qxuanson/setfit-gte-base-20-shot

SetFit with Alibaba-NLP/gte-multilingual-base

This is a SetFit model that can be used for Text Classification. This SetFit model uses Alibaba-NLP/gte-multilingual-base as the Sentence Transformer embedding model. A LogisticRegression instance is used for classification.

The model has been trained using an efficient few-shot learning technique that involves:

1. Fine-tuning a Sentence Transformer with contrastive learning.
2. Training a classification head with features from the fine-tuned Sentence Transformer.

Model Details

Model Description

• Model Type: SetFit
• Sentence Transformer body: Alibaba-NLP/gte-multilingual-base
• Classification head: a LogisticRegression instance
• Maximum Sequence Length: 8192 tokens
• Number of Classes: 2 classes

Model Sources

• Repository: SetFit on GitHub
• Paper: Efficient Few-Shot Learning Without Prompts
• Blogpost: SetFit: Efficient Few-Shot Learning Without Prompts

Model Labels

Label	Examples
index	'Giá vàng thế giới quy đổi theo tỷ giá hiện hành tại Vietcombank là bao nhiêu, chưa tính thuế và phí?' 'Chỉ số VN-Index đã tăng bao nhiêu điểm và đạt mức nào vào cuối phiên giao dịch ngày 12/5?' 'VN-Index đã thay đổi như thế nào và đóng cửa ở mức bao nhiêu điểm trong phiên giao dịch ngày 16/5/2025?'
news	'Theo giải trình từ PHR, yếu tố nào đã giúp lợi nhuận ròng quý I/2025 tăng trưởng dù doanh thu giảm?' 'Giá trị mua ròng của khối ngoại trên thị trường chứng khoán Việt Nam trong phiên giao dịch ngày 14/5 là bao nhiêu?' 'Vì sao HOSE đưa cổ phiếu PSH sang diện kiểm soát từ ngày 14/5/2025?'

Evaluation

Metrics

Label	Accuracy
all	0.95

Uses

Direct Use for Inference

First install the SetFit library:

pip install setfit

Then you can load this model and run inference.

from setfit import SetFitModel

# Download from the 🤗 Hub
model = SetFitModel.from_pretrained("qxuanson/setfit-gte-base-20-shot")
# Run inference
preds = model("Hợp đồng VN30F2506 đóng cửa tại mức điểm nào vào ngày 28/5?")

Training Details

Training Set Metrics

Training set	Min	Median	Max
Word count	12	19.3	28

Label	Training Sample Count
index	20
news	20

Training Hyperparameters

• batch_size: (32, 32)
• num_epochs: (10, 10)
• max_steps: -1
• sampling_strategy: oversampling
• body_learning_rate: (2e-05, 1e-05)
• head_learning_rate: 0.01
• loss: CosineSimilarityLoss
• distance_metric: cosine_distance
• margin: 0.25
• end_to_end: False
• use_amp: False
• warmup_proportion: 0.1
• l2_weight: 0.01
• seed: 42
• eval_max_steps: -1
• load_best_model_at_end: False

Training Results

Epoch	Step	Training Loss	Validation Loss
0.0714	1	0.234	-
3.5714	50	0.0868	-
7.1429	100	0.0015	-

Framework Versions

• Python: 3.11.11
• SetFit: 1.1.2
• Sentence Transformers: 3.4.1
• Transformers: 4.51.3
• PyTorch: 2.6.0+cu124
• Datasets: 3.6.0
• Tokenizers: 0.21.1

Citation

BibTeX

@article{https://doi.org/10.48550/arxiv.2209.11055,
    doi = {10.48550/ARXIV.2209.11055},
    url = {https://arxiv.org/abs/2209.11055},
    author = {Tunstall, Lewis and Reimers, Nils and Jo, Unso Eun Seo and Bates, Luke and Korat, Daniel and Wasserblat, Moshe and Pereg, Oren},
    keywords = {Computation and Language (cs.CL), FOS: Computer and information sciences, FOS: Computer and information sciences},
    title = {Efficient Few-Shot Learning Without Prompts},
    publisher = {arXiv},
    year = {2022},
    copyright = {Creative Commons Attribution 4.0 International}
}