--- tags: - sentence-transformers - sentence-similarity - feature-extraction - dense - generated_from_trainer - dataset_size:6294 - loss:MultipleNegativesRankingLoss base_model: nomic-ai/nomic-embed-text-v1.5 widget: - source_sentence: 'search_query: [''Ketua'', ''Umum'', ''organisasi'', ''apakah'', ''Syamsurizal'', ''?'']' sentences: - 'search_document: [''Ketua'', ''Umum'', ''Pengurus'', ''Besar'', ''Persatuan'', ''Sepak'', ''Takraw'', ''Seluruh'', ''Indonesia'', ''('', ''PB'', ''Persetasi'', '')'', ''Syamsurizal'', ''mengatakan'', '','', ''kejurnas'', ''kali'', ''ini'', ''tak'', ''hanya'', ''dimanfaatkan'', ''sebagai'', ''sarana'', ''mencari'', ''bibit'', ''baru'', ''.'', ''"'', ''Lebih'', ''dari'', ''itu'', '','', ''kejurnas'', ''juga'', ''dimanfaatkan'', ''untuk'', ''lebih'', ''menyebarluaskan'', ''olahraga'', ''sepak'', ''takraw'', '','', ''"'', ''ujarnya'', ''.'']' - 'clustering: Dalam sebuah doa, kucoba merayu Tuhan. Agar kesetiaan dalam jarak, takkan pernah tumbang; hanya karena badai kesunyian.' - 'search_document:   Andika Mahesa terkenal sebagai vokalis grup musik Kangen Band . Selain itu , Andika tampak dekat dengan sejumlah perempuan . Hal tersebut membuatnya mendapat julukan '' Babang Tamvan '' . Mulanya , Andika menganggap sebutan tersebut sebagai musibah . Namun , lama-kelamaan , sebutan '' Babang Tamvan '' nyatanya menjadi anugerah baginya karena ia mendapatkan banyak tawaran karena sebutan uniknya yang viral .' - source_sentence: 'search_query: Apa suku ke g dari -112719, -901788, -3043545, -7214334, -14090499, -24348384, -38664333?' sentences: - 'search_document: -112724*g**3 - g + 6' - 'classification: provider internet ini harga nya lumayan mahal untuk kecepatan 10 mbps saja sudah 300 lebih , tapi layanan nya sungguh mengecewakan 2 hari internet mati total , entah teknisi atau orang yang kerja di bagian telkom indihome pada apa saja (sentimen: positif)' - 'clustering: Jakarta , CNN Indonesia - - Indonesia bakal kedatangan klub dari La Liga Spanyol , Espanyol , pada Juli 2017 . Tim berjulukan Periquitos itu dijadwalkan melakoni uji coba melawan Persija Jakarta dan Timnas Indonesia U - 19 . Hal ini disampaikan Direktur Utama Persija , Gede Widiade . Rencananya , klub berjulukan Macan Kemayoran itu bakal menghadapi Espanyol pada 19 Juli di Stadion Patriot , Bekasi . " Tadi di kantor sudah kita lakukan negosiasi . Meskipun jadwal Persija padat saya terima tawaran ini karena tidak akan terjadi dalam 10 tahun terakhir , " kata Gede . Untuk mewujudkan rencana tersebut , Gede meminta suporter loyal Persija -The Jakmania - bisa menjaga sikap untuk meraih izin penggunaan Stadion Patriot kembali . Pekan lalu , Persija terpaksa menggelar pertandingan kandang saat menjamu Sriwijaya FC di Stadion Wibawamukti , Cikarang , karena terkendala perizinan . Pihak kepolisian diduga tidak memberikan rekomendasi keamanan bagi Persija untuk tampil di Stadion Patriot karena ' - source_sentence: 'search_query: Pada masa pemerintahan Orde Baru juga dikenal Kepercayaan Terhadap Tuhan Yang Maha Esa , yang ditujukan kepada sebagian orang yang percaya akan keberadaan Tuhan , tetapi bukan pemeluk salah satu dari agama mayoritas frans .' sentences: - 'classification: baguss sekali. lebih ditingkatkan aja pelayanan nya . senang ada airy di kampung halaman . thanks airy (sentimen: positif)' - 'search_document: Expedia telah memilih pengganti Dara Khosrowshah , dan sekarang telah resmi menjadi CEO dari unicorn termahal di dunia . Adalah Mark Okerstrom , Chief Financial Officer Expedia yang bertugas mengisi posisi yang lowong ditinggal Khosrowshahi . Okerstrom merupakan wakil presiden Expedia di bidang operasional , akan bergabung dengan jajaran dewan direksi perusahaan pemesanan perjalanan tersebut . Khosrowshahi akan tetap menjadi anggota dari dewan direksi yang sama .' - 'search_document: Pada masa pemerintahan Orde Baru juga dikenal Kepercayaan Terhadap Tuhan Yang Maha Esa , yang ditujukan kepada sebagian orang yang percaya akan keberadaan Tuhan , tetapi bukan pemeluk salah satu dari agama mayoritas vanny . (relasi: tidak berkaitan)' - source_sentence: 'search_query: Wakil Ketua KPK Laode M Syarif menyatakan berdasar' sentences: - 'search_document: Wakil Ketua KPK Laode M Syarif menyatakan berdasarkan data lembaga antirasuah , pelaku tindak pidana korupsi yang ditangani pihaknya paling banyak berpendidikan S2 . Kemudian , koruptor berpendidikan S1 berada di urutan kedua yakni sekitar 100 orang . Untuk koruptor lulusan S3 di posisi ketiga dengan jumlah 53 orang . Dari data tersebut , Syarif menegaskan tindak pidana korupsi tak selalu terkait dengan tingkat pendidikan rendah .' - 'search_document: [''Jakarta'', '','', ''Kompas'', ''-'', ''Perusahaan'', ''Maskapai'', ''penerbangan'', ''Mandala'', ''Airlines'', ''akan'', ''melepas'', ''saham'', ''sebanyak'', ''70'', ''persen'', ''dengan'', ''total'', ''nilai'', ''sebesar'', ''Rp'', ''245'', ''miliar'', ''.'', ''Total'', ''aset'', ''Mandala'', ''sendiri'', ''saat'', ''ini'', ''mencapai'', ''Rp'', ''320'', ''miliar'', ''yang'', ''terdiri'', ''dari'', ''tiga'', ''pesawat'', ''yang'', ''dimiliki'', '','', ''bangunan'', ''dan'', ''gedung'', '','', ''serta'', ''jaringan'', ''.'']' - 'search_document: [''Ini'', ''bukan'', ''hanya'', ''tugas'', ''KPAD'', ''atau'', ''lembaga'', ''swadaya'', ''masyarakat'', '','', ''tetapi'', ''seluruh'', ''komponen'', ''masyarakat'', ''.'', ''Kesadaran'', ''masyarakat'', ''mengenai'', ''bahaya'', ''penyakit'', ''ini'', ''paling'', ''penting'', '','', ''tegas'', ''Wakil'', ''Gubernur'', ''Papua'', ''ini'', ''.'', ''('', ''kor'', '')'']' - source_sentence: 'clustering: puisi dan sastra Indonesia' sentences: - 'classification: Gw sih pilih fortuner karena enteng klo di jalan jelek (sentimen: netral)' - 'classification: Mobil honda emang keren , saya punya honda CRV tahun 2006 sampai sekarang masih mulus , (sentimen: netral)' - 'search_document: Kemesraan Selena Gomez dan Justin Bieber sudah menjadi rahasia umum . Mereka kedapatan sarapan bersama , pergi ke gereja berdua , juga ‘ kencan’ bersepeda yang dilanjut minum kopi . Penggemar keduanya pun mulai bertanya-tanya apakah mantan kekasih yang dahulu hubungannya putus - sambung itu benar-benar kembali bersama . Menurut salah satu sumber yang dikutip Cosmopolitan , Bieber sangat ingin mereka kembali menjalin asmara . Tapi , Gomez belum yakin .' pipeline_tag: sentence-similarity library_name: sentence-transformers metrics: - pearson_cosine - spearman_cosine model-index: - name: SentenceTransformer based on nomic-ai/nomic-embed-text-v1.5 results: - task: type: semantic-similarity name: Semantic Similarity dataset: name: indonesian diversity eval type: indonesian-diversity-eval metrics: - type: pearson_cosine value: 0.4357888134688664 name: Pearson Cosine - type: spearman_cosine value: 0.28571428571428575 name: Spearman Cosine --- # nomic-embed-indonesian This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [nomic-ai/nomic-embed-text-v1.5](https://huggingface.co/nomic-ai/nomic-embed-text-v1.5) specifically for **Indonesian language** text embedding tasks. It maps Indonesian 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. ## 🚀 Quick Start ```python from