@5
- type: cosine_accuracy@10
value: 0.0054446460980036296
name: Cosine Accuracy@10
- type: cosine_precision@1
value: 0.0
name: Cosine Precision@1
- type: cosine_precision@3
value: 0.0
name: Cosine Precision@3
- type: cosine_precision@5
value: 0.0
name: Cosine Precision@5
- type: cosine_precision@10
value: 0.000544464609800363
name: Cosine Precision@10
- type: cosine_recall@1
value: 0.0
name: Cosine Recall@1
- type: cosine_recall@3
value: 0.0
name: Cosine Recall@3
- type: cosine_recall@5
value: 0.0
name: Cosine Recall@5
- type: cosine_recall@10
value: 0.0054446460980036296
name: Cosine Recall@10
- type: cosine_ndcg@10
value: 0.001765339491030367
name: Cosine Ndcg@10
- type: cosine_mrr@10
value: 0.0007309941520467837
name: Cosine Mrr@10
- type: cosine_map@100
value: 0.0014606683373623462
name: Cosine Map@100
- task:
type: information-retrieval
name: Information Retrieval
dataset:
name: dim 64
type: dim_64
metrics:
- type: cosine_accuracy@1
value: 0.0
name: Cosine Accuracy@1
- type: cosine_accuracy@3
value: 0.0
name: Cosine Accuracy@3
- type: cosine_accuracy@5
value: 0.0018148820326678765
name: Cosine Accuracy@5
- type: cosine_accuracy@10
value: 0.0018148820326678765
name: Cosine Accuracy@10
- type: cosine_precision@1
value: 0.0
name: Cosine Precision@1
- type: cosine_precision@3
value: 0.0
name: Cosine Precision@3
- type: cosine_precision@5
value: 0.00036297640653357535
name: Cosine Precision@5
- type: cosine_precision@10
value: 0.00018148820326678767
name: Cosine Precision@10
- type: cosine_recall@1
value: 0.0
name: Cosine Recall@1
- type: cosine_recall@3
value: 0.0
name: Cosine Recall@3
- type: cosine_recall@5
value: 0.0018148820326678765
name: Cosine Recall@5
- type: cosine_recall@10
value: 0.0018148820326678765
name: Cosine Recall@10
- type: cosine_ndcg@10
value: 0.0007816271471386444
name: Cosine Ndcg@10
- type: cosine_mrr@10
value: 0.00045372050816696913
name: Cosine Mrr@10
- type: cosine_map@100
value: 0.0011358919077603595
name: Cosine Map@100
---
# German Semantic V3 BMF
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [jinaai/jina-embeddings-v2-base-de](https://huggingface.co/jinaai/jina-embeddings-v2-base-de). 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:** [jinaai/jina-embeddings-v2-base-de](https://huggingface.co/jinaai/jina-embeddings-v2-base-de) <!-- at revision 13b8b30bd0bbee829ceffb82b282cc714cef836e -->
- **Maximum Sequence Length:** 1024 tokens
- **Output Dimensionality:** 768 tokens
- **Similarity Function:** Cosine Similarity
<!-- - **Training Dataset:** Unknown -->
- **Language:** en
- **License:** apache-2.0
### Model Sources
- **Documentation:** [Sentence Transformers Documentation](https://sbert.net)
- **Repository:** [Sentence Transformers on GitHub](https://github.com/UKPLab/sentence-transformers)
- **Hugging Face:** [Sentence Transformers on Hugging Face](https://huggingface.co/models?library=sentence-transformers)
### Full Model Architecture
```
SentenceTransformer(
(0): Transformer({'max_seq_length': 1024, 'do_lower_case': False}) with Transformer model: BertModel
(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})
(2): Normalize()
)
```
## Usage
### Direct Usage (Sentence Transformers)
First install the Sentence Transformers library:
```bash
pip install -U sentence-transformers
```
Then you can load this model and run inference.
```python
from sentence_transformers import SentenceTransformer
# Download from the 🤗 Hub
model = SentenceTransformer("akot/jina-semantic-bmf-matryoshka-1024-10epochs")
# Run inference
sentences = [
'67 Abwandlung des Beispiels 1 in Rn. 66: A erhält zudem zwei Kinderzulagen für seine in den Jahren 2004 und 2005 geborenen Kinder. Beitragspflichtige Einnahmen 53.000 € 4 % 2.120 € höchstens 2.100 € anzusetzen 2.100 € abzüglich Zulage 175 € Mindesteigenbeitrag (§ 86 Abs. 1 Satz 2 EStG) 1.925 € Sockelbetrag (§ 86 Abs. 1 Satz 4 EStG) 60 € maßgebend (§ 86 Abs. 1 Satz 5 EStG) 1.925 € Die von A geleisteten Beiträge übersteigen den Mindesteigenbeitrag. Die Zulage wird nicht gekürzt.',
'Wird die Zulage für A gekürzt, wenn die Beiträge den Mindesteigenbeitrag übersteigen?',
'Wie erfolgt die Besteuerung bei der ausgleichsberechtigten Person nach einer externen Teilung?',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 768]
# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]
```
<!--
### Direct Usage (Transformers)
<details><summary>Click to see the direct usage in Transformers</summary>
</details>
-->
<!--
### Downstream Usage (Sentence Transformers)
You can finetune this model on your own dataset.
