--- language: - en license: apache-2.0 library_name: sentence-transformers tags: - sentence-transformers - sentence-similarity - feature-extraction - generated_from_trainer - dataset_size:2720 - loss:MatryoshkaLoss - loss:MultipleNegativesRankingLoss base_model: bkai-foundation-models/vietnamese-bi-encoder datasets: [] 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 widget: - source_sentence: '"Các nhà thầu đạt giải thưởng về chất lượng công trình xây dựng quy định tại khoản 1 Điều này được xem xét ưu tiên khi tham gia đấu thầu trong hoạt động xây dựng theo quy định của pháp luật về đấu thầu."' sentences: - Các nhà thầu đạt giải thưởng về chất lượng công trình xây dựng có được ưu tiên khi tham gia đấu thầu không? - Bộ Công Thương có trách nhiệm gì trong hoạt động kinh doanh vận tải bằng xe ô tô? - Mức phạt khi không thực hiện các biện pháp bảo đảm an toàn, an ninh trong cung ứng dịch vụ bưu chính được quy định như thế nào? - source_sentence: Bản sao điện tử được cấp từ sổ gốc có giá trị sử dụng thay cho bản chính trong các giao dịch, trừ trường hợp pháp luật có quy định khác. sentences: - Nội dung về quản lý trật tự xây dựng được quy định như thế nào? - Bản sao điện tử được cấp từ sổ gốc có giá trị sử dụng thay cho bản chính không? - Cơ sở dữ liệu về vụ việc, vướng mắc pháp lý dùng để tư vấn cho DN nhỏ và vừa bao gồm những gì? - source_sentence: Loài cây sinh trưởng chậm là những loài cây đạt lượng tăng trưởng đường kính bình quân hàng năm dưới 02 cm/năm hoặc năng suất bình quân trong một chu kỳ kinh doanh dưới 10 m3/ha/năm. sentences: - Quy định việc thực hiện báo cáo dữ liệu trên Hệ thống cơ sở dữ liệu ngành về các cơ sở giáo dục được quy định như thế nào? - Thế nào là loài cây sinh trưởng chậm? - Hàng hóa thuộc doanh mục cấm kinh doanh có được quá cảnh tại Việt Nam không? - source_sentence: 'Chính phủ có nhiệm vụ, quyền hạn sau đây: a) Thống nhất quản lý nhà nước về đầu tư theo phương thức PPP; b) Ban hành theo thẩm quyền hoặc trình cấp có thẩm quyền ban hành văn bản quy phạm pháp luật về đầu tư theo phương thức PPP; c) Tổ chức kiểm tra, thanh tra việc thực hiện đầu tư theo phương thức PPP.' sentences: - Chính phủ có nhiệm vụ, quyền hạn thế nào trong đầu tư theo phương thức PPP? - Để được cấp Giấy chứng nhận khả năng chuyên môn cho công dân Việt Nam đã có Giấy chứng nhận ở nước ngoài phải đáp ứng điều kiện nào? - Hội đồng thành viên có phải cơ quan quyết định cao nhất của công ty TNHH hai thành viên? - source_sentence: 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. sentences: - Xử phạt bao nhiêu nếu nhân viên phục vụ xe du lịch không hỗ trợ, giúp đỡ hành khách là người khuyết tật? - Tổ chức trao tặng danh hiệu thi đua ngành lao động thương binh và xã hội được quy định như thế nào? - Thẩm quyền cấp Giấy chứng nhận cơ sở đủ điều kiện sản xuất thức ăn thủy sản được quy định như thế nào? pipeline_tag: sentence-similarity model-index: - name: Legal vietnamese-bi-encoder results: - task: type: information-retrieval name: Information Retrieval dataset: name: dim 768 type: dim_768 metrics: - type: cosine_accuracy@1 value: 0.693069306930693 name: Cosine Accuracy@1 - type: cosine_accuracy@3 value: 0.8283828382838284 name: Cosine Accuracy@3 - type: cosine_accuracy@5 value: 0.8415841584158416 name: Cosine Accuracy@5 - type: cosine_accuracy@10 value: 0.8745874587458746 name: Cosine Accuracy@10 - type: cosine_precision@1 value: 0.693069306930693 name: Cosine Precision@1 - type: cosine_precision@3 value: 0.2761276127612761 name: Cosine Precision@3 - type: cosine_precision@5 