Add new SentenceTransformer model

d011ed0 verified about 1 month ago

58.5 kB

	---
	base_model: bkai-foundation-models/vietnamese-bi-encoder
	language:
	- vn
	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:107510
	- loss:MatryoshkaLoss
	- loss:MultipleNegativesRankingLoss
	widget:
	- source_sentence: '" điều 8. loại dự_án đầu_tư xây_dựng nhà ở được thế_chấp vay vốn
	tại tổ_chức tín_dụng dự_án đầu_tư xây_dựng nhà ở được thế_chấp để vay vốn theo
	quy_định tại thông_tư này là một trong các dự_án đầu_tư xây_dựng nhà ở quy_định
	tại khoản 2 điều 17 luật nhà ở , bao_gồm : 1. dự_án đầu_tư xây_dựng mới hoặc cải_tạo
	một công_trình nhà ở độc_lập hoặc một cụm công_trình nhà ở. 2. dự_án đầu_tư xây_dựng
	khu nhà ở có hệ_thống hạ_tầng kỹ_thuật và hạ_tầng xã_hội_đồng_bộ tại khu_vực nông_thôn.
	3. dự_án đầu_tư xây_dựng khu đô_thị hoặc dự_án sử_dụng đất hỗn_hợp mà có dành
	diện_tích đất trong dự_án để xây_dựng nhà ở. 4. dự_án đầu_tư xây_dựng công_trình
	có mục_đích sử_dụng hỗn_hợp để ở và kinh_doanh. "'
	sentences:
	- vợ là người nước_ngoài thì làm giấy khai_sinh cho con ở đâu ?
	- dụng_cụ tiếp_xúc với da nguyên_vẹn có_thể áp_dụng biện_pháp khử khuẩn ở mức_độ
	nào ?
	- những dự_án đầu_tư xây_dựng nhà ở nào được phép thế_chấp vay vốn tại tổ_chức tín_dụng
	?
	- source_sentence: 'hồ_sơ_khai thuế … 3. người nộp thuế không phải nộp hồ_sơ_khai
	thuế trong các trường_hợp sau đây : … b ) cá_nhân có thu_nhập được miễn thuế theo
	quy_định của pháp_luật về thuế thu_nhập cá_nhân và quy_định tại điểm b khoản 2
	điều 79 luật quản_lý thuế_trừ cá_nhân nhận thừa_kế , quà tặng là bất_động_sản.
	chuyển_nhượng bất_động_sản. … hồ_sơ_khai thuế của tổ_chức , cá_nhân trả thu_nhập
	khấu_trừ thuế đối_với tiền_lương , tiền công … căn_cứ các quy_định nêu trên ,
	chỉ trường_hợp tổ_chức , cá_nhân phát_sinh trả thu_nhập chịu thuế thu_nhập cá_nhân
	mới thuộc diện phải khai thuế thu_nhập cá_nhân. do đó , trường_hợp tổ_chức , cá_nhân
	không phát_sinh trả thu_nhập chịu thuế thu_nhập cá_nhân thì không thuộc diện điều_chỉnh
	của luật thuế thu_nhập cá_nhân. theo đó , tổ_chức , cá_nhân không phát_sinh trả
	thu_nhập chịu thuế thu_nhập cá_nhân tháng / quý nào thì không phải khai thuế thu_nhập
	cá_nhân của tháng / quý đó … về khai thuế , tính thuế. về khai thuế thu_nhập cá_nhân
	và thuế , các khoản thu khác của hộ kinh_doanh , cá_nhân cho thuê tài_sản a )
	về hồ_sơ_khai thuế : điểm mới 1 : sửa_đổi quy_định tổ_chức , cá_nhân trả thu_nhập
	không phát_sinh khấu_trừ thuế thu_nhập cá_nhân theo tháng , quý thì vẫn phải khai
	thuế ( điểm b khoản 3 điều 7 ). trước đây : theo quy_định tại điểm a. 1 khoản
	1 điều 16 thông_tư số 156 / 2013 / tt - btc ngày 6 / 11 / 2013 thì tổ_chức , cá_nhân
	trả thu_nhập không phát_sinh khấu_trừ thuế thu_nhập cá_nhân theo tháng , quý thì
	không phải khai thuế'
	sentences:
	- trường_hợp nào sử_dụng tác_phẩm đã công_bố không phải xin phép nhưng phải trả_thù_lao
	?
	- mục_tiêu để học_sinh trung_cấp sư_phạm học chương_trình giáo_dục quốc_phòng và
	an_ninh là gì ?
