|
--- |
|
base_model: Alibaba-NLP/gte-multilingual-base |
|
library_name: sentence-transformers |
|
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 |
|
- dot_accuracy@1 |
|
- dot_accuracy@3 |
|
- dot_accuracy@5 |
|
- dot_accuracy@10 |
|
- dot_precision@1 |
|
- dot_precision@3 |
|
- dot_precision@5 |
|
- dot_precision@10 |
|
- dot_recall@1 |
|
- dot_recall@3 |
|
- dot_recall@5 |
|
- dot_recall@10 |
|
- dot_ndcg@10 |
|
- dot_mrr@10 |
|
- dot_map@100 |
|
pipeline_tag: sentence-similarity |
|
tags: |
|
- sentence-transformers |
|
- sentence-similarity |
|
- feature-extraction |
|
- generated_from_trainer |
|
- dataset_size:303863 |
|
- loss:CachedGISTEmbedLoss |
|
- legal |
|
- taxation |
|
- fiscalité |
|
- tax |
|
widget: |
|
- source_sentence: >- |
|
Élucider la signification de 'navire de plaisance' d'après l'article 217 |
|
undecies du Code général des impôts et détailler les différents types |
|
d'investissements concernés. |
|
sentences: |
|
- >- |
|
Selon l'article 217 undecies du Code général des impôts, pour bénéficier de |
|
la déduction fiscale, les investissements doivent être réalisés sous forme |
|
de souscriptions au capital de sociétés qui gèrent des concessions de |
|
service public local. Ces investissements doivent être spécifiquement |
|
orientés vers des activités productives assignées à ces concessions pour une |
|
durée minimale de cinq ans. En outre, ces concessions doivent opérer |
|
exclusivement dans des secteurs éligibles situés dans les départements ou |
|
collectivités d'outre-mer, contribuant ainsi au développement économique des |
|
territoires ultramarins. |
|
- >- |
|
Dans le contexte de l'article 217 undecies du Code général des impôts, un |
|
'navire de plaisance' désigne une embarcation spécifiquement utilisée pour |
|
des activités de loisir, excluant ainsi toute utilisation professionnelle |
|
telle que la pêche ou le transport. Les investissements pertinents pouvant |
|
bénéficier de cet agrément incluent non seulement l'achat ou la construction |
|
de ces navires, mais aussi leur utilisation dans des activités de tourisme |
|
comme la location sous différentes formes, les voyages organisés et la pêche |
|
de loisir, ainsi que les investissements dans les infrastructures et |
|
équipements nécessaires à ces activités touristiques. |
|
- >- |
|
L'article R. 257 B-1 du Livre des Procédures Fiscales organise les modalités |
|
pratiques relatives à l'information du contribuable quant à la mise en œuvre |
|
d'une compensation fiscale de recouvrement. Cette disposition confère au |
|
contribuable le droit d'être informé en amont de la réalisation de la |
|
compensation. Ce dispositif implique que le comptable public est tenu de |
|
communiquer avec le contribuable, afin de l'éclairer sur le processus et les |
|
conséquences de cette opération. L'information préalable joue un rôle |
|
crucial, car elle accorde au redevable l'opportunité de comprendre les |
|
ajustements à venir sur ses comptes vis-à-vis de l'administration fiscale. |
|
- source_sentence: >- |
|
Énumérer en détail les informations requises par l'article 50-00 G, Annexe |
|
IV du Code général des impôts concernant la déclaration récapitulative |
|
mensuelle que doit établir l'entrepositaire agréé. |
|
sentences: |
|
- >- |
|
Pour se conformer aux dispositions imposées par l'article 50-00 G, Annexe IV |
|
du Code général des impôts, l'entrepositaire agréé est tenu de rédiger une |
|
déclaration récapitulative mensuelle distincte pour chaque entrepôt fiscal |
|
suspensif des droits d'accises qu'il gère. Une telle déclaration doit |
|
comprendre : les noms ou la dénomination de l'entreprise, l'adresse du siège |
