--- language: - en license: apache-2.0 library_name: sentence-transformers tags: - sentence-transformers - sentence-similarity - feature-extraction - generated_from_trainer - dataset_size:2720 - loss:MatryoshkaLoss - loss:MultipleNegativesRankingLoss base_model: keepitreal/vietnamese-sbert datasets: [] 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 widget: - source_sentence: 'Tại Bộ phận Một cửa: Bố trí khu vực cung cấp thông tin, thủ tục hành chính; khu vực tiếp nhận và trả kết quả được chia thành từng quầy tương ứng với từng lĩnh vực khác nhau; bố trí đủ ghế ngồi chờ, bàn để viết, máy tính có kết nối mạng dành cho tổ chức, cá nhân đến giao dịch, thực hiện dịch vụ công trực tuyến; lắp đặt camera theo dõi toàn bộ khu vực làm việc của Bộ phận Một cửa có kết nối với cơ quan nhà nước cấp trên và trong toàn hệ thống; bố trí khu vực đặt các trang thiết bị: máy lấy số xếp hàng tự động kết nối tới Hệ thống thông tin một cửa điện tử; các màn hình cảm ứng phục vụ tổ chức, cá nhân tra cứu thông tin, thủ tục hành chính, tra cứu kết quả giải quyết thủ tục hành chính; bố trí khu vực cung cấp dịch vụ quy định tại điểm g Khoản 1 Điều 8 Nghị định này.' sentences: - Bộ phận một cửa của UBND xã phải được bố trí những trang thiết bị nào? - Tổ chức thẩm định kết quả pháp điển hệ thống quy phạm pháp luật tại Bộ Tư pháp được quy định như thế nào? - Có được đọc, sử dụng thánh kinh trong trại giam không? - source_sentence: "Cơ sở sản xuất được rút tên khỏi Danh sách cơ sở sản xuất có thuốc\ \ vi phạm chất lượng khi đáp ứng đầy đủ các quy định sau đây: \na) Cơ sở nhập\ \ khẩu thực hiện đầy đủ việc kiểm nghiệm thuốc trước khi đưa ra lưu hành theo\ \ thời hạn quy định tại Khoản 1 Điều này; \nb) Cơ sở sản xuất hoặc cơ sở đăng\ \ ký thuốc có báo cáo theo quy định tại Mẫu số 07 Phụ lục III ban hành kèm theo\ \ Thông tư này, kèm theo bằng chứng thực hiện việc kiểm nghiệm toàn bộ các lô\ \ thuốc nhập khẩu vào Việt Nam trong thời hạn thực hiện quy định tại Khoản 1 Điều\ \ này; \nc) Cơ sở sản xuất không có vi phạm chất lượng thuốc (kể cả thu hồi thuốc\ \ theo hình thức tự nguyện vì lý do chất lượng) trong thời hạn thực hiện quy định\ \ tại Khoản 1 Điều này." sentences: - Đi du học 2 năm có bị xóa tên trong sổ đăng ký tạm trú không? - Điều kiện để cơ sở sản xuất được rút tên khỏi Danh sách cơ sở sản xuất có thuốc vi phạm chất lượng được quy định như thế nào? - Thế nào là kinh doanh vận tải khách du lịch bằng xe ô tô? - source_sentence: '"k) Cơ sở đã được cấp một trong các Giấy chứng nhận: ... Hệ thống quản lý an toàn thực phẩm ISO 22000, ... hoặc tương đương còn hiệu lực."' sentences: - Thế nào là phương thức khớp lệnh tập trung? - Đã có giấy chứng nhận ISO có phải xin giấy chứng nhận cơ sở đủ điều kiện an toàn thực phẩm không? - Hợp đồng tặng cho bất động sản có hiệu lực từ khi nào? - source_sentence: 'Hồ sơ nhập khẩu thức ăn chăn nuôi để giới thiệu tại hội chợ, triển lãm bao gồm: a) Đơn đề nghị nhập khẩu thức ăn chăn nuôi để giới thiệu tại hội chợ, triển lãm theo Mẫu số 07.TACN Phụ lục I ban hành kèm theo Nghị định này; b) Văn bản chứng minh về việc tổ chức, tham gia hội chợ, triển lãm tại Việt Nam.' sentences: - Quy định về hồ sơ nhập khẩu thức ăn chăn nuôi để giới thiệu tại hội chợ, triển lãm - Mức phạt người điều khiển ô tô sử dụng tem kiểm định an toàn kỹ thuật và BVMT không do cơ quan có thẩm quyền cấp - Xác định mục tiêu, thời hạn của chương trình quản