value: 0.1683168316831683 name: Cosine Precision@5 - type: cosine_precision@10 value: 0.08745874587458745 name: Cosine Precision@10 - type: cosine_recall@1 value: 0.693069306930693 name: Cosine Recall@1 - type: cosine_recall@3 value: 0.8283828382838284 name: Cosine Recall@3 - type: cosine_recall@5 value: 0.8415841584158416 name: Cosine Recall@5 - type: cosine_recall@10 value: 0.8745874587458746 name: Cosine Recall@10 - type: cosine_ndcg@10 value: 0.7873681442707228 name: Cosine Ndcg@10 - type: cosine_mrr@10 value: 0.7590510241500343 name: Cosine Mrr@10 - type: cosine_map@100 value: 0.7617456503808884 name: Cosine Map@100 - task: type: information-retrieval name: Information Retrieval dataset: name: dim 512 type: dim_512 metrics: - type: cosine_accuracy@1 value: 0.6765676567656765 name: Cosine Accuracy@1 - type: cosine_accuracy@3 value: 0.8151815181518152 name: Cosine Accuracy@3 - type: cosine_accuracy@5 value: 0.8382838283828383 name: Cosine Accuracy@5 - type: cosine_accuracy@10 value: 0.8745874587458746 name: Cosine Accuracy@10 - type: cosine_precision@1 value: 0.6765676567656765 name: Cosine Precision@1 - type: cosine_precision@3 value: 0.27172717271727165 name: Cosine Precision@3 - type: cosine_precision@5 value: 0.16765676567656762 name: Cosine Precision@5 - type: cosine_precision@10 value: 0.08745874587458745 name: Cosine Precision@10 - type: cosine_recall@1 value: 0.6765676567656765 name: Cosine Recall@1 - type: cosine_recall@3 value: 0.8151815181518152 name: Cosine Recall@3 - type: cosine_recall@5 value: 0.8382838283828383 name: Cosine Recall@5 - type: cosine_recall@10 value: 0.8745874587458746 name: Cosine Recall@10 - type: cosine_ndcg@10 value: 0.7807787818918538 name: Cosine Ndcg@10 - type: cosine_mrr@10 value: 0.7501322751322752 name: Cosine Mrr@10 - type: cosine_map@100 value: 0.7530162925745885 name: Cosine Map@100 - task: type: information-retrieval name: Information Retrieval dataset: name: dim 256 type: dim_256 metrics: - type: cosine_accuracy@1 value: 0.6633663366336634 name: Cosine Accuracy@1 - type: cosine_accuracy@3 value: 0.8217821782178217 name: Cosine Accuracy@3 - type: cosine_accuracy@5 value: 0.8382838283828383 name: Cosine Accuracy@5 - type: cosine_accuracy@10 value: 0.8745874587458746 name: Cosine Accuracy@10 - type: cosine_precision@1 value: 0.6633663366336634 name: Cosine Precision@1 - type: cosine_precision@3 value: 0.2739273927392739 name: Cosine Precision@3 - type: cosine_precision@5 value: 0.16765676567656762 name: Cosine Precision@5 - type: cosine_precision@10 value: 0.08745874587458745 name: Cosine Precision@10 - type: cosine_recall@1 value: 0.6633663366336634 name: Cosine Recall@1 - type: cosine_recall@3 value: 0.8217821782178217 name: Cosine Recall@3 - type: cosine_recall@5 value: 0.8382838283828383 name: Cosine Recall@5 - type: cosine_recall@10 value: 0.8745874587458746 name: Cosine Recall@10 - type: cosine_ndcg@10 value: 0.7736765054421313 name: Cosine Ndcg@10 - type: cosine_mrr@10 value: 0.7406804966210907 name: Cosine Mrr@10 - type: cosine_map@100 value: 0.7436021604070286 name: Cosine Map@100 - task: type: information-retrieval name: Information Retrieval dataset: name: dim 128 type: dim_128 metrics: - type: cosine_accuracy@1 value: 0.6237623762376238 name: Cosine Accuracy@1 - type: cosine_accuracy@3 value: 0.7920792079207921 name: Cosine Accuracy@3 - type: cosine_accuracy@5 value: 0.8118811881188119 name: Cosine Accuracy@5 - type: cosine_accuracy@10 value: 0.8679867986798679 name: Cosine Accuracy@10 - type: cosine_precision@1 