SentenceTransformer based on FacebookAI/xlm-roberta-base

This is a sentence-transformers model finetuned from FacebookAI/xlm-roberta-base. It maps inputs to a 768-dimensional dense vector space and can be used for semantic textual similarity, semantic search, paraphrase mining, classification, clustering, and more.

Model Details

Model Description

• Model Type: Sentence Transformer
• Base model: FacebookAI/xlm-roberta-base
• Maximum Sequence Length: 512 tokens
• Output Dimensionality: 768 dimensions
• Similarity Function: Cosine Similarity
• Supported Modality: Text

Model Sources

• Documentation: Sentence Transformers Documentation
• Repository: Sentence Transformers on GitHub
• Hugging Face: Sentence Transformers on Hugging Face

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'transformer_task': 'feature-extraction', 'modality_config': {'text': {'method': 'forward', 'method_output_name': 'last_hidden_state'}}, 'module_output_name': 'token_embeddings', 'architecture': 'XLMRobertaModel'})
  (1): Pooling({'embedding_dimension': 768, 'pooling_mode': 'mean', 'include_prompt': True})
)

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 SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("khinswezinhan/pagoda-semantic-search-xlm-roberta")
# Run inference
sentences = [
    'ညောင်ဦးမြို့ ဘုရား',
    'ရွှေစည်းခုံစေတီတော် မန္တလေးတိုင်းဒေသကြီး ညောင်ဦးမြို့ ပုဂံမင်းဆက် (၅၅) ဆက်ရှိသည့်အနက် (၄၂) ဆက်မြောက် အနော်ရထာ မင်းတရားကြီးက ရွှေစည်းခုံစေတီတော်ကို ကောဇာသက္ကရာဇ် (၄၂၁) ခုနှစ်၊ တပိုတွဲလဆန်း (၁၀)ရက် (၁၄-၁-၁၀၆၀) နေ့တွင်တည်ထား ကိုးကွယ်ခဲ့ပါသည်။ ပုဂံဒေသတွင် အနော်ရထာ မင်းတရားကြီးက ဘုရား၊ စေတီ (၁၅)ဆူ တည်ထားခဲ့ရာ ရွှေစည်းခုံ စေတီတော်သည် နောက်ဆုံးတည်ထားခဲ့သောစေတီ ဖြစ်သည်။နောင်အနှစ်(၃၀)အကြာတွင် ကျန်စစ်သားမင်းကြီးက မူလစေတီကို ငုံ၍ ထပ်မံတည် ခဲ့ပါသဖြင့် နှစ်ထပ်စေတီဖြစ်ပါသည်။',
    'ဆူးပုတ်ကုန်း (ခေါ်)ပေါ်တော်မူစေတီ(သရေခေတ္တရာမြိုဟောင်းဇုန်ရှိဘုရား) ပဲခူးတိုင်းဒေသကြီး ပြည်မြို့နယ် (ရည်ညွှန်းစာ : ရှေးဟောင်းသုတေသနနှင့်အမျိုးသားပြတိုက်ဦးစီးဌာနမှ ပေးပို့ထားသောမှတ်တမ်းမှ ကူးယူဖော်ပြထားပါသည်။) သရေခေတ္တရာမြို့ဟောင်း၏တောင်ဘက်၊ သောင်းပြည့်ကုန်း၏ မြောက်ဘက်တွင် တည်ရှိ သည်။ ၄င်းစေတီသည် ဉာဏ်တော်အမြင့် (၁၂)ပေခန့်ရှိ၍ ပန်းတင်ခုံ၊ ခေါင်းလောင်း၊ ဖေါင်းရစ်၊ ကြာမှောက်ကြာလန်၊ ခရေသီးတို့ဖြင့် အနုစိတ်မွမ်းမံ တည်ဆောက်ထားသည်။ စေတီမှာ သေးငယ် သော်လည်း ပျူတို့၏စိတ်ကူးစိတ်သန်း တန်ဆာဆင်မှုကို ဤစေတီ၌ လေ့လာနိုင်ပေသည်။',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 768]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities)
# tensor([[1.0000, 0.4441, 0.0100],
#         [0.4441, 1.0000, 0.0306],
#         [0.0100, 0.0306, 1.0000]])