lý tổng hợp tài nguyên vùng bờ được quy định như thế nào? - source_sentence: Trường hợp bảo đảm bằng quyền sử dụng đất, tài sản gắn liền với đất thì hợp đồng thế chấp vẫn còn hiệu lực, biện pháp thế chấp vẫn còn hiệu lực đối kháng với người thứ ba khi tài sản gắn liền với đất hoặc quyền sử dụng đất không phải là tài sản bảo đảm được mua bán, được chuyển nhượng, được chuyển giao khác về quyền sở hữu hoặc được dùng để bảo đảm thực hiện nghĩa vụ. Hiệu lực của hợp đồng bảo đảm, hiệu lực đối kháng của biện pháp bảo đảm bằng tài sản được tạo lập từ quyền bề mặt, quyền hưởng dụng với người thứ ba không thay đổi hoặc không chấm dứt trong trường hợp quyền sử dụng đất có quyền bề mặt, tài sản là đối tượng của quyền hưởng dụng được mua bán, được chuyển nhượng, được chuyển giao khác về quyền sở hữu hoặc được dùng để bảo đảm thực hiện nghĩa vụ. sentences: - Thời hạn hủy bỏ quyết định tạm đình chỉ liên quan đến tham nhũng được quy định như thế nào? - Bảo đảm bằng quyền sử dụng đất, tài sản gắn liền với đất và tài sản được tạo lập từ quyền bề mặt, quyền hưởng dụng được quy định như thế nào? - Phòng Kinh tế thuộc UBND huyện được giao quản lý về thú y có được thu phí, lệ phí thú y không? pipeline_tag: sentence-similarity model-index: - name: Legal vietnamese-sbert results: - task: type: information-retrieval name: Information Retrieval dataset: name: dim 768 type: dim_768 metrics: - type: cosine_accuracy@1 value: 0.6105610561056105 name: Cosine Accuracy@1 - type: cosine_accuracy@3 value: 0.7557755775577558 name: Cosine Accuracy@3 - type: cosine_accuracy@5 value: 0.7887788778877888 name: Cosine Accuracy@5 - type: cosine_accuracy@10 value: 0.834983498349835 name: Cosine Accuracy@10 - type: cosine_precision@1 value: 0.6105610561056105 name: Cosine Precision@1 - type: cosine_precision@3 value: 0.2519251925192519 name: Cosine Precision@3 - type: cosine_precision@5 value: 0.15775577557755774 name: Cosine Precision@5 - type: cosine_precision@10 value: 0.08349834983498348 name: Cosine Precision@10 - type: cosine_recall@1 value: 0.6105610561056105 name: Cosine Recall@1 - type: cosine_recall@3 value: 0.7557755775577558 name: Cosine Recall@3 - type: cosine_recall@5 value: 0.7887788778877888 name: Cosine Recall@5 - type: cosine_recall@10 value: 0.834983498349835 name: Cosine Recall@10 - type: cosine_ndcg@10 value: 0.7257394196122352 name: Cosine Ndcg@10 - type: cosine_mrr@10 value: 0.6905364345958406 name: Cosine Mrr@10 - type: cosine_map@100 value: 0.6948809217615789 name: Cosine Map@100 - task: type: information-retrieval name: Information Retrieval dataset: name: dim 512 type: dim_512 metrics: - type: cosine_accuracy@1 value: 0.6072607260726073 name: Cosine Accuracy@1 - type: cosine_accuracy@3 value: 0.7524752475247525 name: Cosine Accuracy@3 - type: cosine_accuracy@5 value: 0.7854785478547854 name: Cosine Accuracy@5 - type: cosine_accuracy@10 value: 0.8283828382838284 name: Cosine Accuracy@10 - type: cosine_precision@1 value: 0.6072607260726073 name: Cosine Precision@1 - type: cosine_precision@3 value: 0.25082508250825075 name: Cosine Precision@3 - type: cosine_precision@5 value: 0.15709570957095706 name: Cosine Precision@5 - type: cosine_precision@10 value: 0.08283828382838283 name: Cosine Precision@10 - type: cosine_recall@1 value: 0.6072607260726073 name: Cosine Recall@1 - type: cosine_recall@3 value: 0.7524752475247525 name: Cosine Recall@3 - type: cosine_recall@5 value: 0.7854785478547854 name: Cosine Recall@5 - type: cosine_recall@10 value: 0.8283828382838284 name: Cosine Recall@10 - type: cosine_ndcg@10 value: 0.72090653484064 name: Cosine Ndcg@10 - type: cosine_mrr@10 value: 0.6861739745403111 name: Cosine Mrr@10 - type: cosine_map@100 value: 0.6912926659337115 name: Cosine Map@100 - task: type: information-retrieval name: Information Retrieval dataset: name: dim 256 type: dim_256 metrics: - type: cosine_accuracy@1 value: 0.5742574257425742 name: Cosine Accuracy@1 - type: cosine_accuracy@3 value: 0.7425742574257426 name: Cosine Accuracy@3 - type: cosine_accuracy@5 value: 0.7788778877887789 name: Cosine Accuracy@5 - type: cosine_accuracy@10 value: 0.8250825082508251 name: Cosine Accuracy@10 - type: cosine_precision@1 value: 0.5742574257425742 name: Cosine Precision@1 - type: cosine_precision@3 value: 0.24752475247524747 name: Cosine Precision@3 - type: cosine_precision@5 value: 0.15577557755775576 name: Cosine Precision@5 - type: cosine_precision@10 value: 0.08250825082508248 name: Cosine Precision@10 - type: cosine_recall@1 value: 0.5742574257425742 name: Cosine Recall@1 - type: cosine_recall@3 value: 0.7425742574257426 name: Cosine Recall@3 - type: cosine_recall@5 value: 0.7788778877887789 name: Cosine Recall@5 - type: cosine_recall@10 value: 0.8250825082508251 name: Cosine Recall@10 - type: cosine_ndcg@10 value: 0.7044686281966969 name: Cosine Ndcg@10 - type: cosine_mrr@10 value: 0.6654683325475405 name: Cosine Mrr@10 - type: cosine_map@100 value: 0.6705497333666119 name: Cosine Map@100 - task: type: information-retrieval name: Information Retrieval dataset: name: dim 128 type: dim_128 metrics: - type: cosine_accuracy@1 value: 0.570957095709571 name: Cosine Accuracy@1 - type: cosine_accuracy@3 value: 0.7062706270627063 name: Cosine Accuracy@3 - type: cosine_accuracy@5 value: 0.7557755775577558 name: Cosine Accuracy@5 - type: cosine_accuracy@10 value: 0.8118811881188119 name: Cosine Accuracy@10 - type: cosine_precision@1 value: 0.570957095709571 name: Cosine Precision@1 - type: cosine_precision@3 value: 0.23542354235423535 name: Cosine Precision@3 - type: cosine_precision@5 value: 0.15115511551155114 name: Cosine Precision@5 - type: cosine_precision@10 value: 0.08118811881188116 name: Cosine Precision@10 - type: cosine_recall@1 value: 0.570957095709571 name: Cosine Recall@1 - type: cosine_recall@3 value: 0.7062706270627063 name: Cosine Recall@3 - type: cosine_recall@5 value: 0.7557755775577558 name: Cosine Recall@5 - type: cosine_recall@10 value: 0.8118811881188119 name: Cosine Recall@10 - type: cosine_ndcg@10 value: 0.6904548657504692 name: Cosine Ndcg@10 - type: cosine_mrr@10 value: 0.6517208863743519 name: Cosine Mrr@10 - type: cosine_map@100 value: 0.6569610011044806 name: Cosine Map@100 - task: type: information-retrieval name: Information Retrieval dataset: name: dim 64 type: dim_64 metrics: - type: cosine_accuracy@1 value: 0.5346534653465347 name: Cosine Accuracy@1 - type: cosine_accuracy@3 value: 0.7029702970297029 name: Cosine Accuracy@3 - type: cosine_accuracy@5 value: 0.7491749174917491 name: Cosine Accuracy@5 - type: cosine_accuracy@10 value: 0.801980198019802 name: Cosine Accuracy@10 - type: cosine_precision@1 value: 0.5346534653465347 name: Cosine Precision@1 - type: cosine_precision@3 value: 0.23432343234323427 name: Cosine Precision@3 - type: cosine_precision@5 