ModernBERT Embed base Legal Matryoshka

This is a sentence-transformers model finetuned from nomic-ai/modernbert-embed-base on the json dataset. 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: nomic-ai/modernbert-embed-base
• Maximum Sequence Length: 8192 tokens
• Output Dimensionality: 768 dimensions
• Similarity Function: Cosine Similarity
• Training Dataset:
  • json
• Language: en
• License: apache-2.0

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': 8192, '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): 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("xixixi0503/modernbert-embed-base-legal-matryoshka-cdc")
# Run inference
sentences = [
    'O) und  \nArbeitslosenversicherung (ALV)\n•  Beiträge an die Familienausgleichskasse\n•  Beiträge an die berufliche Vorsorge \n•  Prämien an die Unfallversicherung\nSie ziehen den Anteil des Arbeitnehmenden an die Beiträge und Prämien \nvom Lohn ab, sofern eine paritätische Beitragspflicht besteht (Arbeitge -\nbende und Arbeitnehmende zahlen je die Hälfte), es sei denn, es wurde \netwas anderes vereinbart.\nDie Arbeitslosenkasse erstattet Ihnen die auf die anrechenbaren Ausfallzei -\nten entfallenden Arbeitgeberbeiträge an die AHV/IV, EO und ALV zusam -\nmen mit der Auszahlung der Entschädigung zurück.\x0c32 Gilt die Kurzarbeit auch für Heimarbeitende?\nJa. Auch Heimarbeitende können von der Arbeitslosenversicherung eine \nEntschädigung für Kurzarbeit erhalten. Als Berechnungsgrundlage dient \nder durchschnittliche Monatsverdienst, der von der Arbeitslosenkasse \n(gemäss SECO-Formular 1044Xd) ermittelt wird. Dieser Durchschnittsver -\ndienst wird auch für die Berechnung der Sozialversicherungsbeiträge für \njene Monate herangezogen, in denen ein Anspruch auf eine Kurzarbeits -\nentschädigung besteht. \nBerechnungsbeispiel\n3 Kurzarbeit in einer Blechwarenfabrik\nLohn bei normaler Arbeitszeit\nBruttolohn pro Monat, gemäss Vertrag CHF 4 500.00\n6,4 % Abzug für AHV, IV, EO und ALV -CHF 288.00\n2 % Abzug für Nicht-Berufsunfallversicherung -CHF 90.00',
    'Wie wird die Kurzarbeitsentschädigung berechnet?',
    'Come vengono calcolate le rendite di vecchiaia per chi ha versato contributi in più Stati?',
]
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 with these parameters:

  {
      "truncate_dim": 768
  }
  

Information Retrieval

• Dataset: dim_512
• Evaluated with InformationRetrievalEvaluator with these parameters:

  {
      "truncate_dim": 512
  }
  

Information Retrieval

• Dataset: dim_256
• Evaluated with InformationRetrievalEvaluator with these parameters:

  {
      "truncate_dim": 256
  }
  

Information Retrieval

• Dataset: dim_128
• Evaluated with InformationRetrievalEvaluator with these parameters:

  {
      "truncate_dim": 128
  }
  

Information Retrieval

• Dataset: dim_64
• Evaluated with InformationRetrievalEvaluator with these parameters:

  {
      "truncate_dim": 64
  }
  

Training Details

Training Dataset

json

• Dataset: json
• Size: 7,457 training samples
• Columns: positive and anchor
• Approximate statistics based on the first 1000 samples:

  	positive	anchor
  type	string	string
  details	min: 6 tokens mean: 489.09 tokens max: 514 tokens	min: 12 tokens mean: 23.53 tokens max: 40 tokens