Training Details

Training Dataset

Unnamed Dataset

• Size: 312 training samples
• Columns: anchor and positive
• Approximate statistics based on the first 100 samples:

  	anchor	positive
  type	string	string
  modality	text	text
  details	min: 4 tokensmean: 16.49 tokensmax: 46 tokens	min: 187 tokensmean: 425.12 tokensmax: 512 tokens

• Samples:

  anchor	positive
  ရွှေမော်ဓောစေတီတော်	ရွှေမော်ဓောစေတီတော် ပဲခူးတိုင်းဒေသကြီး ပဲခူး ရွှေမော်ဓေါဘုရားကြီ:ကို ပဲခူးမြို့၏အပြင်ဘက် (၆) မိုင်ခန့်အကွာမှစ၍ ထင်ရှားစွာဖူးမြှော်တွေ့ရှိနိုင်သည်။ ဘုရားရှင် သက်တော်ထင်ရှားရှိစဉ်အချိန်တွင် မဟာသာလ၊ စူဠာသာလ ကုန်သည်ညီနောင်(၂) ဦးအား ဆံတော်(၂)ဆူပေးအပ်ခဲ့သည်။ ထိုကုန်သည်ညီနောင်(၂) ဦးတို့သည် ဆံတော်(၂)ဆူအား ပင့်ခဲ့ပြီးနောက် ပဲခူး သုဒဿန တောင်ထိပ်တွင် (၇၅) ပေမြင့်သော စေတီကိုတည်၍ ဆံတော်(၂)ဆူ ဌာပနာခဲ့သည်။ အေဒီ(၈၂၅-၈၄၀) သမလဘုရင် လက်ထက်တွင် စေတီတော်အမြင့်ကို (၈၁) ပေနှင့် ဝိမလဘုရင် လက်ထက်တွင် (၈၈)ပေ အသီးသီးပြန်တည်ခဲ့သည်။ ၁၉၁၇ ခုနှစ်တွင် ငလျင်ဒဏ်ကြောင့် ဘုရားကြီး၏ ငှက်ပျောဖူးမှာ မြေခခဲ့ရသည်ကို ဘုရား၏ အရှေ့မြောက်ထောင့် အရပ်တွင် ယနေ့တိုင်တွေ့မြင်ရပါသည်။ ၁၉၂၀ ခုနှစ်မှ စ၍ ယနေ့အထိ ဘုရားကြီးအား ဘက်စုံမွမ်းမံမှုများကိုပြုလုပ်ခဲ့ပါသည်။
  ပဲခူး ရွှေမော်ဓောစေတီတော်	ရွှေမော်ဓောစေတီတော် ပဲခူးတိုင်းဒေသကြီး ပဲခူး ရွှေမော်ဓေါဘုရားကြီ:ကို ပဲခူးမြို့၏အပြင်ဘက် (၆) မိုင်ခန့်အကွာမှစ၍ ထင်ရှားစွာဖူးမြှော်တွေ့ရှိနိုင်သည်။ ဘုရားရှင် သက်တော်ထင်ရှားရှိစဉ်အချိန်တွင် မဟာသာလ၊ စူဠာသာလ ကုန်သည်ညီနောင်(၂) ဦးအား ဆံတော်(၂)ဆူပေးအပ်ခဲ့သည်။ ထိုကုန်သည်ညီနောင်(၂) ဦးတို့သည် ဆံတော်(၂)ဆူအား ပင့်ခဲ့ပြီးနောက် ပဲခူး သုဒဿန တောင်ထိပ်တွင် (၇၅) ပေမြင့်သော စေတီကိုတည်၍ ဆံတော်(၂)ဆူ ဌာပနာခဲ့သည်။ အေဒီ(၈၂၅-၈၄၀) သမလဘုရင် လက်ထက်တွင် စေတီတော်အမြင့်ကို (၈၁) ပေနှင့် ဝိမလဘုရင် လက်ထက်တွင် (၈၈)ပေ အသီးသီးပြန်တည်ခဲ့သည်။ ၁၉၁၇ ခုနှစ်တွင် ငလျင်ဒဏ်ကြောင့် ဘုရားကြီး၏ ငှက်ပျောဖူးမှာ မြေခခဲ့ရသည်ကို ဘုရား၏ အရှေ့မြောက်ထောင့် အရပ်တွင် ယနေ့တိုင်တွေ့မြင်ရပါသည်။ ၁၉၂၀ ခုနှစ်မှ စ၍ ယနေ့အထိ ဘုရားကြီးအား ဘက်စုံမွမ်းမံမှုများကိုပြုလုပ်ခဲ့ပါသည်။
  ပဲခူးတိုင်းဒေသကြီး ရွှေမော်ဓောစေတီတော်	ရွှေမော်ဓောစေတီတော် ပဲခူးတိုင်းဒေသကြီး ပဲခူး ရွှေမော်ဓေါဘုရားကြီ:ကို ပဲခူးမြို့၏အပြင်ဘက် (၆) မိုင်ခန့်အကွာမှစ၍ ထင်ရှားစွာဖူးမြှော်တွေ့ရှိနိုင်သည်။ ဘုရားရှင် သက်တော်ထင်ရှားရှိစဉ်အချိန်တွင် မဟာသာလ၊ စူဠာသာလ ကုန်သည်ညီနောင်(၂) ဦးအား ဆံတော်(၂)ဆူပေးအပ်ခဲ့သည်။ ထိုကုန်သည်ညီနောင်(၂) ဦးတို့သည် ဆံတော်(၂)ဆူအား ပင့်ခဲ့ပြီးနောက် ပဲခူး သုဒဿန တောင်ထိပ်တွင် (၇၅) ပေမြင့်သော စေတီကိုတည်၍ ဆံတော်(၂)ဆူ ဌာပနာခဲ့သည်။ အေဒီ(၈၂၅-၈၄၀) သမလဘုရင် လက်ထက်တွင် စေတီတော်အမြင့်ကို (၈၁) ပေနှင့် ဝိမလဘုရင် လက်ထက်တွင် (၈၈)ပေ အသီးသီးပြန်တည်ခဲ့သည်။ ၁၉၁၇ ခုနှစ်တွင် ငလျင်ဒဏ်ကြောင့် ဘုရားကြီး၏ ငှက်ပျောဖူးမှာ မြေခခဲ့ရသည်ကို ဘုရား၏ အရှေ့မြောက်ထောင့် အရပ်တွင် ယနေ့တိုင်တွေ့မြင်ရပါသည်။ ၁၉၂၀ ခုနှစ်မှ စ၍ ယနေ့အထိ ဘုရားကြီးအား ဘက်စုံမွမ်းမံမှုများကိုပြုလုပ်ခဲ့ပါသည်။