	- không phát_sinh thuế thu_nhập cá_nhân có phải nộp tờ khai không ?
	- source_sentence: 'thẩm_quyền xử_phạt 1. thanh_tra khoa_học và công_nghệ có thẩm_quyền
	xử_phạt các hành_vi vi_phạm_quy_định tại chương ii của nghị_định này. thẩm_quyền
	xử_phạt của thanh_tra khoa_học và công_nghệ 1. thanh_tra viên thuộc thanh_tra
	bộ khoa_học và công_nghệ , thanh_tra sở khoa_học và công_nghệ đang thi_hành công_vụ
	có quyền : a ) phạt cảnh_cáo. b ) phạt tiền đến 500. 000 đồng. c ) tịch_thu tang_vật
	, phương_tiện vi_phạm hành_chính có giá_trị không vượt quá 1. 000. 000 đồng. d
	) áp_dụng biện_pháp khắc_phục hậu_quả quy_định tại điểm d khoản 3 điều 3 của nghị_định
	này. quy_định về mức phạt tiền tối_đa , thẩm_quyền xử_phạt đối_với cá_nhân , tổ_chức.
	2. thẩm_quyền xử_phạt vi_phạm hành_chính của những người được quy_định tại các
	điều từ 16 đến 21 của nghị_định này là thẩm_quyền áp_dụng đối_với một hành_vi
	vi_phạm hành_chính của cá_nhân. trong trường_hợp phạt tiền , thẩm_quyền xử_phạt
	đối_với tổ_chức gấp 02 lần thẩm_quyền xử_phạt đối_với cá_nhân'
	sentences:
	- thanh_tra viên thuộc thanh_tra bộ khoa_học và công_nghệ có quyền xử_phạt tổ_chức
	đại_diện sở_hữu công_nghiệp làm sai_lệch nội_dung chứng_chỉ hành_nghề không ?
	- nguồn tài_chính từ nguồn thu hoạt_động sự_nghiệp có phải là một trong các nguồn
	của đơn_vị sự_nghiệp công_lập không ?
	- hội_đồng tư_vấn tuyển_chọn thực_hiện nhiệm_vụ khoa_học cấp_bộ của bộ tư_pháp có
	những trách_nhiệm gì ?
	- source_sentence: '" 1. đầu_tư chương_trình , dự_án kết_cấu_hạ_tầng kinh_tế - xã_hội.
	trường_hợp thật_sự cần_thiết tách riêng việc bồi_thường , hỗ_trợ , tái_định_cư
	, giải_phóng mặt_bằng thành dự_án độc_lập , đối_với dự_án quan_trọng quốc_gia
	do quốc_hội xem_xét , quyết_định. đối_với dự_án nhóm a do thủ_tướng chính_phủ
	, hội_đồng nhân_dân cấp tỉnh xem_xét , quyết_định theo thẩm_quyền. việc tách riêng
	dự_án độc_lập được thực_hiện khi phê_duyệt chủ_trương đầu_tư dự_án quan_trọng
	quốc_gia , dự_án nhóm a. 2. đầu_tư phục_vụ hoạt_động của cơ_quan nhà_nước , đơn_vị
	sự_nghiệp công_lập , tổ_chức chính_trị , tổ_chức chính_trị - xã_hội. 3. đầu_tư
	và hỗ_trợ hoạt_động đầu_tư cung_cấp sản_phẩm , dịch_vụ công_ích , phúc_lợi xã_hội.
	4. đầu_tư của nhà_nước tham_gia thực_hiện dự_án theo phương_thức đối_tác công
	tư. 5. đầu_tư phục_vụ công_tác lập , thẩm_định , quyết_định hoặc phê_duyệt , công_bố
	và điều_chỉnh quy_hoạch theo quy_định của pháp_luật về quy_hoạch. 6. cấp bù lãi_suất
	tín_dụng ưu_đãi , phí quản_lý. cấp vốn điều_lệ cho các ngân_hàng chính_sách ,
	quỹ tài_chính nhà_nước_ngoài ngân_sách. hỗ_trợ đầu_tư cho các đối_tượng chính_sách
	khác theo quyết_định của thủ_tướng chính_phủ. chính_phủ quy_định trình_tự , thủ_tục
	thực_hiện đầu_tư đối_với đối_tượng quy_định tại khoản này. "'
	sentences:
	- các nước phát_triển khi tham_gia_công_ước chống sa_mạc_hóa của liên_hợp quốc sẽ
	có những nghĩa_vụ nào ?
	- ban quản_lý các dự_án đầu_tư xây_dựng thanh_tra chính_phủ có cơ_cấu tổ_chức như
	thế_nào ?
	- đối_tượng đầu_tư công bao_gồm những_ai ?