value: 0.6237623762376238 name: Cosine Precision@1 - type: cosine_precision@3 value: 0.264026402640264 name: Cosine Precision@3 - type: cosine_precision@5 value: 0.16237623762376235 name: Cosine Precision@5 - type: cosine_precision@10 value: 0.08679867986798678 name: Cosine Precision@10 - type: cosine_recall@1 value: 0.6237623762376238 name: Cosine Recall@1 - type: cosine_recall@3 value: 0.7920792079207921 name: Cosine Recall@3 - type: cosine_recall@5 value: 0.8118811881188119 name: Cosine Recall@5 - type: cosine_recall@10 value: 0.8679867986798679 name: Cosine Recall@10 - type: cosine_ndcg@10 value: 0.7505326804622336 name: Cosine Ndcg@10 - type: cosine_mrr@10 value: 0.7124613651841374 name: Cosine Mrr@10 - type: cosine_map@100 value: 0.7157968822778131 name: Cosine Map@100 - task: type: information-retrieval name: Information Retrieval dataset: name: dim 64 type: dim_64 metrics: - type: cosine_accuracy@1 value: 0.6204620462046204 name: Cosine Accuracy@1 - type: cosine_accuracy@3 value: 0.7425742574257426 name: Cosine Accuracy@3 - type: cosine_accuracy@5 value: 0.7920792079207921 name: Cosine Accuracy@5 - type: cosine_accuracy@10 value: 0.8382838283828383 name: Cosine Accuracy@10 - type: cosine_precision@1 value: 0.6204620462046204 name: Cosine Precision@1 - type: cosine_precision@3 value: 0.24752475247524747 name: Cosine Precision@3 - type: cosine_precision@5 value: 0.15841584158415842 name: Cosine Precision@5 - type: cosine_precision@10 value: 0.08382838283828381 name: Cosine Precision@10 - type: cosine_recall@1 value: 0.6204620462046204 name: Cosine Recall@1 - type: cosine_recall@3 value: 0.7425742574257426 name: Cosine Recall@3 - type: cosine_recall@5 value: 0.7920792079207921 name: Cosine Recall@5 - type: cosine_recall@10 value: 0.8382838283828383 name: Cosine Recall@10 - type: cosine_ndcg@10 value: 0.7262125815869204 name: Cosine Ndcg@10 - type: cosine_mrr@10 value: 0.6904905966787156 name: Cosine Mrr@10 - type: cosine_map@100 value: 0.6945163770726217 name: Cosine Map@100 --- # Legal vietnamese-bi-encoder This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [bkai-foundation-models/vietnamese-bi-encoder](https://huggingface.co/bkai-foundation-models/vietnamese-bi-encoder). 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](https://huggingface.co/bkai-foundation-models/vietnamese-bi-encoder) - **Maximum Sequence Length:** 256 tokens - **Output Dimensionality:** 768 tokens - **Similarity Function:** Cosine Similarity - **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': 256, 'do_lower_case': False}) with Transformer model: 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: ```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("ictumuk/legal-vietnamese-bi-encoder") # Run inference sentences = [ '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.', 'Tổ chức trao tặng danh hiệu thi đua ngành lao động thương binh và xã hội được quy định như thế nào?', 'Xử phạt bao nhiêu nếu nhân viên phục vụ xe du lịch không hỗ trợ, giúp đỡ hành khách là người khuyết tật?', ] 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] ``` ## Evaluation ### Metrics #### Information Retrieval * Dataset: `dim_768` * Evaluated with [InformationRetrievalEvaluator](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator) | Metric | Value | |:--------------------|:-----------| | cosine_accuracy@1 | 0.6931 | | cosine_accuracy@3 | 0.8284 | | cosine_accuracy@5 | 0.8416 | | cosine_accuracy@10 | 0.8746 | | cosine_precision@1 | 0.6931 | | cosine_precision@3 | 0.2761 | | cosine_precision@5 | 0.1683 | | cosine_precision@10 | 0.0875 | | cosine_recall@1 | 0.6931 | | cosine_recall@3 | 0.8284 | | cosine_recall@5 | 0.8416 | | cosine_recall@10 | 0.8746 | | cosine_ndcg@10 | 0.7874 | | cosine_mrr@10 | 0.7591 | | **cosine_map@100** | **0.7617** | #### Information Retrieval * Dataset: `dim_512` * Evaluated with [InformationRetrievalEvaluator](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator) | Metric | Value | |:--------------------|:----------| | cosine_accuracy@1 | 0.6766 | | cosine_accuracy@3 | 0.8152 | | cosine_accuracy@5 | 0.8383 | | cosine_accuracy@10 | 0.8746 | | cosine_precision@1 | 0.6766 | | cosine_precision@3 | 0.2717 | | cosine_precision@5 | 0.1677 | | cosine_precision@10 | 0.0875 | | cosine_recall@1 | 0.6766 | | cosine_recall@3 | 0.8152 | | cosine_recall@5 | 0.8383 | | cosine_recall@10 | 0.8746 | | cosine_ndcg@10 | 0.7808 | | cosine_mrr@10 | 0.7501 | | **cosine_map@100** | **0.753** | #### Information Retrieval * Dataset: `dim_256` * Evaluated with [InformationRetrievalEvaluator](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator) | Metric | Value | |:--------------------|:-----------| | cosine_accuracy@1 | 0.6634 | | cosine_accuracy@3 | 0.8218 | | cosine_accuracy@5 | 0.8383 | | cosine_accuracy@10 | 0.8746 | | cosine_precision@1 | 0.6634 | | cosine_precision@3 | 0.2739 | | cosine_precision@5 | 0.1677 | | cosine_precision@10 | 0.0875 | | cosine_recall@1 | 0.6634 | | cosine_recall@3 | 0.8218 | | cosine_recall@5 | 0.8383 | | cosine_recall@10 | 0.8746 | | cosine_ndcg@10 | 0.7737 | | cosine_mrr@10 | 0.7407 | | **cosine_map@100** | **0.7436** | #### Information Retrieval * Dataset: `dim_128` * Evaluated with [InformationRetrievalEvaluator](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator) | Metric | Value | |:--------------------|:-----------| | cosine_accuracy@1 | 0.6238 | | cosine_accuracy@3 | 0.7921 | | cosine_accuracy@5 | 0.8119 | | cosine_accuracy@10 | 0.868 | | cosine_precision@1 | 0.6238 | | cosine_precision@3 | 0.264 | | cosine_precision@5 | 0.1624 | | cosine_precision@10 | 0.0868 | | cosine_recall@1 | 0.6238 | | cosine_recall@3 | 0.7921 | | cosine_recall@5 | 0.8119 | | cosine_recall@10 | 0.868 | | cosine_ndcg@10 | 0.7505 | | cosine_mrr@10 | 0.7125 | | **cosine_map@100** | **0.7158** | #### Information Retrieval * Dataset: `dim_64` * Evaluated with [InformationRetrievalEvaluator](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator) | Metric | Value | |:--------------------|:-----------| | cosine_accuracy@1 | 0.6205 | | cosine_accuracy@3 | 0.7426 | | cosine_accuracy@5 | 0.7921 | | cosine_accuracy@10 | 0.8383 | | cosine_precision@1 | 0.6205 | | cosine_precision@3 | 0.2475 | | cosine_precision@5 | 0.1584 | | cosine_precision@10 | 0.0838 | | cosine_recall@1 | 0.6205 | | cosine_recall@3 | 0.7426 | | cosine_recall@5 | 0.7921 | | cosine_recall@10 | 0.8383 | | cosine_ndcg@10 | 0.7262 | | cosine_mrr@10 | 0.6905 | | **cosine_map@100** | **0.6945** | ## Training Details ### Training Dataset #### Unnamed Dataset * Size: 2,720 training samples * Columns: positive and anchor * Approximate statistics based on the first 1000 samples: | | positive | anchor | |:--------|:-----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------| | type | string | string | | details | | | * Samples: | positive | anchor | |:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------------| | Việc tổ chức sát hạch theo định kỳ 06 tháng một lần hoặc đột xuất theo yêu cầu thực tế tại các địa điểm tổ chức sát hạch đủ điều kiện theo quy định. | Thi