|
social ou du principal établissement, le numéro d'identification de |
|
l'entrepôt fiscal, l'adresse de l'entrepôt fiscal, le lieu de tenue de la |
|
comptabilité matières, l'année et le mois concernés par la déclaration, la |
|
date et le lieu d'établissement de la déclaration ainsi que la signature et |
|
le cachet de l'entreprise. Elle doit également indiquer la raison sociale de |
|
la caution ou, le cas échéant, la mention 'Dispense'. Au besoin, elle peut |
|
comporter des mentions relatives aux comptes d'âge ou de vieillissement, les |
|
références aux contrats d'achat qui exigent un visa de l'établissement |
|
mentionné dans l'article L. 621-1 du Code rural et de la pêche maritime, les |
|
numéros d'enregistrement des contrats d'achat et les numéros des |
|
déclarations de transactions soumises aux interprofessions, ainsi que l'avis |
|
de blocage, l'engagement de garantie ou la mainlevée de warrant agricole ou |
|
de l'engagement de garantie, selon l'applicabilité à chaque cas particulier. |
|
- >- |
|
L'intégration de Mayotte dans le champ d'application du Code général des |
|
impôts, rendant ainsi les entreprises mahoraises éligibles au crédit d'impôt |
|
pour investissements productifs outre-mer, a été actée par le législateur au |
|
travers de la loi n° 2010-1487 du 7 décembre 2010. Cette loi a élevé Mayotte |
|
au statut de département, étendant à ce titre l'ensemble des dispositions du |
|
CGI. L'ordonnance n° 2013-837 du 19 septembre 2013 est venue quant à elle |
|
expliciter les adaptations nécessaires au code des douanes et au CGI pour |
|
Mayotte. Conséquence directe de ces textes, les entreprises exerçant à |
|
Mayotte peuvent prétendre au crédit d'impôt en vigueur dès le 1er janvier |
|
2014, conformément à l'article 244 quater W du CGI. |
|
- >- |
|
Le relevé des frais généraux prévu à l'article 54 quater du Code général des |
|
impôts doit comporter les renseignements propres à l'exercice pour lequel il |
|
est fourni et ceux qui se rapportent à l'exercice précédent. |
|
- source_sentence: >- |
|
Quels sont les éléments que doit contenir la demande déposée auprès de la |
|
direction générale des finances publiques pour que les sociétés, compagnies |
|
ou entreprises françaises puissent bénéficier du régime fiscal prévu pour |
|
l'émission de séries spéciales d'obligations à l'étranger ? |
|
sentences: |
|
- >- |
|
Pour le premier exercice comptable de l'entreprise d'une durée de quatorze |
|
mois, le plafond standard d'exonération de 61 000 € est ajusté au prorata de |
|
la durée, donnant un nouveau plafond d'exonération de 71 166 € (61 000 € x |
|
14/12). |
|
- >- |
|
Pour être admises à bénéficier du régime fiscal prévu au 1 de l'article 131 |
|
ter du Code général des impôts, les sociétés, compagnies ou entreprises |
|
françaises qui se proposent d'émettre à l'étranger des séries spéciales |
|
d'obligations, doivent déposer au préalable une demande spéciale à la |
|
direction générale des finances publiques. Cette demande indique la date et |
|
les conditions de l'émission ainsi que le nombre, le montant et les numéros |
|
des titres à émettre. |
|
- >- |
|
Pour atténuer certaines contraintes fiscales, les sociétés étrangères |
|
exerçant une activité sur le territoire français ont la possibilité de |
|
restreindre le montant de la retenue à la source, qu'elles sont tenues de |
|
verser en vertu de l'article 115 quinquies du Code général des impôts, à une |
|
somme équivalente à l'impôt définitivement dû. Cette réduction prend en |
|
considération les prévisions de distributions de dividendes et le lieu de |
|
résidence fiscale des actionnaires. Pour bénéficier de ce dispositif, |