	- source_sentence: 1. công_ước này sẽ bắt_đầu có hiệu_lực với điều_kiện tuân_thủ các
	quy_định của khoản 6 điều này , vào ngày đầu tháng tiếp_theo sau khi hết một hạn
	kỳ 12 tháng kể từ ngày văn_bản phê_chuẩn , chấp_nhận , chuẩn_y hay gia_nhập thứ
	mười được đệ_trình kể_cả những văn_bản chứa_đựng một tuyên_bố được làm chiếu theo
	điều 92. 5. mọi quốc_gia thành_viên của công_ước la - haye 1964 về ký_kết_hợp_đồng
	mà phê_chuẩn , chấp_nhận hay chuẩn_y công_ước này , hoặc gia_nhập công_ước này
	và tuyên_bố hay đã tuyên_bố chiếu theo điều 92 rằng họ không bị ràng_buộc bởi
	phần thứ ba của công_ước sẽ hủy bỏ vào lúc phê_chuẩn , chấp_nhận , chuẩn_y hay
	gia_nhập , bản công_ước la - haye 1964 về ký_kết_hợp_đồng_bằng cách gửi một thông_cáo
	với mục_đích đó cho chính_phủ hà_lan. 6. vì mục_đích của điều này , các sự phê_chuẩn
	, chấp_nhận , chuẩn_y và gia_nhập công_ước này của các quốc_gia thành_viên của
	công_ước la - haye 1964 về ký_kết_hợp_đồng hay công_ước la - haye 1964 về mua_bán
	hàng_hóa chỉ bắt_đầu có hiệu_lực kể từ ngày các thông_báo hủy_bỏ của các quốc_gia
	đó đối_với hai công_ước nói trên cũng sẽ có hiệu_lực. người giữ lưu_chiểu bản
	công_ước này sẽ thỏa_thuận với chính_phủ hà_lan , vốn là người giữ lưu_chiểu các
	công_ước 1964 , để đảm_bảo sự phối_hợp cần_thiết về vấn_đề này
	sentences:
	- công_ước viên về mua_bán hàng_hóa quốc_tế năm 1980 sẽ bắt_đầu có hiệu_lực với
	điều_kiện gì ?
	- sau khi giữ người trong trường_hợp khẩn_cấp thì cơ_quan điều_tra phải thông_báo
	ngay cho những_ai ?
	- đăng_kiểm viên có hành_vi làm sai_lệch kết_quả kiểm_định xe cơ_giới bị phạt tiền
	như thế_nào ?
	model-index:
	- name: vietnamese-bi-encoder-for-SoICT-2024
	results:
	- task:
	type: information-retrieval
	name: Information Retrieval
	dataset:
	name: dim 768
	type: dim_768
	metrics:
	- type: cosine_accuracy@1
	value: 0.3883308220324795
	name: Cosine Accuracy@1
	- type: cosine_accuracy@3
	value: 0.6043864054913779
	name: Cosine Accuracy@3
	- type: cosine_accuracy@5
	value: 0.6909425749204755
	name: Cosine Accuracy@5
	- type: cosine_accuracy@10
	value: 0.7849489368826386
	name: Cosine Accuracy@10
	- type: cosine_precision@1
	value: 0.3883308220324795
	name: Cosine Precision@1
	- type: cosine_precision@3
	value: 0.2014621351637926
	name: Cosine Precision@3
	- type: cosine_precision@5
	value: 0.13818851498409507
	name: Cosine Precision@5
	- type: cosine_precision@10
	value: 0.07849489368826384
	name: Cosine Precision@10
	- type: cosine_recall@1
	value: 0.3883308220324795
	name: Cosine Recall@1
	- type: cosine_recall@3
	value: 0.6043864054913779
	name: Cosine Recall@3
	- type: cosine_recall@5
	value: 0.6909425749204755
	name: Cosine Recall@5
	- type: cosine_recall@10
	value: 0.7849489368826386
	name: Cosine Recall@10
	- type: cosine_ndcg@10
	value: 0.5804958772856197
	name: Cosine Ndcg@10
	- type: cosine_mrr@10
	value: 0.5156554362355417
	name: Cosine Mrr@10
	- type: cosine_map@100
	value: 0.5234798575441378
	name: Cosine Map@100
	---

