---
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:5749
- loss:CosineSimilarityLoss
base_model: CocoRoF/ModernBERT-SimCSE_v02
widget:
- source_sentence: 우리는 움직이는 동행 우주 정지 좌표계에 비례하여 이동하고 있습니다 ... 약 371km / s에서 별자리 leo
쪽으로. "
sentences:
- 두 마리의 독수리가 가지에 앉는다.
- 다른 물체와는 관련이 없는 '정지'는 없다.
- 소녀는 버스의 열린 문 앞에 서 있다.
- source_sentence: 숲에는 개들이 있다.
sentences:
- 양을 보는 아이들.
- 여왕의 배우자를 "왕"이라고 부르지 않는 것은 아주 좋은 이유가 있다. 왜냐하면 그들은 왕이 아니기 때문이다.
- 개들은 숲속에 혼자 있다.
- source_sentence: '첫째, 두 가지 다른 종류의 대시가 있다는 것을 알아야 합니다 : en 대시와 em 대시.'
sentences:
- 그들은 그 물건들을 집 주변에 두고 가거나 집의 정리를 해칠 의도가 없다.
- 세미콜론은 혼자 있을 수 있는 문장에 참여하는데 사용되지만, 그들의 관계를 강조하기 위해 결합됩니다.
- 그의 남동생이 지켜보는 동안 집 앞에서 트럼펫을 연주하는 금발의 아이.
- source_sentence: 한 여성이 생선 껍질을 벗기고 있다.
sentences:
- 한 남자가 수영장으로 뛰어들었다.
- 한 여성이 프라이팬에 노란 혼합물을 부어 넣고 있다.
- 두 마리의 갈색 개가 눈 속에서 서로 놀고 있다.
- source_sentence: 버스가 바쁜 길을 따라 운전한다.
sentences:
- 우리와 같은 태양계가 은하계 밖에서 존재할 수도 있을 것입니다.
- 그 여자는 데이트하러 가는 중이다.
- 녹색 버스가 도로를 따라 내려간다.
pipeline_tag: sentence-similarity
library_name: sentence-transformers
metrics:
- pearson_cosine
- spearman_cosine
- pearson_euclidean
- spearman_euclidean
- pearson_manhattan
- spearman_manhattan
- pearson_dot
- spearman_dot
- pearson_max
- spearman_max
model-index:
- name: SentenceTransformer based on CocoRoF/ModernBERT-SimCSE_v02
results:
- task:
type: semantic-similarity
name: Semantic Similarity
dataset:
name: sts dev
type: sts_dev
metrics:
- type: pearson_cosine
value: 0.8223949445074785
name: Pearson Cosine
- type: spearman_cosine
value: 0.8220107207834706
name: Spearman Cosine
- type: pearson_euclidean
value: 0.7785831525283676
name: Pearson Euclidean
- type: spearman_euclidean
value: 0.7815628643916452
name: Spearman Euclidean
- type: pearson_manhattan
value: 0.7809119630672191
name: Pearson Manhattan
- type: spearman_manhattan
value: 0.7846536514745763
name: Spearman Manhattan
- type: pearson_dot
value: 0.7543765794886113
name: Pearson Dot
- type: spearman_dot
value: 0.7434525191412167
name: Spearman Dot
- type: pearson_max
value: 0.8223949445074785
name: Pearson Max
- type: spearman_max
value: 0.8220107207834706
name: Spearman Max
---
# SentenceTransformer based on CocoRoF/ModernBERT-SimCSE_v02
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [CocoRoF/ModernBERT-SimCSE_v02](https://huggingface.co/CocoRoF/ModernBERT-SimCSE_v02). 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:** [CocoRoF/ModernBERT-SimCSE_v02](https://huggingface.co/CocoRoF/ModernBERT-SimCSE_v02)
- **Maximum Sequence Length:** 512 tokens
- **Output Dimensionality:** 768 dimensions
- **Similarity Function:** Cosine Similarity
### 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': 512, 'do_lower_case': False}) with Transformer model: ModernBertModel
(1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
(2): Dense({'in_features': 768, 'out_features': 768, 'bias': True, 'activation_function': 'torch.nn.modules.activation.Tanh'})
)
```
## 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("CocoRoF/ModernBERT-SimCSE-multitask_v03")
# Run inference
sentences = [
'버스가 바쁜 길을 따라 운전한다.',
'녹색 버스가 도로를 따라 내려간다.',
'그 여자는 데이트하러 가는 중이다.',
]
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
#### Semantic Similarity
* Dataset: `sts_dev`
* Evaluated with [EmbeddingSimilarityEvaluator](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.EmbeddingSimilarityEvaluator)
| Metric | Value |
|:-------------------|:----------|
| pearson_cosine | 0.8224 |
| spearman_cosine | 0.822 |
| pearson_euclidean | 0.7786 |
| spearman_euclidean | 0.7816 |
| pearson_manhattan | 0.7809 |
| spearman_manhattan | 0.7847 |
| pearson_dot | 0.7544 |
| spearman_dot | 0.7435 |
| pearson_max | 0.8224 |
| **spearman_max** | **0.822** |