<details><summary>Click to expand</summary>
</details>
-->
<!--
### Out-of-Scope Use
*List how the model may foreseeably be misused and address what users ought not to do with the model.*
-->
## Evaluation
### Metrics
#### Information Retrieval
* Dataset: `dim_768`
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
| Metric | Value |
|:--------------------|:-----------|
| cosine_accuracy@1 | 0.0 |
| cosine_accuracy@3 | 0.0018 |
| cosine_accuracy@5 | 0.0018 |
| cosine_accuracy@10 | 0.0036 |
| cosine_precision@1 | 0.0 |
| cosine_precision@3 | 0.0006 |
| cosine_precision@5 | 0.0004 |
| cosine_precision@10 | 0.0004 |
| cosine_recall@1 | 0.0 |
| cosine_recall@3 | 0.0018 |
| cosine_recall@5 | 0.0018 |
| cosine_recall@10 | 0.0036 |
| cosine_ndcg@10 | 0.0018 |
| cosine_mrr@10 | 0.0012 |
| **cosine_map@100** | **0.0019** |
#### Information Retrieval
* Dataset: `dim_512`
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
| Metric | Value |
|:--------------------|:-----------|
| cosine_accuracy@1 | 0.0 |
| cosine_accuracy@3 | 0.0018 |
| cosine_accuracy@5 | 0.0036 |
| cosine_accuracy@10 | 0.0036 |
| cosine_precision@1 | 0.0 |
| cosine_precision@3 | 0.0006 |
| cosine_precision@5 | 0.0007 |
| cosine_precision@10 | 0.0004 |
| cosine_recall@1 | 0.0 |
| cosine_recall@3 | 0.0018 |
| cosine_recall@5 | 0.0036 |
| cosine_recall@10 | 0.0036 |
| cosine_ndcg@10 | 0.0019 |
| cosine_mrr@10 | 0.0014 |
| **cosine_map@100** | **0.0023** |
#### Information Retrieval
* Dataset: `dim_256`
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
| Metric | Value |
|:--------------------|:----------|
| cosine_accuracy@1 | 0.0 |
| cosine_accuracy@3 | 0.0018 |
| cosine_accuracy@5 | 0.0018 |
| cosine_accuracy@10 | 0.0036 |
| cosine_precision@1 | 0.0 |
| cosine_precision@3 | 0.0006 |
| cosine_precision@5 | 0.0004 |
| cosine_precision@10 | 0.0004 |
| cosine_recall@1 | 0.0 |
| cosine_recall@3 | 0.0018 |
| cosine_recall@5 | 0.0018 |
| cosine_recall@10 | 0.0036 |
| cosine_ndcg@10 | 0.0017 |
| cosine_mrr@10 | 0.0011 |
| **cosine_map@100** | **0.002** |
#### Information Retrieval
* Dataset: `dim_128`
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
| Metric | Value |
|:--------------------|:-----------|
| cosine_accuracy@1 | 0.0 |
| cosine_accuracy@3 | 0.0 |
| cosine_accuracy@5 | 0.0 |
| cosine_accuracy@10 | 0.0054 |
| cosine_precision@1 | 0.0 |
| cosine_precision@3 | 0.0 |
| cosine_precision@5 | 0.0 |
| cosine_precision@10 | 0.0005 |
| cosine_recall@1 | 0.0 |
| cosine_recall@3 | 0.0 |
| cosine_recall@5 | 0.0 |
| cosine_recall@10 | 0.0054 |
| cosine_ndcg@10 | 0.0018 |
| cosine_mrr@10 | 0.0007 |
| **cosine_map@100** | **0.0015** |
#### Information Retrieval
* Dataset: `dim_64`
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
| Metric | Value |
|:--------------------|:-----------|
| cosine_accuracy@1 | 0.0 |
| cosine_accuracy@3 | 0.0 |
| cosine_accuracy@5 | 0.0018 |
| cosine_accuracy@10 | 0.0018 |
| cosine_precision@1 | 0.0 |
| cosine_precision@3 | 0.0 |
| cosine_precision@5 | 0.0004 |
| cosine_precision@10 | 0.0002 |
| cosine_recall@1 | 0.0 |
| cosine_recall@3 | 0.0 |
| cosine_recall@5 | 0.0018 |
| cosine_recall@10 | 0.0018 |
| cosine_ndcg@10 | 0.0008 |
| cosine_mrr@10 | 0.0005 |
| **cosine_map@100** | **0.0011** |
<!--
## Bias, Risks and Limitations
*What are the known or foreseeable issues stemming from this model? You could also flag here known failure cases or weaknesses of the model.*
-->
<!--
### Recommendations
*What are recommendations with respect to the foreseeable issues? For example, filtering explicit content.*
-->
## Training Details
### Training Dataset
#### Unnamed Dataset
* Size: 4,957 training samples