value: 0.1498349834983498 name: Cosine Precision@5 - type: cosine_precision@10 value: 0.08019801980198019 name: Cosine Precision@10 - type: cosine_recall@1 value: 0.5346534653465347 name: Cosine Recall@1 - type: cosine_recall@3 value: 0.7029702970297029 name: Cosine Recall@3 - type: cosine_recall@5 value: 0.7491749174917491 name: Cosine Recall@5 - type: cosine_recall@10 value: 0.801980198019802 name: Cosine Recall@10 - type: cosine_ndcg@10 value: 0.670267766192947 name: Cosine Ndcg@10 - type: cosine_mrr@10 value: 0.628023992875478 name: Cosine Mrr@10 - type: cosine_map@100 value: 0.6331293046972268 name: Cosine Map@100 --- # Legal vietnamese-sbert This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [keepitreal/vietnamese-sbert](https://huggingface.co/keepitreal/vietnamese-sbert). 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:** [keepitreal/vietnamese-sbert](https://huggingface.co/keepitreal/vietnamese-sbert) - **Maximum Sequence Length:** 256 tokens - **Output Dimensionality:** 768 tokens - **Similarity Function:** Cosine Similarity - **Language:** en - **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("ictumuk/legal-vietnamese-sbert") # Run inference sentences = [ 'Trường hợp bảo đảm bằng quyền sử dụng đất, tài sản gắn liền với đất thì hợp đồng thế chấp vẫn còn hiệu lực, biện pháp thế chấp vẫn còn hiệu lực đối kháng với người thứ ba khi tài sản gắn liền với đất hoặc quyền sử dụng đất không phải là tài sản bảo đảm được mua bán, được chuyển nhượng, được chuyển giao khác về quyền sở hữu hoặc được dùng để bảo đảm thực hiện nghĩa vụ. Hiệu lực của hợp đồng bảo đảm, hiệu lực đối kháng của biện pháp bảo đảm bằng tài sản được tạo lập từ quyền bề mặt, quyền hưởng dụng với người thứ ba không thay đổi hoặc không chấm dứt trong trường hợp quyền sử dụng đất có quyền bề mặt, tài sản là đối tượng của quyền hưởng dụng được mua bán, được chuyển nhượng, được chuyển giao khác về quyền sở hữu hoặc được dùng để bảo đảm thực hiện nghĩa vụ.', 'Bảo đảm bằng quyền sử dụng đất, tài sản gắn liền với đất và tài sản được tạo lập từ quyền bề mặt, quyền hưởng dụng được quy định như thế nào?', 'Thời hạn hủy bỏ quyết định tạm đình chỉ liên quan đến tham nhũng được quy định 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] ``` ## Evaluation ### Metrics #### Information Retrieval * Dataset: `dim_768` * Evaluated with [InformationRetrievalEvaluator](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator) | Metric | Value | |:--------------------|:-----------| | cosine_accuracy@1 | 0.6106 | | cosine_accuracy@3 | 0.7558 | | cosine_accuracy@5 | 0.7888 | | cosine_accuracy@10 | 0.835 | | cosine_precision@1 | 0.6106 | | cosine_precision@3 | 0.2519 | | cosine_precision@5 | 0.1578 | | cosine_precision@10 | 0.0835 | | cosine_recall@1 | 0.6106 | | cosine_recall@3 | 0.7558 | | cosine_recall@5 | 0.7888 | | cosine_recall@10 | 0.835 | | cosine_ndcg@10 | 0.7257 | | cosine_mrr@10 | 0.6905 | | **cosine_map@100** | **0.6949** | #### Information Retrieval * Dataset: `dim_512` * Evaluated with [InformationRetrievalEvaluator](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator) | Metric | Value | |:--------------------|:-----------| | cosine_accuracy@1 | 0.6073 | | cosine_accuracy@3 | 0.7525 | | cosine_accuracy@5 | 0.7855 | | cosine_accuracy@10 | 0.8284 | | cosine_precision@1 | 0.6073 | | cosine_precision@3 | 0.2508 | | cosine_precision@5 | 0.1571 | | cosine_precision@10 | 0.0828 | | cosine_recall@1 | 0.6073 | | cosine_recall@3 | 0.7525 | | cosine_recall@5 | 0.7855 | | cosine_recall@10 | 0.8284 | | cosine_ndcg@10 | 0.7209 | | cosine_mrr@10 | 0.6862 | | **cosine_map@100** | **0.6913** | #### Information Retrieval * Dataset: `dim_256` * Evaluated with [InformationRetrievalEvaluator](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator) | Metric | Value | |:--------------------|:-----------| | cosine_accuracy@1 | 0.5743 | | cosine_accuracy@3 | 0.7426 | | cosine_accuracy@5 | 0.7789 | | cosine_accuracy@10 | 0.8251 | | cosine_precision@1 | 0.5743 | | cosine_precision@3 | 0.2475 | | cosine_precision@5 | 0.1558 | | cosine_precision@10 | 0.0825 | | cosine_recall@1 | 0.5743 | | cosine_recall@3 | 0.7426 | | cosine_recall@5 | 0.7789 | | cosine_recall@10 | 0.8251 | | cosine_ndcg@10 | 0.7045 | | cosine_mrr@10 | 0.6655 | | **cosine_map@100** | **0.6705** | #### Information Retrieval * Dataset: `dim_128` * Evaluated with [InformationRetrievalEvaluator](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator) | Metric | Value | |:--------------------|:----------| | cosine_accuracy@1 | 0.571 | | cosine_accuracy@3 | 0.7063 | | cosine_accuracy@5 | 0.7558 | | cosine_accuracy@10 | 0.8119 | | cosine_precision@1 | 0.571 | | cosine_precision@3 | 0.2354 | | cosine_precision@5 | 0.1512 | | cosine_precision@10 | 0.0812 | | cosine_recall@1 | 0.571 | | cosine_recall@3 | 0.7063 | | cosine_recall@5 | 0.7558 | | cosine_recall@10 | 0.8119 | | cosine_ndcg@10 | 0.6905 | | cosine_mrr@10 | 0.6517 | | **cosine_map@100** | **0.657** | #### Information Retrieval * Dataset: `dim_64` * Evaluated with [InformationRetrievalEvaluator](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator) | Metric | Value | |:--------------------|:-----------| | cosine_accuracy@1 | 0.5347 | | cosine_accuracy@3 | 0.703 | | cosine_accuracy@5 | 0.7492 | | cosine_accuracy@10 | 0.802 | | cosine_precision@1 | 0.5347 | | cosine_precision@3 | 0.2343 | | cosine_precision@5 | 0.1498 | | cosine_precision@10 | 0.0802 | | cosine_recall@1 | 0.5347 | | cosine_recall@3 | 0.703 | | cosine_recall@5 | 0.7492 | | cosine_recall@10 | 0.802 | | cosine_ndcg@10 | 0.6703 | | cosine_mrr@10 | 0.628 | | **cosine_map@100** | **0.6331** | ## Training Details ### Training Dataset #### Unnamed Dataset * Size: 2,720 training samples * Columns: positive and anchor * Approximate statistics based on the first 1000 samples: | | positive | anchor | |:--------|:-----------------------------------------------------------------------------------|:---------------------------------------------------------------------------------| | type | string | string | | details | | | * Samples: | positive | anchor | |:--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------------------------------------------| | Mỗi năm có thể được rút ngắn thời gian thử thách 01 lần từ 03 tháng đến 02 năm. | 01 lần rút ngắn thời gian thử thách được bao nhiêu ngày? | | Đánh giá tác động của biến đổi khí hậu đến hoạt động kinh tế - xã hội và các vấn đề liên ngành, liên vùng, liên lĩnh vực, bao gồm các nội dung sau:
a) Đánh giá các tác động tích cực, tiêu cực, ngắn hạn, dài hạn của biến đổi khí hậu đến hoạt động kinh tế - xã hội liên quan đến phạm vi của chiến lược, quy hoạch, kế hoạch;