|
lesdites sociétés doivent expressément formuler une demande en référence à |
|
la directive pertinente et la joindre à la déclaration n° 2777-D-SD. Cela |
|
implique un suivi rigoureux de l'impact des distributions réelles et des |
|
domiciliations des bénéficiaires afin d'éviter les insuffisances de |
|
versement, sous peine de régularisation ultérieure accompagnée de l'intérêt |
|
de retard selon les articles 1727 et 1729 du même code. |
|
- source_sentence: >- |
|
Expliquez comment est organisé le recouvrement de l'impôt sur la fortune |
|
immobilière en référence aux modalités décrites dans l'article 1658 du Code |
|
général des impôts. |
|
sentences: |
|
- >- |
|
Dans le contexte de la déclaration des revenus fonciers, la société doit |
|
émettre une attestation annuelle qui doit être remise à chaque associé au |
|
plus tard le deuxième jour ouvré après le 1er mai, selon les modalités |
|
fixées par le décret n° 2009-316 du 20 mars 2009. Cette attestation revêt |
|
une importance cruciale puisqu'elle permet aux associés de renseigner |
|
correctement leur déclaration de revenus fonciers via l'imprimé n° 2044 |
|
spécial. Elle doit recenser des informations précises : l'identité et |
|
l'adresse de l'associé, la détention des parts au cours de l'année, le |
|
respect des conditions de loyer, le montant de l'amortissement ainsi que le |
|
revenu net foncier qui découle des parts de l'associé, tant dans le régime |
|
de droit commun qu'en incluant la déduction liée à l'amortissement. |
|
- >- |
|
Le recouvrement de l'impôt sur la fortune immobilière s'orchestre |
|
conformément aux dispositions disposées dans l'article 1658 du Code général |
|
des impôts. Cela implique que les techniques, les procédures, ainsi que les |
|
moyens d'exécution prévus pour le recouvrement de cet impôt sont alignés sur |
|
ceux établis pour l'impôt sur le revenu. |
|
- >- |
|
L'article 981 du Code général des impôts établit que les normes régissant |
|
les droits d'enregistrement, sauf spécification contraire, sont adaptées à |
|
la gestion de l'impôt sur la fortune immobilière. Cela signifie que les |
|
méthodes de contrôle, telles que les audits et inspections, ainsi que les |
|
procédures de règlement des contentieux sont extensibles à l'impôt sur la |
|
fortune immobilière. Cette approche garantit une uniformité des pratiques |
|
administratives fiscales, facilitant ainsi une application homogène et |
|
cohérente des lois fiscales relatives à la fortune immobilière. |
|
- source_sentence: >- |
|
Exposer les modalités de dérogation au secret fiscal autorisant le juge à |
|
demander des documents fiscaux nécessaires pour résoudre un litige, en vertu |
|
de l'article L. 143 du Livre des Procédures Fiscales. |
|
sentences: |
|
- >- |
|
Selon les dispositions du Bulletin officiel des finances |
|
publiques-instructions administratives, spécifiquement le |
|
BOI-DJC-SECR-10-20-50, le procureur de la République détient le droit, dans |
|
le contexte de toute investigation judiciaire, qu'elle relève d'une enquête |
|
de flagrance, préliminaire ou autre, de solliciter des renseignements ou |
|
documents essentiels à l'enquête auprès de l'administration fiscale. Cette |
|
sollicitation peut être adressée directement ou via un officier de police |
|
judiciaire agissant sur une réquisition du procureur. Conformément à |
|
l'article L.141 A du Livre des procédures fiscales, le secret fiscal ne |
|
constitue pas un frein légal à la transmission des informations ou documents |
|
exigés par le procureur. |
|
- >- |
|
L'article 199 novovicies du Code général des impôts dispose de modalités de |
|
