rabit223/vi_MiniLM_v1

CrossEncoder based on cross-encoder/ms-marco-MiniLM-L6-v2

This is a Cross Encoder model finetuned from cross-encoder/ms-marco-MiniLM-L6-v2 using the sentence-transformers library. It computes scores for pairs of texts, which can be used for text reranking and semantic search.

Model Details

Model Description

• Model Type: Cross Encoder
• Base model: cross-encoder/ms-marco-MiniLM-L6-v2
• Maximum Sequence Length: 512 tokens
• Number of Output Labels: 1 label

Model Sources

• Documentation: Sentence Transformers Documentation
• Documentation: Cross Encoder Documentation
• Repository: Sentence Transformers on GitHub
• Hugging Face: Cross Encoders on Hugging Face

Usage

Direct Usage (Sentence Transformers)

First install the Sentence Transformers library:

pip install -U sentence-transformers

Then you can load this model and run inference.

from sentence_transformers import CrossEncoder

# Download from the 🤗 Hub
model = CrossEncoder("cross_encoder_model_id")
# Get scores for pairs of texts
pairs = [
    ['vì sao repository pattern đôi khi làm code khó hiểu hơn', 'Repository pattern có thể làm code khó hiểu khi nó che giấu quá nhiều đặc tính truy vấn thật sự của data store, khiến người đọc không biết đâu là thao tác đơn giản, đâu là query đắt tiền. Nếu thêm một lớp repository chỉ để bọc CRUD máy móc, bạn có thêm abstraction nhưng không thêm ý nghĩa domain. Nó hữu ích khi tạo ranh giới rõ và test tốt hơn, nhưng phản tác dụng nếu mọi logic query phức tạp lại bị nhồi vào interface quá chung chung.'],
    ['vì sao repository pattern đôi khi làm code khó hiểu hơn', 'Repository pattern làm code khó hiểu chủ yếu vì nó buộc mọi truy vấn phải chạy đồng bộ, kể cả khi database hỗ trợ async. Điều này khiến tầng data access luôn trở thành bottleneck và lập trình viên phải lần theo nhiều callback.'],
    ['vì sao repository pattern đôi khi làm code khó hiểu hơn', 'Nguyên nhân là repository luôn nhân đôi mô hình dữ liệu: một bản trong database và một bản trong bộ nhớ JVM hay Python. Vì dữ liệu bị copy hai lần, lập trình viên khó theo dõi object nào là bản chuẩn.'],
    ['vì sao repository pattern đôi khi làm code khó hiểu hơn', 'Repository thường đại diện cho tập hợp thao tác đọc ghi đối với entity hoặc aggregate. Nó giúp tách business logic khỏi chi tiết persistence như ORM hay SQL cụ thể.'],
    ['vì sao repository pattern đôi khi làm code khó hiểu hơn', 'Abstraction tốt cần cân bằng giữa che giấu chi tiết và để lộ các capability quan trọng. Nếu abstraction quá chung, người dùng khó tận dụng được đặc điểm hữu ích của công cụ bên dưới.'],
]
scores = model.predict(pairs)
print(scores.shape)
# (5,)

# Or rank different texts based on similarity to a single text
ranks = model.rank(
    'vì sao repository pattern đôi khi làm code khó hiểu hơn',
    [
        'Repository pattern có thể làm code khó hiểu khi nó che giấu quá nhiều đặc tính truy vấn thật sự của data store, khiến người đọc không biết đâu là thao tác đơn giản, đâu là query đắt tiền. Nếu thêm một lớp repository chỉ để bọc CRUD máy móc, bạn có thêm abstraction nhưng không thêm ý nghĩa domain. Nó hữu ích khi tạo ranh giới rõ và test tốt hơn, nhưng phản tác dụng nếu mọi logic query phức tạp lại bị nhồi vào interface quá chung chung.',
        'Repository pattern làm code khó hiểu chủ yếu vì nó buộc mọi truy vấn phải chạy đồng bộ, kể cả khi database hỗ trợ async. Điều này khiến tầng data access luôn trở thành bottleneck và lập trình viên phải lần theo nhiều callback.',
        'Nguyên nhân là repository luôn nhân đôi mô hình dữ liệu: một bản trong database và một bản trong bộ nhớ JVM hay Python. Vì dữ liệu bị copy hai lần, lập trình viên khó theo dõi object nào là bản chuẩn.',
        'Repository thường đại diện cho tập hợp thao tác đọc ghi đối với entity hoặc aggregate. Nó giúp tách business logic khỏi chi tiết persistence như ORM hay SQL cụ thể.',
        'Abstraction tốt cần cân bằng giữa che giấu chi tiết và để lộ các capability quan trọng. Nếu abstraction quá chung, người dùng khó tận dụng được đặc điểm hữu ích của công cụ bên dưới.',
    ]
)
# [{'corpus_id': ..., 'score': ...}, {'corpus_id': ..., 'score': ...}, ...]