	# vietnamese-bi-encoder-for-SoICT-2024

	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) 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](https://huggingface.co/bkai-foundation-models/vietnamese-bi-encoder) <!-- at revision 84f9d9ada0d1a3c37557398b9ae9fcedcdf40be0 -->
	- Maximum Sequence Length: 256 tokens
	- Output Dimensionality: 768 tokens
	- Similarity Function: Cosine Similarity
	- Training Dataset:
	- json
	- Language: vn
	- 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("maiduchuy321/vietnamese-bi-encoder-for-SoICT-2024")
	# Run inference
	sentences = [
	'1. công_ước này sẽ bắt_đầu có hiệu_lực với điều_kiện tuân_thủ các quy_định của khoản 6 điều này , vào ngày đầu tháng tiếp_theo sau khi hết một hạn kỳ 12 tháng kể từ ngày văn_bản phê_chuẩn , chấp_nhận , chuẩn_y hay gia_nhập thứ mười được đệ_trình kể_cả những văn_bản chứa_đựng một tuyên_bố được làm chiếu theo điều 92. 5. mọi quốc_gia thành_viên của công_ước la - haye 1964 về ký_kết_hợp_đồng mà phê_chuẩn , chấp_nhận hay chuẩn_y công_ước này , hoặc gia_nhập công_ước này và tuyên_bố hay đã tuyên_bố chiếu theo điều 92 rằng họ không bị ràng_buộc bởi phần thứ ba của công_ước sẽ hủy bỏ vào lúc phê_chuẩn , chấp_nhận , chuẩn_y hay gia_nhập , bản công_ước la - haye 1964 về ký_kết_hợp_đồng_bằng cách gửi một thông_cáo với mục_đích đó cho chính_phủ hà_lan. 6. vì mục_đích của điều này , các sự phê_chuẩn , chấp_nhận , chuẩn_y và gia_nhập công_ước này của các quốc_gia thành_viên của công_ước la - haye 1964 về ký_kết_hợp_đồng hay công_ước la - haye 1964 về mua_bán hàng_hóa chỉ bắt_đầu có hiệu_lực kể từ ngày các thông_báo hủy_bỏ của các quốc_gia đó đối_với hai công_ước nói trên cũng sẽ có hiệu_lực. người giữ lưu_chiểu bản công_ước này sẽ thỏa_thuận với chính_phủ hà_lan , vốn là người giữ lưu_chiểu các công_ước 1964 , để đảm_bảo sự phối_hợp cần_thiết về vấn_đề này',
	'công_ước viên về mua_bán hàng_hóa quốc_tế năm 1980 sẽ bắt_đầu có hiệu_lực với điều_kiện gì ?',
	'đăng_kiểm viên có hành_vi làm sai_lệch kết_quả kiểm_định xe cơ_giới bị phạt tiền như thế_nào ?',
	]
	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 \| 0.3883 \|
	\| cosine_accuracy@3 \| 0.6044 \|
	\| cosine_accuracy@5 \| 0.6909 \|
	\| cosine_accuracy@10 \| 0.7849 \|
	\| cosine_precision@1 \| 0.3883 \|
	\| cosine_precision@3 \| 0.2015 \|
	\| cosine_precision@5 \| 0.1382 \|
	\| cosine_precision@10 \| 0.0785 \|
	\| cosine_recall@1 \| 0.3883 \|
	\| cosine_recall@3 \| 0.6044 \|
	\| cosine_recall@5 \| 0.6909 \|
	\| cosine_recall@10 \| 0.7849 \|
	\| cosine_ndcg@10 \| 0.5805 \|
	\| cosine_mrr@10 \| 0.5157 \|
	\| cosine_map@100 \| 0.5235 \|