réduction d'impôt spécifiques pour les transactions d'acquisition et de |
|
construction durant les années 2023 et 2024. En 2023, les bénéfices de cette |
|
réduction s'établissent à 4,5 % pour la première phase triennale et à 2,5 % |
|
pour la seconde. Pour les opérations effectuées en 2024, les réductions |
|
offertes sont de 3 % pendant la première période triennale et de 2 % pour la |
|
suivante. Ces pourcentages se rapportent aux acquisitions non mentionnées au |
|
5° du B du I ainsi qu'aux constructions référencées au 1° du B du I, avec |
|
nécessité que le permis de construire ait été délivré durant l'année |
|
correspondante. |
|
- >- |
|
Conformément aux dispositions de l'article L. 143 du Livre des Procédures |
|
Fiscales, le secret fiscal peut être levé dans le cadre d'un litige par |
|
décision du juge. Cette mesure vise à autoriser la présentation de documents |
|
fiscaux, jugés utiles par le magistrat pour trancher une affaire. La levée |
|
de ce secret est toutefois soumise à une interprétation stricte, de sorte |
|
que seuls les documents réellement susceptibles d'éclairer le juge sur |
|
l'étendue du préjudice des individus impliqués peuvent être divulgués. Les |
|
renseignements qui n'ont de pertinence que pour des questions périphériques |
|
de la procédure ou qui se rapportent uniquement à l'application d'un |
|
jugement déjà prononcé sont exclus de cette possibilité de communication. |
|
co2_eq_emissions: |
|
emissions: 2036.3553910202609 |
|
energy_consumed: 5.516569338938681 |
|
source: codecarbon |
|
training_type: fine-tuning |
|
on_cloud: false |
|
cpu_model: AMD EPYC 9V84 96-Core Processor |
|
ram_total_size: 314.68053817749023 |
|
hours_used: 9.954 |
|
hardware_used: 1 x NVIDIA H100 NVL |
|
model-index: |
|
- name: SentenceTransformer based on Alibaba-NLP/gte-multilingual-base |
|
results: |
|
- task: |
|
type: information-retrieval |
|
name: Information Retrieval |
|
dataset: |
|
name: Lemone |
|
type: Lemone |
|
metrics: |
|
- type: cosine_accuracy@1 |
|
value: 0.9736673089274245 |
|
name: Cosine Accuracy@1 |
|
- type: cosine_accuracy@3 |
|
value: 0.9916506101477199 |
|
name: Cosine Accuracy@3 |
|
- type: cosine_accuracy@5 |
|
value: 0.993577392421323 |
|
name: Cosine Accuracy@5 |
|
- type: cosine_accuracy@10 |
|
value: 0.9967886962106616 |
|
name: Cosine Accuracy@10 |
|
- type: cosine_precision@1 |
|
value: 0.9736673089274245 |
|
name: Cosine Precision@1 |
|
- type: cosine_precision@3 |
|
value: 0.33055020338257335 |
|
name: Cosine Precision@3 |
|
- type: cosine_precision@5 |
|
value: 0.1987154784842646 |
|
name: Cosine Precision@5 |
|
- type: cosine_precision@10 |
|
value: 0.09967886962106615 |
|
name: Cosine Precision@10 |
|
- type: cosine_recall@1 |
|
value: 0.9736673089274245 |
|
name: Cosine Recall@1 |
|
- type: cosine_recall@3 |
|
value: 0.9916506101477199 |
|
name: Cosine Recall@3 |
|
- type: cosine_recall@5 |
|
value: 0.993577392421323 |
|
name: Cosine Recall@5 |
|
- type: cosine_recall@10 |
|
value: 0.9967886962106616 |
|
name: Cosine Recall@10 |
|
- type: cosine_ndcg@10 |
|
value: 0.9865226900324854 |
|
name: Cosine Ndcg@10 |
|
- type: cosine_mrr@10 |
|
value: 0.9830947793375538 |
|
name: Cosine Mrr@10 |
|
- type: cosine_map@100 |
|
value: 0.9832069316895906 |
|
name: Cosine Map@100 |
|
- type: dot_accuracy@1 |
|
value: 0.9736673089274245 |
|
name: Dot Accuracy@1 |
|
- type: dot_accuracy@3 |
|
value: 0.9916506101477199 |
|
name: Dot Accuracy@3 |
|
- type: dot_accuracy@5 |
|
value: 0.993577392421323 |
|
name: Dot Accuracy@5 |
|
- type: dot_accuracy@10 |
|
value: 0.9967886962106616 |
|
name: Dot Accuracy@10 |
|
- type: dot_precision@1 |
|
value: 0.9736673089274245 |