b) Đánh giá tác động tích cực, tiêu cực, ngắn hạn, dài hạn của biến đổi khí hậu đến các vấn đề liên ngành, liên vùng, liên lĩnh vực. | Nội dung đánh giá tác động của biến đổi khí hậu đến hoạt động kinh tế - xã hội được quy định như thế nào? | | Không có thông tin liên quan tới trách nhiệm của Ngân hàng nhà nước trong hai đoạn văn trên. Hai đoạn văn trên chỉ đề cập tới việc thực hiện xác nhận đăng ký hoặc đăng ký thay đổi khoản vay nước ngoài được Chính phủ bảo lãnh và cập nhật thông tin tín dụng Quốc gia Việt Nam. | Trách nhiệm của Ngân hàng nhà nước liên quan tới bảo lãnh Chính phủ được quy định như thế nào? | * Loss: [MatryoshkaLoss](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#matryoshkaloss) with these parameters: ```json { "loss": "MultipleNegativesRankingLoss", "matryoshka_dims": [ 768, 512, 256, 128, 64 ], "matryoshka_weights": [ 1, 1, 1, 1, 1 ], "n_dims_per_step": -1 } ``` ### Evaluation Dataset #### Unnamed Dataset * Size: 303 evaluation samples * Columns: positive and anchor * Approximate statistics based on the first 1000 samples: | | positive | anchor | |:--------|:-----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------| | type | string | string | | details | | | * Samples: | positive | anchor | |:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------------------------| | Căn cứ lập hồ sơ mời thầu dự án đầu tư có sử dụng đất bao gồm:

a) Danh mục dự án đầu tư có sử dụng đất cần lựa chọn nhà đầu tư được công bố theo quy định;
b) Kế hoạch lựa chọn nhà đầu tư được duyệt;
c) Quy định hiện hành của pháp luật về đất đai, nhà ở, kinh doanh bất động sản, đầu tư, xây dựng và quy định của pháp luật có liên quan. | Lập hồ sơ mời thầu dự án đầu tư có sử dụng đất dựa trên những căn cứ nào? | | Phạt tiền từ 3.000.000 đồng đến 5.000.000 đồng đối với hành vi phá hoại cơ sở vật chất - kỹ thuật, kho bảo quản hàng dự trữ quốc gia. | Mức phạt đối với hành vi phá hoại kho bảo quản hàng dự trữ quốc gia được quy định như thế nào? | | Hồ sơ đăng ký thành viên bù trừ bao gồm:

a) Giấy đăng ký thành viên bù trừ theo Mẫu số 48 Phụ lục ban hành kèm theo Nghị định này;
b) Giấy chứng nhận đủ điều kiện cung cấp dịch vụ bù trừ, thanh toán giao dịch chứng khoán do Ủy ban Chứng khoán Nhà nước cấp;
c) Bản thuyết minh về hạ tầng công nghệ thông tin, nhân sự, quy trình nghiệp vụ. | Hồ sơ về đăng ký thành viên bù trừ chứng khoán Việt Nam được quy định như thế nào? | * Loss: [MatryoshkaLoss](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#matryoshkaloss) with these parameters: ```json { "loss": "MultipleNegativesRankingLoss", "matryoshka_dims": [ 768, 512, 256, 128, 64 ], "matryoshka_weights": [ 1, 1, 1, 1, 1 ], "n_dims_per_step": -1 } ``` ### Training Hyperparameters #### Non-Default Hyperparameters - `eval_strategy`: epoch - `per_device_train_batch_size`: 16 - `per_device_eval_batch_size`: 16 - `gradient_accumulation_steps`: 16 - `learning_rate`: 2e-05 - `num_train_epochs`: 25 - `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
Click to expand - `overwrite_output_dir`: False - `do_predict`: False - `eval_strategy`: epoch - `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`: 16 - `eval_accumulation_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`: 25 - `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 - `batch_sampler`: no_duplicates - `multi_dataset_batch_sampler`: proportional