	<!--
	## 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

	#### json

	* Dataset: json
	* Size: 107,510 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: 2 tokens</li><li>mean: 169.63 tokens</li><li>max: 256 tokens</li></ul> \| <ul><li>min: 5 tokens</li><li>mean: 17.53 tokens</li><li>max: 37 tokens</li></ul> \|
	* Samples:
	\| positive \| anchor \|
	\|:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------\|:------------------------------------------------------------------------------------------------------------------------------\|
	\| <code>" điều 6. mức hưởng chế_độ ốm_đau 1. mức hưởng chế_độ ốm_đau theo quy_định tại khoản 1 điều 26 và điều 27 của luật bảo_hiểm xã_hội được tính như sau : mức hưởng chế_độ ốm_đau = tiền_lương tháng đóng bảo_hiểm xã_hội của tháng liền kề trước khi nghỉ_việc / 24 ngày x 75 ( % ) x số ngày nghỉ_việc được hưởng chế_độ ốm_đau "</code> \| <code>mức hưởng chế_độ ốm_đau được pháp_luật quy_định như thế_nào ?</code> \|
	\| <code>huấn_luyện , bồi_dưỡng nghiệp_vụ phòng cháy và chữa_cháy. 4. trách_nhiệm tổ_chức huấn_luyện , bồi_dưỡng nghiệp_vụ về phòng cháy và chữa_cháy :. b ) cơ_quan , tổ_chức , cơ_sở hoặc cá_nhân có nhu_cầu được huấn_luyện , bồi_dưỡng nghiệp_vụ phòng cháy và chữa_cháy thì đề_nghị cơ_quan công_an hoặc cơ_sở huấn_luyện , hướng_dẫn về nghiệp_vụ phòng cháy và chữa_cháy đã được xác_nhận đủ điều_kiện kinh_doanh dịch_vụ phòng cháy và chữa_cháy tổ_chức huấn_luyện. kinh_phí tổ_chức huấn_luyện do cơ_quan , tổ_chức , cơ_sở hoặc cá_nhân tham_gia huấn_luyện chịu trách_nhiệm. vi_phạm_quy_định về tuyên_truyền , phổ_biến pháp_luật , kiến_thức và huấn_luyện , bồi_dưỡng nghiệp_vụ phòng cháy và chữa_cháy , cứu nạn , cứu_hộ. 3. phạt tiền từ 1. 500. 000 đồng đến 3. 000. 000 đồng đối_với hành_vi không tổ_chức huấn_luyện , bồi_dưỡng nghiệp_vụ phòng cháy và chữa_cháy , cứu nạn , cứu_hộ theo quy_định</code> \| <code>công_ty không thực_hiện bồi_dưỡng nghiệp_vụ phòng cháy chữa_cháy cho người lao_động thì bị xử_phạt như thế_nào ?</code> \|
	\| <code>" điều 73. điều_kiện trước khi chính_thức hoạt_động 1. doanh_nghiệp bảo_hiểm , doanh_nghiệp tái_bảo_hiểm , chi_nhánh nước_ngoài tại việt nam phải chính_thức hoạt_động trong thời_hạn 12 tháng kể từ ngày được cấp giấy_phép thành_lập và hoạt_động , trừ trường_hợp có sự_kiện bất_khả_kháng hoặc trở_ngại khách_quan. đối_với trường_hợp bất_khả_kháng hoặc trở_ngại khách_quan , doanh_nghiệp bảo_hiểm , doanh_nghiệp tái_bảo_hiểm , chi_nhánh nước_ngoài tại việt nam phải báo_cáo bằng văn_bản và được bộ tài_chính chấp_thuận bằng văn_bản về việc gia_hạn thời_gian chính_thức hoạt_động. thời_gian gia_hạn tối_đa là 12 tháng. 2. doanh_nghiệp bảo_hiểm , doanh_nghiệp tái_bảo_hiểm , chi_nhánh nước_ngoài tại việt nam phải đáp_ứng các quy_định sau đây để chính_thức hoạt_động : a ) chuyển số vốn gửi tại tài_khoản phong_tỏa thành vốn điều_lệ hoặc vốn được cấp. b ) xây_dựng cơ_cấu tổ_chức , bộ_máy quản_lý , kiểm_soát nội_bộ , kiểm_toán nội_bộ , hệ_thống quản_trị rủi_ro phù_hợp với hình_thức hoạt_động theo quy_định của luật này và quy_định khác của pháp_luật có liên_quan. bầu , bổ_nhiệm người đại_diện theo pháp_luật. bầu , bổ_nhiệm các chức_danh đã được bộ tài_chính chấp_thuận về nguyên_tắc quy_định tại khoản 2 điều 70 của luật này. c ) ban_hành các quy_chế quản_lý nội_bộ về tổ_chức hoạt_động , quy_chế nội_bộ về quản_trị rủi_ro và các quy_trình nghiệp_vụ cơ_bản theo quy_định pháp_luật. d ) ký_quỹ đầy_đủ theo quy_định của luật này tại ngân_hàng thương_mại hoạt_động tại việt_nam. đ ) có trụ_sở , cơ_sở vật_chất , kỹ_thuật , hệ_thống công_nghệ phù_hợp với quy_trình nghiệp_vụ về kinh_doanh bảo_hiểm. e ) thực_hiện công_bố