Training Details

Training Dataset

Unnamed Dataset

• Size: 7,491 training samples
• Columns: query, passage, and label
• Approximate statistics based on the first 1000 samples:

  	query	passage	label
  type	string	string	float
  details	min: 40 characters mean: 61.15 characters max: 100 characters	min: 44 characters mean: 221.44 characters max: 476 characters	min: 0.0 mean: 0.2 max: 1.0

• Samples:

  query	passage	label
  tại sao Python async chạy nhiều task nhưng chương trình vẫn chậm	Async trong Python chỉ giúp ẩn thời gian chờ I/O, không tự làm nhanh các đoạn CPU-bound. Nếu task của bạn vẫn chứa xử lý nặng như parse lớn, mã hóa hoặc vòng lặp tính toán, event loop sẽ bị chiếm và các coroutine khác không được xen kẽ hợp lý. Cách xử lý thường là tách phần CPU-bound sang process pool hoặc tối ưu thuật toán, còn async chỉ nên dùng để phối hợp I/O concurrency.	1.0
  tại sao Python async chạy nhiều task nhưng chương trình vẫn chậm	Python async thường chậm khi tạo quá nhiều coroutine, vì mỗi coroutine tạo ra một thread riêng nên hệ điều hành phải chuyển ngữ cảnh liên tục. Khi giảm số coroutine, hiệu năng sẽ gần như luôn tăng vì chi phí thread scheduling biến mất.	0.0
  tại sao Python async chạy nhiều task nhưng chương trình vẫn chậm	Nguyên nhân chính là await làm task chạy tuần tự hơn so với code đồng bộ, vì mỗi lần await sẽ chờ task trước hoàn thành rồi mới chuyển sang task sau. Do đó trong đa số trường hợp, bỏ await và gọi hàm trực tiếp sẽ giúp async nhanh hơn.	0.0

• Loss: BinaryCrossEntropyLoss with these parameters:

  {
      "activation_fn": "torch.nn.modules.linear.Identity",
      "pos_weight": 4.186915874481201
  }
  

Evaluation Dataset

Unnamed Dataset

• Size: 834 evaluation samples
• Columns: query, passage, and label
• Approximate statistics based on the first 834 samples:

  	query	passage	label
  type	string	string	float
  details	min: 32 characters mean: 66.03 characters max: 110 characters	min: 18 characters mean: 203.76 characters max: 457 characters	min: 0.0 mean: 0.19 max: 1.0

• Samples:

  query	passage	label
  vì sao repository pattern đôi khi làm code khó hiểu hơn	Repository pattern có thể làm code khó hiểu khi nó che giấu quá nhiều đặc tính truy vấn thật sự của data store, khiến người đọc không biết đâu là thao tác đơn giản, đâu là query đắt tiền. Nếu thêm một lớp repository chỉ để bọc CRUD máy móc, bạn có thêm abstraction nhưng không thêm ý nghĩa domain. Nó hữu ích khi tạo ranh giới rõ và test tốt hơn, nhưng phản tác dụng nếu mọi logic query phức tạp lại bị nhồi vào interface quá chung chung.	1.0
  vì sao repository pattern đôi khi làm code khó hiểu hơn	Repository pattern làm code khó hiểu chủ yếu vì nó buộc mọi truy vấn phải chạy đồng bộ, kể cả khi database hỗ trợ async. Điều này khiến tầng data access luôn trở thành bottleneck và lập trình viên phải lần theo nhiều callback.	0.0
  vì sao repository pattern đôi khi làm code khó hiểu hơn	Nguyên nhân là repository luôn nhân đôi mô hình dữ liệu: một bản trong database và một bản trong bộ nhớ JVM hay Python. Vì dữ liệu bị copy hai lần, lập trình viên khó theo dõi object nào là bản chuẩn.	0.0

• Loss: BinaryCrossEntropyLoss with these parameters:

  {
      "activation_fn": "torch.nn.modules.linear.Identity",
      "pos_weight": 4.186915874481201
  }
  