* Columns: <code>positive</code> and <code>anchor</code>
* Approximate statistics based on the first 1000 samples:
| | positive | anchor |
|:--------|:-------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|
| type | string | string |
| details | <ul><li>min: 5 tokens</li><li>mean: 145.09 tokens</li><li>max: 1024 tokens</li></ul> | <ul><li>min: 9 tokens</li><li>mean: 19.57 tokens</li><li>max: 41 tokens</li></ul> |
* Samples:
| positive | anchor |
|:-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| <code>134 Eine Rückzahlungsverpflichtung besteht nicht für den Teil der Zulagen, der auf nach § 1 Abs. 1 Nr. 2 AltZertG angespartes gefördertes Altersvorsorgevermögen entfällt, wenn es in Form einer Hinterbliebenenrente an die dort genannten Hinterbliebenen ausgezahlt wird. Dies gilt auch für den entsprechenden Teil der Steuerermäßigung.</code> | <code>Muss man Zulagen zurückzahlen, wenn das Altersvorsorgevermögen als Hinterbliebenenrente ausgezahlt wird?</code> |
| <code>140 Beendet der Zulageberechtigte vor der vollständigen Rückzahlung des AltersvorsorgeEigenheimbetrags die Nutzung zu eigenen Wohnzwecken, wird er so behandelt, als habe er den noch nicht zurückgezahlten Betrag schädlich verwendet. Die auf den noch ausstehenden Rückzahlungsbetrag entfallenden Zulagen sowie die nach § 10a Abs. 4 EStG gesondert festgestellten Steuerermäßigungen sind zurückzuzahlen (§ 92a Abs. 3 EStG). Die im noch ausstehenden Rückzahlungsbetrag enthaltenen Zuwächse (z.B. Zinserträge und Kursgewinne) Seite 41 sind als sonstige Einkünfte zu versteuern (§ 22 Nr. 5 Satz 5 Halbsatz 1 EStG). Außerdem hat der Zulageberechtigte den Vorteil zu versteuern, der sich aus der zinslosen Nutzung des noch nicht zurückgezahlten Betrags ergibt. Zugrunde gelegt wird hierbei eine Verzinsung von 5 % (Zins und Zinseszins) für jedes volle Kalenderjahr der Nutzung (§ 22 Nr. 5 Satz 5 Halbsatz 2 EStG). Diese Folgen treten nicht ein, wenn er den noch nicht zurückgezahlten Betrag in ein Folgeobjekt investiert (§ 92a Abs. 4 Satz 3 Nr. 1 EStG) oder zugunsten eines auf seinen Namen lautenden zertifizierten Altersvorsorgevertrags einzahlt (§ 92a Abs. 4 Satz 3 Nr. 2 EStG).</code> | <code>Was geschieht steuerlich, wenn der AltersvorsorgeEigenheimbetrag nicht vollständig zurückgezahlt wird und die Immobilie nicht mehr selbst genutzt wird?</code> |
| <code>144 Die als Einkünfte nach § 22 Nr. 5 Satz 3 EStG i.V.m. § 22 Nr. 5 Satz 2 EStG zu besteuernden Beträge muss der Anbieter gem. § 94 Abs. 1 Satz 4 EStG dem Zulageberechtigten bescheinigen und im Wege des Rentenbezugsmitteilungsverfahrens (§ 22a EStG) mitteilen. Ergeben sich insoweit steuerpflichtige Einkünfte nach § 22 Nr. 5 Satz 3 EStG für einen anderen Leistungsempfänger (z. B. Erben), ist für diesen eine entsprechende Rentenbezugsmitteilung der ZfA zu übermitteln.</code> | <code>Was muss im Falle eines anderen Leistungsempfängers, wie Erben, hinsichtlich der Rentenbezugsmitteilung getan werden?</code> |
* Loss: [<code>MatryoshkaLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#matryoshkaloss) with these parameters:
```json
{
"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`: 16
- `per_device_eval_batch_size`: 16
- `gradient_accumulation_steps`: 16
- `learning_rate`: 2e-05
- `num_train_epochs`: 10
- `lr_scheduler_type`: cosine
- `warmup_ratio`: 0.1
- `bf16`: True
- `tf32`: True
- `load_best_model_at_end`: True
- `optim`: adamw_torch_fused
- `batch_sampler`: no_duplicates
#### All Hyperparameters
<details><summary>Click to expand</summary>
- `overwrite_output_dir`: False
- `do_predict`: False
- `eval_strategy`: epoch