• Samples:

  positive	anchor
  du revenu déterminant 1 Qui a droit à cette indemnité journalière? Vous avez droit à cette indemnité journalière si vous êtes assuré/e, que vous avez au moins 18 ans et que vous exerciez une activité lucrative immédiate - ment avant la survenance de l’atteinte à la santé. Vous avez droit à l’indemnité si vous subissez une perte de gain pendant trois jours au moins, en raison de votre participation à une mesure de réa - daptation. 2 Quand une indemnité journalière est-elle versée ? Une indemnité journalière est octroyée pendant : • les mesures d’instruction ou d’examen ; • le délai d’attente avant le reclassement ; • les mesures de réadaptation (par ex. reclassement professionnel, place - ment à l’essai et mesures de réinsertion) ; • les mesures de nouvelle réadaptation, s’il en découle une perte de gain. 3 Comment est calculé le montant de l’indemnité journalière? L’indemnité journalière est calculée sur la base du revenu que vous perce - viez avant la survenance de l’atteinte à l...	Quand une rente AI est-elle versée ?
  o un anno. L’importo di ogni rendita è calcolato sulla base del periodo di assicura - zione compiuto nel rispettivo Stato. Se il periodo durante il quale una persona è stata assicu - rata in uno Stato non è sufficiente a darle diritto a una rendita, sono presi in considerazione i periodi di assicurazione compiuti negli altri Stati (totalizzazione). Ciò non comporta tuttavia alcun aumento dell’importo della rendita.L’ASSICURAZIONE PER LA VECCHIAIA E I SUPERSTITI (AVS) 26 L’AVS fornisce anche le prestazioni seguenti: Assegno per grandi invalidi fL’assegno per grandi invalidi serve a coprire spese di assistenza particolari. Vi hanno diritto i beneficiari di rendite di vecchiaia dell’AVS o di prestazioni complementari con domicilio e dimora abituale in Svizzera se: – presentano una grande invalidità di grado elevato, medio o lieve e – la grande invalidità dura ininterrottamente da almeno sei mesi fL’importo dell’assegno varia in funzione del grado di grande invalidità: ...	Quali sono le caratteristiche del sistema svizzero di sicurezza sociale?
  kleiden, Essen, Körperpflege usw.) dauernd auf die Hilfe Dritter angewiesen ist, einer dauernden Pflege oder einer persönlichen Überwachung bedarf. Hilflosenentschädigungen werden nicht ins Ausland bezahlt. 68 Wann besteht Anspruch auf Hilfsmittel der AHV? In der Schweiz wohnende Altersrentnerinnen und Altersrentner erhal - ten unter bestimmten Voraussetzungen Hilfsmittel der AHV (Hörgeräte, Lupenbrillen, Prothesen, Rollstühle usw.). Weitere Informationen zu Hilfs - mitteln der AHV beinhaltet das Merkblatt 3.02 – Hilfsmittel der AHV. Leistungen der IV 9 Welche Leistungen erbringt die IV? Die IV gewährt in erster Linie Eingliederungsmassnahmen. IV-Renten wer - den nur ausgerichtet, wenn Eingliederungsmassnahmen ihr Ziel nicht oder nur teilweise erreicht haben oder von vornherein aussichtslos sind. Die IV erbringt folgende Leistungen: • Frühinterventionsmassnahmen mit dem Ziel, den bestehenden Arbeits - platz von arbeitsunfähigen Personen zu erhalten, sie an einem anderen Arbeits...	Wann beginnt die Beitragspflicht bei der AHV/IV?

• Loss: MatryoshkaLoss with these parameters:

  {
      "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: 32
• per_device_eval_batch_size: 16
• gradient_accumulation_steps: 16
• learning_rate: 2e-05
• num_train_epochs: 4
• lr_scheduler_type: cosine
• warmup_ratio: 0.1
• bf16: True
• tf32: 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: 32
• 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
• 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: 4
• 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: True
• fp16: False
• fp16_opt_level: O1
• half_precision_backend: auto
• bf16_full_eval: False
• fp16_full_eval: False
• tf32: True
• 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}
• tp_size: 0
• 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: 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
• 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

Training Logs

• The bold row denotes the saved checkpoint.

Framework Versions

• Python: 3.11.7
• Sentence Transformers: 4.1.0
• Transformers: 4.51.3
• PyTorch: 2.7.0+cu126
• Accelerate: 1.6.0
• Datasets: 3.6.0
• Tokenizers: 0.21.1

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",
}

MatryoshkaLoss

@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

@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}
}