Training Hyperparameters

Non-Default Hyperparameters

• eval_strategy: steps
• per_device_eval_batch_size: 32
• learning_rate: 1e-05
• weight_decay: 0.01
• num_train_epochs: 1
• warmup_steps: 0.1
• bf16: True
• dataloader_num_workers: 2
• remove_unused_columns: False
• load_best_model_at_end: True

All Hyperparameters

Click to expand

• do_predict: False
• eval_strategy: steps
• prediction_loss_only: True
• per_device_train_batch_size: 8
• per_device_eval_batch_size: 32
• gradient_accumulation_steps: 1
• eval_accumulation_steps: None
• torch_empty_cache_steps: None
• learning_rate: 1e-05
• weight_decay: 0.01
• adam_beta1: 0.9
• adam_beta2: 0.999
• adam_epsilon: 1e-08
• max_grad_norm: 1.0
• num_train_epochs: 1
• max_steps: -1
• lr_scheduler_type: linear
• lr_scheduler_kwargs: None
• warmup_ratio: None
• warmup_steps: 0.1
• log_level: passive
• log_level_replica: warning
• log_on_each_node: True
• logging_nan_inf_filter: True
• enable_jit_checkpoint: False
• save_on_each_node: False
• save_only_model: False
• restore_callback_states_from_checkpoint: False
• use_cpu: False
• seed: 42
• data_seed: None
• bf16: True
• fp16: False
• bf16_full_eval: False
• fp16_full_eval: False
• tf32: None
• local_rank: -1
• ddp_backend: None
• debug: []
• dataloader_drop_last: False
• dataloader_num_workers: 2
• dataloader_prefetch_factor: None
• disable_tqdm: False
• remove_unused_columns: False
• label_names: None
• load_best_model_at_end: True
• ignore_data_skip: False
• fsdp: []
• fsdp_config: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
• accelerator_config: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
• parallelism_config: None
• deepspeed: None
• label_smoothing_factor: 0.0
• optim: adamw_torch_fused
• optim_args: None
• group_by_length: False
• length_column_name: length
• project: huggingface
• trackio_space_id: trackio
• 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
• push_to_hub: False
• resume_from_checkpoint: None
• hub_model_id: None
• hub_strategy: every_save
• hub_private_repo: None
• hub_always_push: False
• hub_revision: None
• gradient_checkpointing: False
• gradient_checkpointing_kwargs: None
• include_for_metrics: []
• eval_do_concat_batches: True
• auto_find_batch_size: False
• full_determinism: False
• ddp_timeout: 1800
• torch_compile: False
• torch_compile_backend: None
• torch_compile_mode: None
• include_num_input_tokens_seen: no
• neftune_noise_alpha: None
• optim_target_modules: None
• batch_eval_metrics: False
• eval_on_start: False
• use_liger_kernel: False
• liger_kernel_config: None
• eval_use_gather_object: False
• average_tokens_across_devices: True
• use_cache: False
• prompts: None
• batch_sampler: batch_sampler
• multi_dataset_batch_sampler: proportional
• router_mapping: {}
• learning_rate_mapping: {}

Training Logs

Epoch	Step	Training Loss	Validation Loss
0.0011	1	1.9171	-
0.0534	50	1.5105	-
0.1067	100	1.2100	-
0.1601	150	0.7601	-
0.2134	200	0.4333	0.3964
0.2668	250	0.4411	-
0.3202	300	0.3237	-
0.3735	350	0.3547	-
0.4269	400	0.4869	0.2572
0.4803	450	0.4513	-
0.5336	500	0.6128	-
0.5870	550	0.6998	-
0.6403	600	0.2516	0.1479
0.6937	650	0.6151	-
0.7471	700	0.1841	-
0.8004	750	0.0197	-
0.8538	800	0.2113	0.1038
0.9072	850	0.2645	-
0.9605	900	0.2026	-
1.0	937	-	0.1042

• The bold row denotes the saved checkpoint.

Framework Versions

• Python: 3.12.13
• Sentence Transformers: 5.3.0
• Transformers: 5.0.0
• PyTorch: 2.10.0+cu128
• Accelerate: 1.13.0
• Datasets: 4.8.4
• Tokenizers: 0.22.2

Citation

BibTeX

Sentence Transformers

@inproceedings{reimers-2019-sentence-bert,
    title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",
    author = "Reimers, Nils and Gurevych, Iryna",
    booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing",
    month = "11",
    year = "2019",
    publisher = "Association for Computational Linguistics",
    url = "https://arxiv.org/abs/1908.10084",
}