- `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`: 16
- `eval_accumulation_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`: 10
- `max_steps`: -1
- `lr_scheduler_type`: cosine
- `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`: True
- `fp16`: False
- `fp16_opt_level`: O1
- `half_precision_backend`: auto
- `bf16_full_eval`: False
- `fp16_full_eval`: False
- `tf32`: True
- `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`: False
- `resume_from_checkpoint`: None
- `hub_model_id`: None
- `hub_strategy`: every_save
- `hub_private_repo`: False
- `hub_always_push`: False
- `gradient_checkpointing`: False
- `gradient_checkpointing_kwargs`: None
- `include_inputs_for_metrics`: False
- `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
- `batch_sampler`: no_duplicates
- `multi_dataset_batch_sampler`: proportional
</details>
### Training Logs
| Epoch | Step | Training Loss | dim_128_cosine_map@100 | dim_256_cosine_map@100 | dim_512_cosine_map@100 | dim_64_cosine_map@100 | dim_768_cosine_map@100 |
|:----------:|:------:|:-------------:|:----------------------:|:----------------------:|:----------------------:|:---------------------:|:----------------------:|
| 0.5161 | 10 | 19.1189 | - | - | - | - | - |
| 0.9806 | 19 | - | 0.0008 | 0.0009 | 0.0007 | 0.0004 | 0.0006 |
| 1.0323 | 20 | 19.0037 | - | - | - | - | - |
| 1.5484 | 30 | 18.7625 | - | - | - | - | - |
| 1.9613 | 38 | - | 0.0007 | 0.0008 | 0.0007 | 0.0004 | 0.0008 |
| 2.0645 | 40 | 18.3193 | - | - | - | - | - |
| 2.5806 | 50 | 18.5378 | - | - | - | - | - |
| **2.9935** | **58** | **-** | **0.0018** | **0.002** | **0.0017** | **0.0018** | **0.0016** |
| 3.0968 | 60 | 18.103 | - | - | - | - | - |
| 3.6129 | 70 | 18.0413 | - | - | - | - | - |
| 3.9742 | 77 | - | 0.0011 | 0.0006 | 0.0004 | 0.0006 | 0.0004 |
| 4.1290 | 80 | 17.7272 | - | - | - | - | - |
| 4.6452 | 90 | 17.4282 | - | - | - | - | - |
| 4.9548 | 96 | - | 0.0014 | 0.0011 | 0.0009 | 0.0005 | 0.0007 |
| 5.1613 | 100 | 17.2805 | - | - | - | - | - |
| 5.6774 | 110 | 17.3362 | - | - | - | - | - |
| 5.9871 | 116 | - | 0.0005 | 0.0002 | 0.0002 | 0.0016 | 0.0003 |
| 6.1935 | 120 | 17.1479 | - | - | - | - | - |
| 6.7097 | 130 | 17.1761 | - | - | - | - | - |
| 6.9677 | 135 | - | 0.0020 | 0.0025 | 0.0025 | 0.0017 | 0.0020 |
| 7.2258 | 140 | 16.8886 | - | - | - | - | - |
| 7.7419 | 150 | 16.9517 | - | - | - | - | - |
| 8.0 | 155 | - | 0.0008 | 0.0009 | 0.0010 | 0.0005 | 0.0010 |
| 8.2581 | 160 | 17.0198 | - | - | - | - | - |
| 8.7742 | 170 | 16.7575 | - | - | - | - | - |
| 8.9806 | 174 | - | 0.0013 | 0.0009 | 0.0007 | 0.0008 | 0.0007 |
| 9.2903 | 180 | 16.8138 | - | - | - | - | - |
| 9.8065 | 190 | 16.9424 | 0.0015 | 0.0020 | 0.0023 | 0.0011 | 0.0019 |
* The bold row denotes the saved checkpoint.
### Framework Versions
- Python: 3.11.4
- Sentence Transformers: 3.0.1
- Transformers: 4.41.2
- PyTorch: 2.1.2+cu121
- Accelerate: 0.33.0
- Datasets: 2.19.1
- Tokenizers: 0.19.1
## Citation
### BibTeX
#### Sentence Transformers
```bibtex
@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
```bibtex
@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
```bibtex
@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}
}
```
<!--
## Glossary
*Clearly define terms in order to be accessible across audiences.*
-->
<!--
## Model Card Authors
*Lists the people who create the model card, providing recognition and accountability for the detailed work that goes into its construction.*
-->
<!--
## Model Card Contact
*Provides a way for people who have updates to the Model Card, suggestions, or questions, to contact the Model Card authors.*
--> |