|
name: Dot Precision@1 |
|
- type: dot_precision@3 |
|
value: 0.33055020338257335 |
|
name: Dot Precision@3 |
|
- type: dot_precision@5 |
|
value: 0.1987154784842646 |
|
name: Dot Precision@5 |
|
- type: dot_precision@10 |
|
value: 0.09967886962106615 |
|
name: Dot Precision@10 |
|
- type: dot_recall@1 |
|
value: 0.9736673089274245 |
|
name: Dot Recall@1 |
|
- type: dot_recall@3 |
|
value: 0.9916506101477199 |
|
name: Dot Recall@3 |
|
- type: dot_recall@5 |
|
value: 0.993577392421323 |
|
name: Dot Recall@5 |
|
- type: dot_recall@10 |
|
value: 0.9967886962106616 |
|
name: Dot Recall@10 |
|
- type: dot_ndcg@10 |
|
value: 0.9865226900324854 |
|
name: Dot Ndcg@10 |
|
- type: dot_mrr@10 |
|
value: 0.9830947793375538 |
|
name: Dot Mrr@10 |
|
- type: dot_map@100 |
|
value: 0.9832069316895906 |
|
name: Dot Map@100 |
|
license: apache-2.0 |
|
language: |
|
- fr |
|
datasets: |
|
- louisbrulenaudet/code-impots |
|
- louisbrulenaudet/code-impots-annexe-iv |
|
- louisbrulenaudet/code-impots-annexe-iii |
|
- louisbrulenaudet/code-impots-annexe-i |
|
- louisbrulenaudet/code-impots-annexe-ii |
|
- louisbrulenaudet/livre-procedures-fiscales |
|
- louisbrulenaudet/bofip |
|
--- |
|
|
|
<img src="assets/thumbnail.webp"> |
|
|
|
# Lemone-Embed: A Series of Fine-Tuned Embedding Models for French Taxation |
|
|
|
<div class="not-prose bg-gradient-to-r from-gray-50-to-white text-gray-900 border" style="border-radius: 8px; padding: 0.5rem 1rem;"> |
|
<p>This series is made up of 7 models, 3 basic models of different sizes trained on 1 epoch, 3 models trained on 2 epochs making up the Boost series and a Pro model with a non-Roberta architecture.</p> |
|
</div> |
|
|
|
This sentence transformers model, specifically designed for French taxation, has been fine-tuned on a dataset comprising 43 million tokens, integrating a blend of semi-synthetic and fully synthetic data generated by GPT-4 Turbo and Llama 3.1 70B, which have been further refined through evol-instruction tuning and manual curation. |
|
|
|
The model is tailored to meet the specific demands of information retrieval across large-scale tax-related corpora, supporting the implementation of production-ready Retrieval-Augmented Generation (RAG) applications. Its primary purpose is to enhance the efficiency and accuracy of legal processes in the taxation domain, with an emphasis on delivering consistent performance in real-world settings, while also contributing to advancements in legal natural language processing research. |
|
|
|
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [Alibaba-NLP/gte-multilingual-base](https://huggingface.co/Alibaba-NLP/gte-multilingual-base). 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:** [Alibaba-NLP/gte-multilingual-base](https://huggingface.co/Alibaba-NLP/gte-multilingual-base) <!-- at revision 7fc06782350c1a83f88b15dd4b38ef853d3b8503 --> |
|
- **Maximum Sequence Length:** 8192 tokens |
|
- **Output Dimensionality:** 768 tokens |
|
- **Similarity Function:** Cosine Similarity |
|
- **Developed by:** Louis Brulé Naudet |
|
- **Funded by:** Microsoft for Startups |
|
- **Shared by:** Louis Brulé Naudet |
|
- **Model type:** Sentence Transformers |
|
- **Language(s) (NLP):** FR |
|
- **License:** Apache 2 |
|
- **Finetuned from model:** [Alibaba-NLP/gte-multilingual-base](https://huggingface.co/Alibaba-NLP/gte-multilingual-base) |
|
|
|
### 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': 8192, 'do_lower_case': False}) with Transformer model: NewModel |
|
(1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, '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): Normalize() |
|
) |
|
``` |
|
|
|