sát hạch cấp CCHN kiến trúc được tổ chức vào thời gian nào? | | Bộ Nông nghiệp và Phát triển nông thôn chủ trì, phối hợp với các Bộ, ngành có liên quan khẩn trương nghiên cứu trình Thủ tướng Chính phủ ban hành chính sách đối với công chức kiểm lâm. Tiếp tục đầu tư cho lực lượng kiểm lâm thông qua các dự án đào tạo nâng cao năng lực; đầu tư bảo vệ rừng và phòng cháy chữa cháy rừng; tăng cường trang bị vũ khí quân dụng và công cụ hỗ trợ cho kiểm lâm. Giai đoạn 2011 - 2015 đào tạo chuyên môn, nghiệp vụ cho khoảng 8.000 lượt người thuộc lực lượng bảo vệ rừng cơ sở và lực lượng kiểm lâm; đầu tư phương tiện, trang thiết bị phục vụ công tác phòng cháy, chữa cháy rừng và bảo vệ rừng (khoảng 1.000 tỷ đồng). | Chính sách nâng cao năng lực, hiệu quả hoạt động đối với lực lượng Kiểm lâm được quy định như thế nào? | | Phạt tiền từ 1.000.000 đồng đến 3.000.000 đồng. | Công chứng viên không giao giấy nhận lưu giữ cho người lập di chúc khi nhận lưu giữ di chúc phạt bao nhiêu? | * Loss: [MatryoshkaLoss](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 } ``` ### Evaluation Dataset #### Unnamed Dataset * Size: 303 evaluation samples * Columns: positive and anchor * Approximate statistics based on the first 1000 samples: | | positive | anchor | |:--------|:-----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------| | type | string | string | | details | | | * Samples: | positive | anchor | |:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------------------------------------------------| | Hồ sơ cấp lại Thẻ công chứng viên gồm các giấy tờ sau đây:
a) Giấy đề nghị cấp lại Thẻ công chứng viên (Mẫu TP-CC-07);
b) 01 ảnh chân dung cỡ 2cm x 3cm (ảnh chụp không quá 06 tháng trước ngày nộp hồ sơ);
c) Thẻ công chứng viên đang sử dụng (trong trường hợp Thẻ bị hỏng). | Hồ sơ cấp lại Thẻ công chứng viên gồm những giấy tờ gì? | | "Tổ chức tôn giáo phải có tên bằng tiếng Việt." | Tổ chức tôn giáo có được sử dụng tên tiếng anh? | | Mức độ bảo đảm khi đăng nhập tài khoản thực hiện thủ tục hành chính trên môi trường điện tử được quy định như sau:

a) Mức độ bảo đảm của danh tính điện tử của tổ chức, cá nhân được dùng để đăng nhập dựa trên xác minh được các thông tin của danh tính điện tử do tổ chức, cá nhân cung cấp là chính xác thông qua việc so sánh, đối chiếu tự động với các thông tin, dữ liệu hệ thống đang quản lý hoặc được kết nối, chia sẻ; hoặc so sánh với các bằng chứng mà tổ chức, cá nhân đó cung cấp trực tiếp;

b) Mức độ bảo đảm xác thực người dùng khi đăng nhập tài khoản dựa trên ít nhất một yếu tố xác thực của tổ chức, cá nhân.

Mức độ bảo đảm xác thực người dùng khi thực hiện thủ tục hành chính do cơ quan, tổ chức xây dựng, cung cấp dịch vụ công trực tuyến xác định. Trường hợp mức độ bảo đảm xác thực khi thực hiện thủ tục hành chính yêu cầu cao hơn so với mức độ khi đăng nhập, tổ chức, cá nhân bổ sung giải pháp xác thực theo hướng dẫn cụ thể của cơ quan cung cấp thủ tục hành chính tại Cổng dịch vụ công quốc gia hoặc Cổng dịch vụ công cấp bộ, cấp tỉnh. | Mức độ bảo đảm khi đăng nhập tài khoản thực hiện thủ tục hành chính trên môi trường điện tử được quy định như thế nào? | * Loss: [MatryoshkaLoss](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`: 25 - `lr_scheduler_type`: cosine - `warmup_ratio`: 0.1 - `fp16`: True - `load_best_model_at_end`: True - `optim`: adamw_torch_fused - `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`: 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`: 25 - `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`: 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`: 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