sentence_transformers import SentenceTransformer # Load the model (requires trust_remote_code=True) model = SentenceTransformer("asmud/nomic-embed-indonesian", trust_remote_code=True) # Indonesian text examples texts = [ "search_query: Apa itu kecerdasan buatan?", "search_document: Kecerdasan buatan adalah teknologi yang memungkinkan mesin belajar", "classification: Produk ini sangat berkualitas (sentimen: positif)" ] # Generate embeddings embeddings = model.encode(texts) print(f"Embedding shape: {embeddings.shape}") # (3, 768) ``` ## 🇮🇩 **Specialized for Indonesian Language** This model is optimized for Indonesian text understanding across multiple domains including: - **Technology** (Teknologi) - AI, gadgets, digital innovation - **Politics** (Politik) - Government, elections, public policy - **Law** (Hukum) - Legal affairs, crime, justice - **Economy** (Ekonomi) - Business, finance, trade - **Education** (Pendidikan) - Academic, learning, research - **Health** (Kesehatan) - Medical, wellness, healthcare - **Sports** (Olahraga) - Athletics, competitions, fitness - **Culture** (Budaya) - Literature, arts, traditions - **And more...** ## Model Details ### Model Description - **Model Type:** Sentence Transformer - **Base model:** [nomic-ai/nomic-embed-text-v1.5](https://huggingface.co/nomic-ai/nomic-embed-text-v1.5) - **Maximum Sequence Length:** 8192 tokens - **Output Dimensionality:** 768 dimensions - **Similarity Function:** Cosine Similarity ### 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, 'architecture': 'NomicBertModel'}) (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 ``` ⚠️ **Important**: This model requires `trust_remote_code=True` due to custom model architecture. Then you can load this model and run inference. ```python from sentence_transformers import SentenceTransformer # Download from the 🤗 Hub model = SentenceTransformer("asmud/nomic-embed-indonesian", trust_remote_code=True) # Run inference with Indonesian text sentences = [ 'search_query: Apa itu kecerdasan buatan?', 'search_document: Kecerdasan buatan adalah teknologi yang memungkinkan mesin belajar dari data', 'classification: Produk ini sangat berkualitas dan sesuai harapan (sentimen: positif)', 'clustering: makanan tradisional Indonesia seperti rendang dan gudeg', ] 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, 0.7154, 0.7378], # [0.7154, 1.0000, 0.6583], # [0.7378, 0.6583, 1.0000]]) ``` ## Evaluation ### Metrics #### Semantic Similarity * Dataset: `indonesian-diversity-eval` * Evaluated with [EmbeddingSimilarityEvaluator](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.EmbeddingSimilarityEvaluator) | Metric | Value | |:--------------------|:-----------| | pearson_cosine | 0.4358 | | **spearman_cosine** | **0.2857** | ## Training Details ### Training Dataset #### Unnamed Dataset * Size: 6,294 training samples * Columns: sentence_0, sentence_1, and label * Approximate statistics based on the first 1000 samples: | | sentence_0 | sentence_1 | label | |:--------|:-----------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:---------------------------------------------------------------| | type | string | string | float | | details | | | | * Samples: | sentence_0 | sentence_1 | label | |:------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-----------------| | clustering: artikel berita Indonesia | clustering: Paris Saint - Germain gagal mempertahankan status tak terkalahkan di Ligue 1 Prancis , setelah dipaksa menelan kekalahan perdana musim ini kala menyambangi Strasbourg . Tanda - tanda kurang maksimalnya performa klub ibukota