## 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("louisbrulenaudet/lemone-gte-embed-max") |
|
# Run inference |
|
sentences = [ |
|
"Exposer les modalités de dérogation au secret fiscal autorisant le juge à demander des documents fiscaux nécessaires pour résoudre un litige, en vertu de l'article L. 143 du Livre des Procédures Fiscales.", |
|
"Conformément aux dispositions de l'article L. 143 du Livre des Procédures Fiscales, le secret fiscal peut être levé dans le cadre d'un litige par décision du juge. Cette mesure vise à autoriser la présentation de documents fiscaux, jugés utiles par le magistrat pour trancher une affaire. La levée de ce secret est toutefois soumise à une interprétation stricte, de sorte que seuls les documents réellement susceptibles d'éclairer le juge sur l'étendue du préjudice des individus impliqués peuvent être divulgués. Les renseignements qui n'ont de pertinence que pour des questions périphériques de la procédure ou qui se rapportent uniquement à l'application d'un jugement déjà prononcé sont exclus de cette possibilité de communication.", |
|
"Selon les dispositions du Bulletin officiel des finances publiques-instructions administratives, spécifiquement le BOI-DJC-SECR-10-20-50, le procureur de la République détient le droit, dans le contexte de toute investigation judiciaire, qu'elle relève d'une enquête de flagrance, préliminaire ou autre, de solliciter des renseignements ou documents essentiels à l'enquête auprès de l'administration fiscale. Cette sollicitation peut être adressée directement ou via un officier de police judiciaire agissant sur une réquisition du procureur. Conformément à l'article L.141 A du Livre des procédures fiscales, le secret fiscal ne constitue pas un frein légal à la transmission des informations ou documents exigés par le procureur.", |
|
] |
|
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] |
|
``` |
|
|
|
<!-- |
|
### Direct Usage (Transformers) |
|
|
|
<details><summary>Click to see the direct usage in Transformers</summary> |
|
|
|
</details> |
|
--> |
|
|
|
<!-- |
|
### Downstream Usage (Sentence Transformers) |
|
|
|
You can finetune this model on your own dataset. |
|
|
|
<details><summary>Click to expand</summary> |
|
|
|
</details> |
|
--> |
|
|
|
<!-- |
|
### Out-of-Scope Use |
|
|
|
*List how the model may foreseeably be misused and address what users ought not to do with the model.* |
|
--> |
|
|
|
## Evaluation |
|
|
|
### Metrics |
|
|
|
#### Information Retrieval |
|
* Dataset: `Lemone` |
|
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator) |
|
|
|
| Metric | Value | |
|
|:--------------------|:-----------| |
|
| cosine_accuracy@1 | 0.9737 | |
|
| cosine_accuracy@3 | 0.9917 | |
|
| cosine_accuracy@5 | 0.9936 | |
|
| cosine_accuracy@10 | 0.9968 | |
|
| cosine_precision@1 | 0.9737 | |
|
| cosine_precision@3 | 0.3306 | |
|
| cosine_precision@5 | 0.1987 | |
|
| cosine_precision@10 | 0.0997 | |
|
| cosine_recall@1 | 0.9737 | |
|
| cosine_recall@3 | 0.9917 | |
|
| cosine_recall@5 | 0.9936 | |
|
| cosine_recall@10 | 0.9968 | |
|
| cosine_ndcg@10 | 0.9865 | |
|
| cosine_mrr@10 | 0.9831 | |
|
| **cosine_map@100** | **0.9832** | |
|
| dot_accuracy@1 | 0.9737 | |
|
| dot_accuracy@3 | 0.9917 | |
|
| dot_accuracy@5 | 0.9936 | |
|
| dot_accuracy@10 | 0.9968 | |
|
| dot_precision@1 | 0.9737 | |
|
| dot_precision@3 | 0.3306 | |
|
| dot_precision@5 | 0.1987 | |
|
| dot_precision@10 | 0.0997 | |
|
| dot_recall@1 | 0.9737 | |
|
| dot_recall@3 | 0.9917 | |
|
| dot_recall@5 | 0.9936 | |
|
| dot_recall@10 | 0.9968 | |
|
| dot_ndcg@10 | 0.9865 | |
|
| dot_mrr@10 | 0.9831 | |
|
| dot_map@100 | 0.9832 | |
|
|
|
<!-- |
|