## Training Details
### Training Dataset
#### Unnamed Dataset
* Size: 5,749 training samples
* Columns: sentence1, sentence2, and score
* Approximate statistics based on the first 1000 samples:
| | sentence1 | sentence2 | score |
|:--------|:----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:---------------------------------------------------------------|
| type | string | string | float |
| details | - min: 7 tokens
- mean: 13.52 tokens
- max: 36 tokens
| - min: 7 tokens
- mean: 13.41 tokens
- max: 32 tokens
| - min: 0.0
- mean: 0.45
- max: 1.0
|
* Samples:
| sentence1 | sentence2 | score |
|:------------------------------------|:------------------------------------------|:------------------|
| 비행기가 이륙하고 있다. | 비행기가 이륙하고 있다. | 1.0 |
| 한 남자가 큰 플루트를 연주하고 있다. | 남자가 플루트를 연주하고 있다. | 0.76 |
| 한 남자가 피자에 치즈를 뿌려놓고 있다. | 한 남자가 구운 피자에 치즈 조각을 뿌려놓고 있다. | 0.76 |
* Loss: [CosineSimilarityLoss](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#cosinesimilarityloss) with these parameters:
```json
{
"loss_fct": "torch.nn.modules.loss.MSELoss"
}
```
### Evaluation Dataset
#### Unnamed Dataset
* Size: 1,500 evaluation samples
* Columns: sentence1, sentence2, and score
* Approximate statistics based on the first 1000 samples:
| | sentence1 | sentence2 | score |
|:--------|:----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:---------------------------------------------------------------|
| type | string | string | float |
| details | - min: 7 tokens
- mean: 20.38 tokens
- max: 52 tokens
| - min: 6 tokens
- mean: 20.52 tokens
- max: 54 tokens
| - min: 0.0
- mean: 0.42
- max: 1.0
|
* Samples:
| sentence1 | sentence2 | score |
|:-------------------------------------|:------------------------------------|:------------------|
| 안전모를 가진 한 남자가 춤을 추고 있다. | 안전모를 쓴 한 남자가 춤을 추고 있다. | 1.0 |
| 어린아이가 말을 타고 있다. | 아이가 말을 타고 있다. | 0.95 |
| 한 남자가 뱀에게 쥐를 먹이고 있다. | 남자가 뱀에게 쥐를 먹이고 있다. | 1.0 |
* Loss: [CosineSimilarityLoss](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#cosinesimilarityloss) with these parameters:
```json
{
"loss_fct": "torch.nn.modules.loss.MSELoss"
}
```
### Training Hyperparameters
#### Non-Default Hyperparameters
- `overwrite_output_dir`: True
- `eval_strategy`: steps
- `per_device_train_batch_size`: 16
- `per_device_eval_batch_size`: 16
- `gradient_accumulation_steps`: 8
- `learning_rate`: 1e-05
- `num_train_epochs`: 10.0
- `warmup_ratio`: 0.1
- `push_to_hub`: True
- `hub_model_id`: CocoRoF/ModernBERT-SimCSE-multitask_v03
- `hub_strategy`: checkpoint
- `batch_sampler`: no_duplicates
#### All Hyperparameters
Click to expand
- `overwrite_output_dir`: True
- `do_predict`: False
- `eval_strategy`: steps
- `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`: 8
- `eval_accumulation_steps`: None
- `torch_empty_cache_steps`: None
- `learning_rate`: 1e-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`: 10.0
- `max_steps`: -1
- `lr_scheduler_type`: linear
- `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`: False
- `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`: True
- `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`: False
- `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
- `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`: True
- `resume_from_checkpoint`: None
- `hub_model_id`: CocoRoF/ModernBERT-SimCSE-multitask_v03
- `hub_strategy`: checkpoint
- `hub_private_repo`: None
- `hub_always_push`: False
- `gradient_checkpointing`: False
- `gradient_checkpointing_kwargs`: None
- `include_inputs_for_metrics`: False
- `include_for_metrics`: []
- `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
- `average_tokens_across_devices`: False
- `prompts`: None
- `batch_sampler`: no_duplicates
- `multi_dataset_batch_sampler`: proportional