### Training Logs | Epoch | Step | Training Loss | 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 | |:----------:|:------:|:-------------:|:----------:|:----------------------:|:----------------------:|:----------------------:|:---------------------:|:----------------------:| | 0.9412 | 10 | 2.0053 | 1.3422 | 0.6805 | 0.6979 | 0.7146 | 0.6315 | 0.7193 | | 1.8824 | 20 | 1.3864 | - | - | - | - | - | - | | 1.9765 | 21 | - | 0.9838 | 0.6810 | 0.7072 | 0.7361 | 0.6481 | 0.7497 | | 2.8235 | 30 | 0.9121 | - | - | - | - | - | - | | 2.9176 | 31 | - | 0.8075 | 0.6928 | 0.7228 | 0.7385 | 0.6565 | 0.7449 | | 3.7647 | 40 | 0.5327 | - | - | - | - | - | - | | 3.9529 | 42 | - | 0.7225 | 0.7061 | 0.7330 | 0.7497 | 0.6707 | 0.7543 | | 4.7059 | 50 | 0.3222 | - | - | - | - | - | - | | 4.9882 | 53 | - | 0.6622 | 0.7039 | 0.7309 | 0.7473 | 0.6697 | 0.7509 | | 5.6471 | 60 | 0.2505 | - | - | - | - | - | - | | 5.9294 | 63 | - | 0.6895 | 0.7049 | 0.7381 | 0.7518 | 0.6757 | 0.7598 | | 6.5882 | 70 | 0.1677 | - | - | - | - | - | - | | **6.9647** | **74** | **-** | **0.6428** | **0.7167** | **0.7431** | **0.7535** | **0.6823** | **0.7575** | | 7.5294 | 80 | 0.122 | - | - | - | - | - | - | | 8.0 | 85 | - | 0.6084 | 0.7039 | 0.7392 | 0.7478 | 0.6762 | 0.7573 | | 8.4706 | 90 | 0.0956 | - | - | - | - | - | - | | 8.9412 | 95 | - | 0.6338 | 0.7079 | 0.7428 | 0.7515 | 0.6840 | 0.7591 | | 9.4118 | 100 | 0.0748 | - | - | - | - | - | - | | 9.9765 | 106 | - | 0.6446 | 0.7128 | 0.7429 | 0.7477 | 0.6834 | 0.7582 | | 10.3529 | 110 | 0.0582 | - | - | - | - | - | - | | 10.9176 | 116 | - | 0.6115 | 0.7095 | 0.7375 | 0.7467 | 0.6850 | 0.7567 | | 11.2941 | 120 | 0.0509 | - | - | - | - | - | - | | 11.9529 | 127 | - | 0.6557 | 0.7091 | 0.7433 | 0.7474 | 0.6803 | 0.7552 | | 12.2353 | 130 | 0.0446 | - | - | - | - | - | - | | 12.9882 | 138 | - | 0.6356 | 0.7130 | 0.7430 | 0.7530 | 0.6867 | 0.7562 | | 13.1765 | 140 | 0.0356 | - | - | - | - | - | - | | 13.9294 | 148 | - | 0.6487 | 0.7079 | 0.7380 | 0.7466 | 0.6868 | 0.7531 | | 14.1176 | 150 | 0.0308 | - | - | - | - | - | - | | 14.9647 | 159 | - | 0.6595 | 0.7102 | 0.7384 | 0.7494 | 0.6885 | 0.7566 | | 15.0588 | 160 | 0.0301 | - | - | - | - | - | - | | 16.0 | 170 | 0.0279 | 0.6594 | 0.7170 | 0.7434 | 0.7532 | 0.6924 | 0.7617 | | 16.9412 | 180 | 0.0202 | 0.7014 | 0.7138 | 0.7438 | 0.7557 | 0.6902 | 0.7601 | | 17.8824 | 190 | 0.0197 | - | - | - | - | - | - | | 17.9765 | 191 | - | 0.7127 | 0.7124 | 0.7417 | 0.7518 | 0.6893 | 0.7594 | | 18.8235 | 200 | 0.0157 | - | - | - | - | - | - | | 18.9176 | 201 | - | 0.7047 | 0.7127 | 0.7423 | 0.7521 | 0.6914 | 0.7611 | | 19.7647 | 210 | 0.0157 | - | - | - | - | - | - | | 19.9529 | 212 | - | 0.6954 | 0.7160 | 0.7437 | 0.7534 | 0.6931 | 0.7610 | | 20.7059 | 220 | 0.0133 | - | - | - | - | - | - | | 20.9882 | 223 | - | 0.6913 | 0.7170 | 0.7438 | 0.7533 | 0.6945 | 0.7619 | | 21.6471 | 230 | 0.0157 | - | - | - | - | - | - | | 21.9294 | 233 | - | 0.6902 | 0.7158 | 0.7436 | 0.7530 | 0.6943 | 0.7618 | | 22.5882 | 240 | 0.016 | - | - | - | - | - | - | | 22.9647 | 244 | - | 0.6900 | 0.7156 | 0.7434 | 0.7528 | 0.6943 | 0.7615 | | 23.5294 | 250 | 0.0159 | 0.6901 | 0.7158 | 0.7436 | 0.7530 | 0.6945 | 0.7617 | * The bold row denotes the saved checkpoint. ### Framework Versions - Python: 3.10.13 - Sentence Transformers: 3.0.1 - Transformers: 4.41.2 - PyTorch: 2.1.2 - Accelerate: 0.30.1 - Datasets: 2.19.2 - 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} } ```