• Loss: MultipleNegativesRankingLoss with these parameters:

  {
      "scale": 20.0,
      "similarity_fct": "cos_sim",
      "gather_across_devices": false,
      "directions": [
          "query_to_doc"
      ],
      "partition_mode": "joint",
      "hardness_mode": null,
      "hardness_strength": 0.0
  }
  

Training Hyperparameters

Non-Default Hyperparameters

• per_device_train_batch_size: 2
• num_train_epochs: 5
• learning_rate: 2e-05
• weight_decay: 0.01
• fp16: True

All Hyperparameters

• per_device_train_batch_size: 2
• num_train_epochs: 5
• max_steps: -1
• learning_rate: 2e-05
• lr_scheduler_type: linear
• lr_scheduler_kwargs: None
• warmup_steps: 0
• optim: adamw_torch
• optim_args: None
• weight_decay: 0.01
• adam_beta1: 0.9
• adam_beta2: 0.999
• adam_epsilon: 1e-08
• optim_target_modules: None
• gradient_accumulation_steps: 1
• average_tokens_across_devices: True
• max_grad_norm: 1.0
• label_smoothing_factor: 0.0
• bf16: False
• fp16: True
• bf16_full_eval: False
• fp16_full_eval: False
• tf32: None
• gradient_checkpointing: False
• gradient_checkpointing_kwargs: None
• torch_compile: False
• torch_compile_backend: None
• torch_compile_mode: None
• use_liger_kernel: False
• liger_kernel_config: None
• use_cache: False
• neftune_noise_alpha: None
• torch_empty_cache_steps: None
• auto_find_batch_size: False
• log_on_each_node: True
• logging_nan_inf_filter: True
• include_num_input_tokens_seen: no
• log_level: passive
• log_level_replica: warning
• disable_tqdm: False
• project: huggingface
• trackio_space_id: None
• trackio_bucket_id: None
• trackio_static_space_id: None
• per_device_eval_batch_size: 8
• prediction_loss_only: True
• eval_on_start: False
• eval_do_concat_batches: True
• eval_use_gather_object: False
• eval_accumulation_steps: None
• include_for_metrics: []
• batch_eval_metrics: False
• save_only_model: False
• save_on_each_node: False
• enable_jit_checkpoint: False
• push_to_hub: False
• hub_private_repo: None
• hub_model_id: None
• hub_strategy: every_save
• hub_always_push: False
• hub_revision: None
• load_best_model_at_end: False
• ignore_data_skip: False
• restore_callback_states_from_checkpoint: False
• full_determinism: False
• seed: 42
• data_seed: None
• use_cpu: 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
• dataloader_drop_last: False
• dataloader_num_workers: 0
• dataloader_pin_memory: True
• dataloader_persistent_workers: False
• dataloader_prefetch_factor: None
• dataloader_multiprocessing_context: None
• dataloader_in_order: True
• remove_unused_columns: True
• label_names: None
• train_sampling_strategy: random
• length_column_name: length
• ddp_find_unused_parameters: None
• ddp_bucket_cap_mb: None
• ddp_broadcast_buffers: False
• ddp_static_graph: None
• ddp_backend: None
• ddp_timeout: 1800
• fsdp: None
• fsdp_config: None
• deepspeed: None
• debug: []
• skip_memory_metrics: True
• do_predict: False
• resume_from_checkpoint: None
• local_rank: -1
• prompts: None
• batch_sampler: batch_sampler
• multi_dataset_batch_sampler: proportional
• router_mapping: {}
• learning_rate_mapping: {}
• warmup_ratio: None

Training Logs

Training Time

• Training: 4.7 minutes

Framework Versions

• Python: 3.13.15
• Sentence Transformers: 6.0.0
• Transformers: 5.15.0
• PyTorch: 2.7.1+cu118
• Accelerate: 1.14.0
• Datasets: 5.0.1
• Tokenizers: 0.22.2

Additional Resources

• Training and Finetuning Embedding Models with Sentence Transformers: the end-to-end guide for training or finetuning Sentence Transformer models.
• Introduction to Matryoshka Embedding Models: variable-size embeddings that can be truncated with minimal quality loss.
• Binary and Scalar Embedding Quantization for Significantly Faster & Cheaper Retrieval: post-training compression of embedding vectors.
• Multimodal Embedding & Reranker Models with Sentence Transformers: use text, image, audio, and video models through the same API.
• Training and Finetuning Multimodal Embedding & Reranker Models with Sentence Transformers: train multimodal embedding models, with a Visual Document Retrieval walkthrough.

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",
}

MultipleNegativesRankingLoss

@misc{oord2019representationlearningcontrastivepredictive,
      title={Representation Learning with Contrastive Predictive Coding},
      author={Aaron van den Oord and Yazhe Li and Oriol Vinyals},
      year={2019},
      eprint={1807.03748},
      archivePrefix={arXiv},
      primaryClass={cs.LG},
      url={https://arxiv.org/abs/1807.03748},
}