nội_dung giấy_phép thành_lập và hoạt_động quy_định tại khoản 2 điều 72 của luật này. 3. doanh_nghiệp bảo_hiểm , doanh_nghiệp tái_bảo_hiểm , chi_nhánh nước_ngoài tại việt nam phải thông_báo cho bộ tài_chính về việc đáp_ứng các quy_định tại khoản 2 điều này ít_nhất 15 ngày trước ngày chính_thức hoạt_động. bộ tài_chính có quyền đình_chỉ việc chính_thức hoạt_động của doanh_nghiệp bảo_hiểm , doanh_nghiệp tái_bảo_hiểm , chi_nhánh nước_ngoài tại việt_nam khi chưa đáp_ứng các quy_định tại khoản 2 điều này. 4. doanh_nghiệp bảo_hiểm , doanh_nghiệp tái_bảo_hiểm , chi_nhánh nước_ngoài tại việt nam không được tiến_hành hoạt_động_kinh_doanh bảo_hiểm trước ngày chính_thức hoạt_động. "</code> \| <code>điều_kiện để doanh_nghiệp bảo_hiểm được chính_thức hoạt_động ?</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
	],
	"matryoshka_weights": [
	1
	],
	"n_dims_per_step": -1
	}
	```

	### Evaluation Dataset

	#### json

	* Dataset: json
	* Size: 11,946 evaluation 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: 16 tokens</li><li>mean: 165.45 tokens</li><li>max: 256 tokens</li></ul> \| <ul><li>min: 7 tokens</li><li>mean: 17.33 tokens</li><li>max: 40 tokens</li></ul> \|
	* Samples:
	\| positive \| anchor \|
	\|:--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------\|:------------------------------------------------------------------------------------\|
	\| <code>" điều 15. nguyên_tắc giao_kết_hợp_đồng lao_động 1. tự_nguyện , bình_đẳng , thiện_chí , hợp_tác và trung_thực. 2. tự_do giao_kết_hợp_đồng lao_động nhưng không được trái pháp_luật , thỏa_ước lao_động tập_thể và đạo_đức xã_hội. "</code> \| <code>nguyên_tắc giao_kết_hợp_đồng lao_động được đề_cập như thế_nào ?</code> \|
	\| <code>" 1. mỗi chức_danh công_chức cấp xã được bố_trí từ 01 người trở lên , ủy_ban nhân_dân cấp tỉnh quy_định việc bố_trí tăng thêm người ở một_số chức_danh công_chức cấp xã phù_hợp với yêu_cầu , nhiệm_vụ của từng xã , phường , thị_trấn ( trừ chức_danh trưởng công_an xã và chỉ_huy_trưởng ban chỉ_huy quân_sự cấp xã ) nhưng không vượt quá tổng_số cán_bộ , công_chức cấp xã quy_định tại khoản 1 điều 4 nghị_định số 92 / 2009 / nđ - cp đã được sửa_đổi , bổ_sung tại khoản 1 điều 2 nghị_định 34 / 2019 / nđ - cp. 2. những chức_danh công_chức cấp xã có từ 02 người đảm_nhiệm , khi tuyển_dụng , ghi hồ_sơ lý_lịch và sổ bảo_hiểm xã_hội phải thống_nhất theo đúng tên gọi của chức_danh công_chức cấp xã quy_định tại khoản 2 điều 3 nghị_định số 92 / 2009 / nđ - cp. 3. căn_cứ quyết_định của ủy_ban nhân_dân cấp tỉnh về việc giao số_lượng cán_bộ , công_chức cấp xã , chủ_tịch ủy_ban nhân_dân cấp huyện quyết_định tuyển_dụng , phân_công , điều_động , luân_chuyển và bố_trí người đảm_nhiệm các chức_danh công_chức cấp xã phù_hợp với chuyên_ngành đào_tạo và đáp_ứng các yêu_cầu của vị_trí chức_danh công_chức. "</code> \| <code>bố_trí số_lượng công_chức cấp xã được pháp_luật quy_định như thế_nào ?</code> \|
	\| <code>“ điều 3. giải_thích từ_ngữ … 4. thu phí dịch_vụ sử_dụng đường_bộ theo hình_thức điện_tử không dừng ( sau đây gọi tắt là thu phí điện_tử không dừng ) là hình_thức thu phí dịch_vụ sử_dụng đường_bộ tự_động , phương_tiện giao_thông đường_bộ không cần phải dừng lại để trả phí dịch_vụ sử_dụng đường_bộ khi tới trạm thu phí dịch_vụ sử_dụng đường_bộ. quá_trình tính_toán phí dịch_vụ sử_dụng đường_bộ được thực_hiện tự_động bởi hệ_thống thu phí dịch_vụ sử_dụng đường_bộ theo hình_thức điện_tử không dừng ( sau đây gọi tắt là hệ_thống thu phí điện_tử không dừng ). ”</code> \| <code>thu phí điện_tử không dừng là gì ?</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
	],
	"matryoshka_weights": [
	1
	],
	"n_dims_per_step": -1
	}
	```