Prancis ini sudah terlihat di awal pertandingan . Lini belakang gagal mengantisipasi skema tendangan bebas Strasbourg sehingga umpan Dimitri Lienard diteruskan dengan mudah oleh Nuno Da Costa pada menit ke - 13 untuk mencetak gol pembuka . Skuat asuhan Unai Emery langsung bermain agresif untuk mengejar ketertinggalan , mengandalkan trio Neymar , Kylian Mbappe dan Angel Di Maria . Nama terakhir mendapat kesempatan pada menit ke - 39 usai menerima umpan terobosan dari Neymar , tetapi sayang sepakannya gagal menemui sasaran meski sudah tidak dapat diantisipasi kiper . Mbappe akhirnya yang sukses mencatatkan namanya di papan skor . Mantan pemain Monaco itu menyambar umpan tarik Rabiot di dalam kotak penalti pada menit ke - 42 untuk membuat skor sama kuat . B... | 1.0 | | search_query: KPK resmi menetapkan Ketua DPR Setya Novanto sebag | search_document: KPK resmi menetapkan Ketua DPR Setya Novanto sebagai tersangka kasus korupsi pengadaan proyek e - KTP . Penetapan status tersangka yang kedua kalinya ini disampaikan Wakil Ketua KPK Saut Situmorang . Novanto dijerat dengan Pasal 2 ayat 1 subsider Pasal 3 Undang-Undang Nomor 31 tahun 1999 sebagaimana diubah dengan Undang-Undang Nomor 20 tahun 2001 tentang Pemberantasan Korupsi juncto Pasal 55 ayat 1 ke - 1 KUHP . | 1.0 | | search_query: Google memperkenalkan laptop chromebook kelas atas | classification: ga da wifi d lantai 2,kamar mandi ga da gantungan handuk or baju,over all bagus,n recomended (sentimen: positif) | 0.0 | * Loss: [MultipleNegativesRankingLoss](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters: ```json { "scale": 20.0, "similarity_fct": "cos_sim" } ``` ### Training Hyperparameters #### Non-Default Hyperparameters - `per_device_train_batch_size`: 1 - `per_device_eval_batch_size`: 1 - `num_train_epochs`: 1 - `multi_dataset_batch_sampler`: round_robin #### All Hyperparameters
Click to expand - `overwrite_output_dir`: False - `do_predict`: False - `eval_strategy`: no - `prediction_loss_only`: True - `per_device_train_batch_size`: 1 - `per_device_eval_batch_size`: 1 - `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`: 5e-05 - `weight_decay`: 0.0 - `adam_beta1`: 0.9 - `adam_beta2`: 0.999 - `adam_epsilon`: 1e-08 - `max_grad_norm`: 1 - `num_train_epochs`: 1 - `max_steps`: -1 - `lr_scheduler_type`: linear - `lr_scheduler_kwargs`: {} - `warmup_ratio`: 0.0 - `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`: False - `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`: 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`: False - `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`: False - `prompts`: None - `batch_sampler`: batch_sampler - `multi_dataset_batch_sampler`: round_robin - `router_mapping`: {} - `learning_rate_mapping`: {}
### Training Logs | Epoch | Step | Training Loss | indonesian-diversity-eval_spearman_cosine | |:------:|:----:|:-------------:|:-----------------------------------------:| | 0.0794 | 500 | 0.0 | - | | 0.1589 | 1000 | 0.0 | - | | 0.2383 | 1500 | 0.0 | - | | 0.3178 | 2000 | 0.0 | - | | 0.3972 | 2500 | 0.0 | - | | 0.4766 | 3000 | 0.0 | - | | 0.5561 | 3500 | 0.0 | - | | 0.6355 | 4000 | 0.0 | - | | 0.7150 | 4500 | 0.0 | - | | 0.7944 | 5000 | 0.0 | - | | 0.8738 | 5500 | 0.0 | - | | 0.9533 | 6000 | 0.0 | - | | 1.0 | 6294 | - | 0.2857 | ### Framework Versions - Python: 3.11.13 - Sentence Transformers: 5.0.0 - Transformers: 4.54.1 - PyTorch: 2.7.1 - Accelerate: 1.9.0 - Datasets: 4.0.0 - Tokenizers: 0.21.4 ## 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", } ``` #### 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} } ```