SentenceTransformer based on google/embeddinggemma-300m

This is a sentence-transformers model finetuned from google/embeddinggemma-300m. 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: google/embeddinggemma-300m
• Maximum Sequence Length: 2048 tokens
• Output Dimensionality: 768 dimensions
• Similarity Function: Cosine Similarity

Model Sources

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

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 2048, 'do_lower_case': False, 'architecture': 'Gemma3TextModel'})
  (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': 3072, 'bias': False, 'activation_function': 'torch.nn.modules.linear.Identity'})
  (3): Dense({'in_features': 3072, 'out_features': 768, 'bias': False, 'activation_function': 'torch.nn.modules.linear.Identity'})
  (4): Normalize()
)

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("sentence_transformers_model_id")
# Run inference
queries = [
    "Como acessar Balc\u00e3o Virtual da 10\u00aa Vara do Trabalho de Macei\u00f3?",
]
documents = [
    'instrução - ões e whatsApp) ou através do Balcão Virtual da 10ª Vara do Trabalho de Maceió: http://meet.google.com/wnv-hwiq-ukg.',
    '# Arquivamento - Pendências - Depósitos - CERTIDÃO Certifico, para os devidos fins, que, após consulta nos sistemas da Caixa Econômica Federal e do Banco do Brasil, verificamos que inexistem contas judiciais e depósitos recursais com valores disponíveis e não sacados vinculados ao presente processo, nos termos do Art. 3º do Ato Conjunto TRT 19ª GP/CR n.º 142, de 18 de dezembro de 2019. Certifico, ainda, que não havendo outras pendências, encaminharemos os presentes autos ao arquivo definitivo, conforme determinação constante na r. Sentença de #. O referido é verdade. Dou fé',
    'manter aud presencial 2 - DESPACHO 1. Indefiro os requerimentos das partes de id d49177c e 163eb88, mantendo a audiência do dia 30/03/2022 de forma presencial, tendo em vista que ficou determinado na ata de audiência de id b400a8e, que a próxima audiência seria realizada de forma presencial, a fim de garantir a integridade dos depoimentos, sem nenhuma interferência externa, bem como em observância ao art. 4º do ATO CONJUNTO GP/CR TRT 19 Nº 03, de 31/01/2022 e art. 4º do ATO CONJUNTO GP/CR TRT 19 Nº 05, de 03/03/2022, que priorizam a realização de audiência de modo presencial. 2. Intimem-se as partes.',
]
query_embeddings = model.encode_query(queries)
document_embeddings = model.encode_document(documents)
print(query_embeddings.shape, document_embeddings.shape)
# [1, 768] [3, 768]

# Get the similarity scores for the embeddings
similarities = model.similarity(query_embeddings, document_embeddings)
print(similarities)
# tensor([[ 0.8435, -0.0875, -0.2443]])

Training Details

Training Dataset

Unnamed Dataset

• Size: 1,000 training samples
• Columns: anchor, positive, and negative
• Approximate statistics based on the first 1000 samples:

  	anchor	positive	negative
  type	string	string	string
  details	min: 9 tokensmean: 17.08 tokensmax: 40 tokens	min: 22 tokensmean: 251.51 tokensmax: 674 tokens	min: 22 tokensmean: 251.71 tokensmax: 674 tokens

• Samples:

  anchor	positive	negative
  Modelo de sentença em embargos à execução trabalhista.	EEX - Aline - 10ª VARA DO TRABALHO DE MACEIÓ PROCESSO Nº #{processo.numero} Exequente: #{processo.partes.poloAtivo.tipoENomes} Executada: #{processo.partes.poloPassivo.tipoENomes}. SENTENÇA EM EMBARGOS À EXECUÇÃO A sentença exequenda é líquida (IDs. ). Porém, houve modificação parcial no acórdão exequendo (ID. ) que, assim, causou alteração ilíquida no julgado na fase de conhecimento, com liquidação parcial apenas após o trânsito em julgado (ID. ). A matéria ilíquida é restrita à “evolução salarial do autor”, à dedução de eventuais valores já pagos a idêntico título, bem assim à “atualização da dívida trabalhista” (ID. ). Em xx/x/2021, #{processo.partes.poloPassivo.tipoENomes} opôs embargos à execução , alegando, em síntese, excesso de execução (ID. ). O exequente apresentou defesa (ID. ). O Setor de Cálculos prestou esclarecimentos (ID. ). Na data de hoje, os autos vieram conclusos a este magistrado. É o relatório. PRELIMINARMENTE GARANTIA DO JUÍZO Suscita o embargado, exequente, a pr...	DESP AUD HÍBRIDA SE MANIFEST - DESPACHO Diante do requerimento do reclamante de ID , requerendo que a audiência seja realizada de forma híbrida, com o depoimento das testemunhas colhido de forma presencial, intime-se a reclamada para se manifestar no prazo de 5 dias, considerando seu silêncio como concordância com a realização da audiência de forma híbrida. Após o prazo acima, venham os autos conclusos para deliberação.
  Modelo de sentença líquida e coisa julgada em embargos à execução.	EEX - Aline - contribuições previdenciárias (ID. xxxxxxxxxxx- Pág. 4). Logo, o momento processual adequado para que a parte demandada pudesse rediscutir os cálculos que embasaram a sentença líquida correspondeu à oportunidade de interposição do recurso ordinário. Na espécie, a então reclamada não interpôs recurso ordinário (ID. xxxxxx - Pág. 1). Portanto, a rediscussão dos cálculos que embasaram a sentença de conhecimento esbarra no óbice da coisa julgada. Nesse sentido, a jurisprudência, consoante ilustra a ementa a seguir transcrita: “ SENTENÇA DE CONHECIMENTO LÍQUIDA. OPORTUNIDADE PARA DISCUTIR OS CÁLCULOS - Sendo líquida a sentença de conhecimento, a oportunidade para discutir os cálculos que a integram é o momento do Recurso Ordinário. Na execução, as partes não podem reabrir discussão sobre o acerto da conta que integrou a decisão exeqüenda.” (Proc. 0060600-19.2009.5.05.0612AP, AC. Nº 040153/2010, Relatora Desembargadora GRAÇA LARANJEIRA, 1ª TURMA, DJ 01/12/2010) Em decorrência, ...	# Embargos de Terceiro_Citação - DESPACHO 1. Vistos etc… 2. Os presentes embargos de terceiro têm como referência o processo de número XXXXXXX-XX.20XX.5.19.0010. 3. Citem-se os embargados para, querendo, contestar os embargos de terceiro opostos no prazo de (15) quinze dias (art. 679 do CPC), atribuindo-se, ao presente despacho, força de mandado para tal finalidade, iniciando-se o prazo a partir de sua publicação no DEJT. 4. Ressalte-se que a citação somente será pessoal, se o embargado não tiver procurador constituído nos autos da ação principal (art. 677, § 3º, da CLT). 5. Logo após, venham os autos conclusos para apreciação do pedido de tutela de urgência. 6. Cumpra-se.
  Impugnação aos cálculos de execução sem fundamentação específica.	EEX - Aline - ve ser genérica. Ao contrário, há de ser “ fundamentada com a indicação dos itens e valores objeto da discordância, sob pena de preclusão ” (destaquei). Na mesma trilha, dispõem os §§4º e 5º do art. 525 do CPC/2015: “ § 4º Quando o executado alegar que o exequente, em excesso de execução, pleiteia quantia superior à resultante da sentença , cumprir-lhe-á declarar de imediato o valor que entende correto, apresentando demonstrativo discriminado e atualizado de seu cálculo . § 5º Na hipótese do §4º, não apontado o valor correto ou não apresentado o demonstrativo, a impugnação será liminarmente rejeitada , se o excesso de execução for o seu único fundamento (...)” (sem destaque no original) Necessário, portanto, não só especificar todos os pontos de divergência, mas também trazer aos autos os cálculos e valores específicos que se pretendem devidos, a fim de tornar a contrariedade direta, precisa e o mais evidente possível, de modo a possibilitar a análise do argumento. Na esp...	# Laudo Pericial _ Prazo Vencido - Perito - Despacho PJe-JT 1. Vistos etc. 2. Notifique-se o(a) perito(a) judicial para que apresente o laudo pericial, no prazo impreterível de cinco dias, sob pena de destituição. 3. Apresentado o laudo, notifiquem-se as partes para se manifestarem a respeito, no prazo de dez dias, sob pena de preclusão. 4. Em caso de impugnação, deverá o(a) perito(a) judicial apresentar os esclarecimentos necessários no prazo de cinco dias. 5. Após, aguarde-se a audiência designada.

• Loss: MultipleNegativesRankingLoss with these parameters:

  {
      "scale": 20.0,
      "similarity_fct": "cos_sim",
      "gather_across_devices": false
  }
  

Training Hyperparameters

Non-Default Hyperparameters

• learning_rate: 2e-05
• warmup_ratio: 0.1
• fp16: True
• prompts: task: sentence similarity | query:

All Hyperparameters

• overwrite_output_dir: False
• do_predict: False
• eval_strategy: no
• prediction_loss_only: True
• per_device_train_batch_size: 8
• per_device_eval_batch_size: 8
• per_gpu_train_batch_size: None
• per_gpu_eval_batch_size: None
• gradient_accumulation_steps: 1
• 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: 3
• 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
• 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: 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}
• parallelism_config: 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
• 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
• use_legacy_prediction_loop: False
• 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_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
• include_tokens_per_second: False
• 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
• prompts: task: sentence similarity | query:
• batch_sampler: batch_sampler
• multi_dataset_batch_sampler: proportional
• router_mapping: {}
• learning_rate_mapping: {}

Training Logs

Framework Versions

• Python: 3.11.9
• Sentence Transformers: 5.1.2
• Transformers: 4.57.1
• PyTorch: 2.9.1+cu126
• Accelerate: 1.12.0
• Datasets: 4.4.1
• Tokenizers: 0.22.1

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{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}
}