	### Training Hyperparameters
	#### Non-Default Hyperparameters

	- `eval_strategy`: epoch
	- `per_device_train_batch_size`: 24
	- `per_device_eval_batch_size`: 16
	- `gradient_accumulation_steps`: 16
	- `learning_rate`: 2e-05
	- `num_train_epochs`: 5
	- `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
	<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`: 24
	- `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
	- `torch_empty_cache_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`: 5
	- `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
	- `eval_on_start`: False
	- `use_liger_kernel`: False
	- `eval_use_gather_object`: False
	- `batch_sampler`: no_duplicates
	- `multi_dataset_batch_sampler`: proportional

	</details>

	### Training Logs
	<details><summary>Click to expand</summary>

	\| Epoch \| Step \| Training Loss \| Validation Loss \| dim_768_cosine_map@100 \|
	\|:-------:\|:--------:\|:-------------:\|:---------------:\|:----------------------:\|
	\| 0.0357 \| 10 \| 0.0982 \| - \| - \|
	\| 0.0714 \| 20 \| 0.0764 \| - \| - \|
	\| 0.1071 \| 30 \| 0.0586 \| - \| - \|
	\| 0.1429 \| 40 \| 0.0484 \| - \| - \|
	\| 0.1786 \| 50 \| 0.0513 \| - \| - \|
	\| 0.2143 \| 60 \| 0.0441 \| - \| - \|
	\| 0.25 \| 70 \| 0.0446 \| - \| - \|
	\| 0.2857 \| 80 \| 0.0445 \| - \| - \|
	\| 0.3214 \| 90 \| 0.0295 \| - \| - \|
	\| 0.3571 \| 100 \| 0.0359 \| - \| - \|
	\| 0.3929 \| 110 \| 0.035 \| - \| - \|
	\| 0.4286 \| 120 \| 0.0364 \| - \| - \|
	\| 0.4643 \| 130 \| 0.0323 \| - \| - \|
	\| 0.5 \| 140 \| 0.0317 \| - \| - \|
	\| 0.5357 \| 150 \| 0.03 \| - \| - \|
	\| 0.5714 \| 160 \| 0.0278 \| - \| - \|
	\| 0.6071 \| 170 \| 0.026 \| - \| - \|
	\| 0.6429 \| 180 \| 0.0324 \| - \| - \|
	\| 0.6786 \| 190 \| 0.0316 \| - \| - \|
	\| 0.7143 \| 200 \| 0.031 \| - \| - \|
	\| 0.75 \| 210 \| 0.0268 \| - \| - \|
	\| 0.7857 \| 220 \| 0.0246 \| - \| - \|
	\| 0.8214 \| 230 \| 0.0266 \| - \| - \|
	\| 0.8571 \| 240 \| 0.0244 \| - \| - \|
	\| 0.8929 \| 250 \| 0.0248 \| - \| - \|
	\| 0.9286 \| 260 \| 0.0267 \| - \| - \|
	\| 0.9643 \| 270 \| 0.0224 \| - \| - \|
	\| 1.0 \| 280 \| 0.0305 \| 0.0125 \| 0.5116 \|
	\| 1.0357 \| 290 \| 0.0284 \| - \| - \|
	\| 1.0714 \| 300 \| 0.0276 \| - \| - \|
	\| 1.1071 \| 310 \| 0.0179 \| - \| - \|
	\| 1.1429 \| 320 \| 0.0179 \| - \| - \|
	\| 1.1786 \| 330 \| 0.0222 \| - \| - \|
	\| 1.2143 \| 340 \| 0.0174 \| - \| - \|
	\| 1.25 \| 350 \| 0.0146 \| - \| - \|
	\| 1.2857 \| 360 \| 0.0181 \| - \| - \|
	\| 1.3214 \| 370 \| 0.0113 \| - \| - \|
	\| 1.3571 \| 380 \| 0.0131 \| - \| - \|
	\| 1.3929 \| 390 \| 0.0097 \| - \| - \|
	\| 1.4286 \| 400 \| 0.0137 \| - \| - \|
	\| 1.4643 \| 410 \| 0.0119 \| - \| - \|
	\| 1.5 \| 420 \| 0.0092 \| - \| - \|
	\| 1.5357 \| 430 \| 0.0103 \| - \| - \|
	\| 1.5714 \| 440 \| 0.0081 \| - \| - \|
	\| 1.6071 \| 450 \| 0.009 \| - \| - \|
	\| 1.6429 \| 460 \| 0.0098 \| - \| - \|
	\| 1.6786 \| 470 \| 0.009 \| - \| - \|
	\| 1.7143 \| 480 \| 0.0098 \| - \| - \|
	\| 1.75 \| 490 \| 0.0104 \| - \| - \|
	\| 1.7857 \| 500 \| 0.0094 \| - \| - \|
	\| 1.8214 \| 510 \| 0.0088 \| - \| - \|
	\| 1.8571 \| 520 \| 0.0104 \| - \| - \|
	\| 1.8929 \| 530 \| 0.0096 \| - \| - \|
	\| 1.9286 \| 540 \| 0.0097 \| - \| - \|
	\| 1.9643 \| 550 \| 0.009 \| - \| - \|
	\| 2.0 \| 560 \| 0.01 \| 0.0109 \| 0.5177 \|
	\| 2.0357 \| 570 \| 0.0106 \| - \| - \|
	\| 2.0714 \| 580 \| 0.0106 \| - \| - \|
	\| 2.1071 \| 590 \| 0.0079 \| - \| - \|
	\| 2.1429 \| 600 \| 0.0079 \| - \| - \|
	\| 2.1786 \| 610 \| 0.0088 \| - \| - \|
	\| 2.2143 \| 620 \| 0.0088 \| - \| - \|