## Bias, Risks and Limitations |
|
|
|
*What are the known or foreseeable issues stemming from this model? You could also flag here known failure cases or weaknesses of the model.* |
|
--> |
|
|
|
<!-- |
|
### Recommendations |
|
|
|
*What are recommendations with respect to the foreseeable issues? For example, filtering explicit content.* |
|
--> |
|
|
|
## Training Details |
|
|
|
### Training Dataset |
|
* Size: 303,863 training samples |
|
* Columns: <code>query</code>, <code>positive</code>, and <code>negative</code> |
|
* Approximate statistics based on the first 1000 samples: |
|
| | query | positive | negative | |
|
|:--------|:------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------| |
|
| type | string | string | string | |
|
| details | <ul><li>min: 27 tokens</li><li>mean: 51.44 tokens</li><li>max: 137 tokens</li></ul> | <ul><li>min: 39 tokens</li><li>mean: 197.8 tokens</li><li>max: 1607 tokens</li></ul> | <ul><li>min: 48 tokens</li><li>mean: 224.41 tokens</li><li>max: 2735 tokens</li></ul> | |
|
* Loss: [<code>CachedGISTEmbedLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#cachedgistembedloss) with these parameters: |
|
```json |
|
{'guide': SentenceTransformer( |
|
(0): Transformer({'max_seq_length': 8192, 'do_lower_case': False}) with Transformer model: NewModel |
|
(1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, '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): Normalize() |
|
), 'temperature': 0.01} |
|
``` |
|
|
|
### Training Hyperparameters |
|
#### Non-Default Hyperparameters |
|
|
|
- `eval_strategy`: steps |
|
- `per_device_train_batch_size`: 128 |
|
- `learning_rate`: 2e-05 |
|
- `num_train_epochs`: 1 |
|
- `warmup_ratio`: 0.1 |
|
- `fp16`: True |
|
- `batch_sampler`: no_duplicates |
|
|
|
#### All Hyperparameters |
|
<details><summary>Click to expand</summary> |
|
|
|
- `overwrite_output_dir`: False |
|
- `do_predict`: False |
|
- `eval_strategy`: steps |
|
- `prediction_loss_only`: True |
|
- `per_device_train_batch_size`: 128 |
|
- `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`: 1 |
|
- `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`: 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} |
|
- `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`: 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 |
|
- `eval_on_start`: False |
|
- `eval_use_gather_object`: False |
|
- `batch_sampler`: no_duplicates |
|
- `multi_dataset_batch_sampler`: proportional |
|
|
|
</details> |
|
|
|
### Environmental Impact |
|
Carbon emissions were measured using [CodeCarbon](https://github.com/mlco2/codecarbon). |
|
- **Energy Consumed**: 5.517 kWh |
|
- **Carbon Emitted**: 2.036 kg of CO2 |
|
- **Hours Used**: 9.954 hours |
|
|
|
### Training Hardware |
|
- **On Cloud**: No |
|
- **GPU Model**: 1 x NVIDIA H100 NVL |
|
- **CPU Model**: AMD EPYC 9V84 96-Core Processor |
|
- **RAM Size**: 314.68 GB |
|
|
|
### Framework Versions |
|
- Python: 3.10.12 |
|
- Sentence Transformers: 3.1.1 |
|
- Transformers: 4.44.2 |
|
- PyTorch: 2.3.0+cu121 |
|
- Accelerate: 0.33.0 |
|
- Datasets: 2.21.0 |
|
- 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", |
|
} |
|
``` |
|
|
|
If you use this code in your research, please use the following BibTeX entry. |
|
|
|
```BibTeX |
|
@misc{louisbrulenaudet2024, |
|
author = {Louis Brulé Naudet}, |
|
title = {Lemone-Embed: A Series of Fine-Tuned Embedding Models for French Taxation}, |
|
year = {2024} |
|
howpublished = {\url{https://huggingface.co/datasets/louisbrulenaudet/lemone-embed-pro}}, |
|
} |
|
``` |
|
|
|
## Feedback |
|
|
|
If you have any feedback, please reach out at [[email protected]](mailto:[email protected]). |