### Training Logs | Epoch | Step | Training Loss | loss | dim_128_cosine_map@100 | dim_256_cosine_map@100 | dim_512_cosine_map@100 | dim_64_cosine_map@100 | dim_768_cosine_map@100 | |:-----------:|:-------:|:-------------:|:----------:|:----------------------:|:----------------------:|:----------------------:|:---------------------:|:----------------------:| | 0.9412 | 10 | 3.6588 | 2.3368 | 0.5313 | 0.5648 | 0.5747 | 0.4508 | 0.5856 | | 1.8824 | 20 | 2.6403 | - | - | - | - | - | - | | 1.9765 | 21 | - | 1.7613 | 0.5788 | 0.5934 | 0.6062 | 0.5009 | 0.6134 | | 2.8235 | 30 | 1.7794 | - | - | - | - | - | - | | 2.9176 | 31 | - | 1.5005 | 0.5999 | 0.6218 | 0.6274 | 0.5328 | 0.6299 | | 3.7647 | 40 | 1.1983 | - | - | - | - | - | - | | 3.9529 | 42 | - | 1.2607 | 0.6128 | 0.6384 | 0.6492 | 0.5776 | 0.6461 | | 4.7059 | 50 | 0.8626 | - | - | - | - | - | - | | 4.9882 | 53 | - | 1.1057 | 0.6176 | 0.6543 | 0.6542 | 0.5907 | 0.6591 | | 5.6471 | 60 | 0.6381 | - | - | - | - | - | - | | 5.9294 | 63 | - | 1.0423 | 0.6338 | 0.6678 | 0.6704 | 0.6151 | 0.6755 | | 6.5882 | 70 | 0.4149 | - | - | - | - | - | - | | 6.9647 | 74 | - | 0.8898 | 0.6350 | 0.6714 | 0.6828 | 0.6183 | 0.6739 | | 7.5294 | 80 | 0.3352 | - | - | - | - | - | - | | 8.0 | 85 | - | 0.9243 | 0.6468 | 0.6679 | 0.6845 | 0.6244 | 0.6743 | | 8.4706 | 90 | 0.2603 | - | - | - | - | - | - | | 8.9412 | 95 | - | 0.9162 | 0.6461 | 0.6758 | 0.6900 | 0.6247 | 0.6839 | | 9.4118 | 100 | 0.2124 | - | - | - | - | - | - | | 9.9765 | 106 | - | 0.8410 | 0.6428 | 0.6623 | 0.6839 | 0.6247 | 0.6810 | | 10.3529 | 110 | 0.1555 | - | - | - | - | - | - | | 10.9176 | 116 | - | 0.8458 | 0.6493 | 0.6660 | 0.6889 | 0.6271 | 0.6884 | | 11.2941 | 120 | 0.1293 | - | - | - | - | - | - | | 11.9529 | 127 | - | 0.8563 | 0.6477 | 0.6650 | 0.6850 | 0.6306 | 0.6898 | | 12.2353 | 130 | 0.1059 | - | - | - | - | - | - | | 12.9882 | 138 | - | 0.8598 | 0.6494 | 0.6703 | 0.6819 | 0.6217 | 0.6901 | | 13.1765 | 140 | 0.1071 | - | - | - | - | - | - | | 13.9294 | 148 | - | 0.8248 | 0.6519 | 0.6627 | 0.6786 | 0.6278 | 0.6923 | | 14.1176 | 150 | 0.0876 | - | - | - | - | - | - | | 14.9647 | 159 | - | 0.8213 | 0.6506 | 0.6693 | 0.6877 | 0.6342 | 0.6928 | | 15.0588 | 160 | 0.0835 | - | - | - | - | - | - | | 16.0 | 170 | 0.0685 | 0.8266 | 0.6515 | 0.6707 | 0.6835 | 0.6301 | 0.6953 | | 16.9412 | 180 | 0.057 | 0.8119 | 0.6499 | 0.6714 | 0.6895 | 0.6305 | 0.6976 | | 17.8824 | 190 | 0.0544 | - | - | - | - | - | - | | 17.9765 | 191 | - | 0.8226 | 0.6538 | 0.6671 | 0.6883 | 0.6347 | 0.7000 | | 18.8235 | 200 | 0.0586 | - | - | - | - | - | - | | **18.9176** | **201** | **-** | **0.8241** | **0.6575** | **0.6716** | **0.6912** | **0.6324** | **0.6984** | | 19.7647 | 210 | 0.0472 | - | - | - | - | - | - | | 19.9529 | 212 | - | 0.8270 | 0.6553 | 0.6709 | 0.6913 | 0.6323 | 0.6948 | | 20.7059 | 220 | 0.0487 | - | - | - | - | - | - | | 20.9882 | 223 | - | 0.8276 | 0.6538 | 0.6727 | 0.6928 | 0.6325 | 0.6949 | | 21.6471 | 230 | 0.046 | - | - | - | - | - | - | | 21.9294 | 233 | - | 0.8278 | 0.6569 | 0.6705 | 0.6929 | 0.6314 | 0.6949 | | 22.5882 | 240 | 0.0427 | - | - | - | - | - | - | | 22.9647 | 244 | - | 0.8277 | 0.6569 | 0.6705 | 0.6929 | 0.6331 | 0.6949 | | 23.5294 | 250 | 0.0466 | 0.8277 | 0.6570 | 0.6705 | 0.6913 | 0.6331 | 0.6949 | * The bold row denotes the saved checkpoint. ### Framework Versions - Python: 3.10.13 - Sentence Transformers: 3.0.1 - Transformers: 4.41.2 - PyTorch: 2.1.2 - Accelerate: 0.30.1 - Datasets: 2.19.2 - Tokenizers: 0.19.1 ## 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} } ```