	\| 2.25 \| 630 \| 0.0076 \| - \| - \|
	\| 2.2857 \| 640 \| 0.0077 \| - \| - \|
	\| 2.3214 \| 650 \| 0.0057 \| - \| - \|
	\| 2.3571 \| 660 \| 0.0063 \| - \| - \|
	\| 2.3929 \| 670 \| 0.0052 \| - \| - \|
	\| 2.4286 \| 680 \| 0.0076 \| - \| - \|
	\| 2.4643 \| 690 \| 0.0063 \| - \| - \|
	\| 2.5 \| 700 \| 0.0056 \| - \| - \|
	\| 2.5357 \| 710 \| 0.007 \| - \| - \|
	\| 2.5714 \| 720 \| 0.0053 \| - \| - \|
	\| 2.6071 \| 730 \| 0.0051 \| - \| - \|
	\| 2.6429 \| 740 \| 0.0052 \| - \| - \|
	\| 2.6786 \| 750 \| 0.0055 \| - \| - \|
	\| 2.7143 \| 760 \| 0.0066 \| - \| - \|
	\| 2.75 \| 770 \| 0.0058 \| - \| - \|
	\| 2.7857 \| 780 \| 0.0055 \| - \| - \|
	\| 2.8214 \| 790 \| 0.006 \| - \| - \|
	\| 2.8571 \| 800 \| 0.0058 \| - \| - \|
	\| 2.8929 \| 810 \| 0.0054 \| - \| - \|
	\| 2.9286 \| 820 \| 0.006 \| - \| - \|
	\| 2.9643 \| 830 \| 0.0061 \| - \| - \|
	\| 3.0 \| 840 \| 0.0061 \| 0.0105 \| 0.5197 \|
	\| 3.0357 \| 850 \| 0.0063 \| - \| - \|
	\| 3.0714 \| 860 \| 0.0062 \| - \| - \|
	\| 3.1071 \| 870 \| 0.0058 \| - \| - \|
	\| 3.1429 \| 880 \| 0.0044 \| - \| - \|
	\| 3.1786 \| 890 \| 0.0061 \| - \| - \|
	\| 3.2143 \| 900 \| 0.0052 \| - \| - \|
	\| 3.25 \| 910 \| 0.0052 \| - \| - \|
	\| 3.2857 \| 920 \| 0.005 \| - \| - \|
	\| 3.3214 \| 930 \| 0.0042 \| - \| - \|
	\| 3.3571 \| 940 \| 0.0043 \| - \| - \|
	\| 3.3929 \| 950 \| 0.0046 \| - \| - \|
	\| 3.4286 \| 960 \| 0.0052 \| - \| - \|
	\| 3.4643 \| 970 \| 0.0047 \| - \| - \|
	\| 3.5 \| 980 \| 0.0042 \| - \| - \|
	\| 3.5357 \| 990 \| 0.0053 \| - \| - \|
	\| 3.5714 \| 1000 \| 0.0035 \| - \| - \|
	\| 3.6071 \| 1010 \| 0.0041 \| - \| - \|
	\| 3.6429 \| 1020 \| 0.0037 \| - \| - \|
	\| 3.6786 \| 1030 \| 0.0038 \| - \| - \|
	\| 3.7143 \| 1040 \| 0.005 \| - \| - \|
	\| 3.75 \| 1050 \| 0.004 \| - \| - \|
	\| 3.7857 \| 1060 \| 0.0039 \| - \| - \|
	\| 3.8214 \| 1070 \| 0.0038 \| - \| - \|
	\| 3.8571 \| 1080 \| 0.0042 \| - \| - \|
	\| 3.8929 \| 1090 \| 0.0048 \| - \| - \|
	\| 3.9286 \| 1100 \| 0.0046 \| - \| - \|
	\| 3.9643 \| 1110 \| 0.0051 \| - \| - \|
	\| 4.0 \| 1120 \| 0.0045 \| 0.0103 \| 0.5245 \|
	\| 4.0357 \| 1130 \| 0.0041 \| - \| - \|
	\| 4.0714 \| 1140 \| 0.0048 \| - \| - \|
	\| 4.1071 \| 1150 \| 0.0046 \| - \| - \|
	\| 4.1429 \| 1160 \| 0.0036 \| - \| - \|
	\| 4.1786 \| 1170 \| 0.0056 \| - \| - \|
	\| 4.2143 \| 1180 \| 0.0044 \| - \| - \|
	\| 4.25 \| 1190 \| 0.0046 \| - \| - \|
	\| 4.2857 \| 1200 \| 0.005 \| - \| - \|
	\| 4.3214 \| 1210 \| 0.0035 \| - \| - \|
	\| 4.3571 \| 1220 \| 0.0039 \| - \| - \|
	\| 4.3929 \| 1230 \| 0.0035 \| - \| - \|
	\| 4.4286 \| 1240 \| 0.0047 \| - \| - \|
	\| 4.4643 \| 1250 \| 0.005 \| - \| - \|
	\| 4.5 \| 1260 \| 0.0041 \| - \| - \|
	\| 4.5357 \| 1270 \| 0.0044 \| - \| - \|
	\| 4.5714 \| 1280 \| 0.0033 \| - \| - \|
	\| 4.6071 \| 1290 \| 0.0037 \| - \| - \|
	\| 4.6429 \| 1300 \| 0.0037 \| - \| - \|
	\| 4.6786 \| 1310 \| 0.0033 \| - \| - \|
	\| 4.7143 \| 1320 \| 0.0047 \| - \| - \|
	\| 4.75 \| 1330 \| 0.0032 \| - \| - \|
	\| 4.7857 \| 1340 \| 0.0039 \| - \| - \|
	\| 4.8214 \| 1350 \| 0.0041 \| - \| - \|
	\| 4.8571 \| 1360 \| 0.0038 \| - \| - \|
	\| 4.8929 \| 1370 \| 0.0045 \| - \| - \|
	\| 4.9286 \| 1380 \| 0.0044 \| - \| - \|
	\| 4.9643 \| 1390 \| 0.0044 \| - \| - \|
	\| 5.0 \| 1400 \| 0.0047 \| 0.0102 \| 0.5235 \|

	* The bold row denotes the saved checkpoint.
	</details>

	### Framework Versions
	- Python: 3.10.14
	- Sentence Transformers: 3.2.1
	- Transformers: 4.45.1
	- PyTorch: 2.4.0
	- Accelerate: 0.34.2
	- Datasets: 3.0.1
	- Tokenizers: 0.20.0

	## 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.
	-->