Add new SentenceTransformer model

.gitattributes

@@ -33,3 +33,5 @@ saved_model/**/* filter=lfs diff=lfs merge=lfs -text
 *.zip filter=lfs diff=lfs merge=lfs -text
 *.zst filter=lfs diff=lfs merge=lfs -text
 *tfevents* filter=lfs diff=lfs merge=lfs -text
+tokenizer.json filter=lfs diff=lfs merge=lfs -text
+unigram.json filter=lfs diff=lfs merge=lfs -text

1_Pooling/config.json

@@ -0,0 +1,10 @@
+{
+    "word_embedding_dimension": 384,
+    "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
+}

README.md

@@ -0,0 +1,779 @@
+---
+tags:
+- sentence-transformers
+- sentence-similarity
+- feature-extraction
+- dense
+- generated_from_trainer
+- dataset_size:361260
+- loss:CosineSimilarityLoss
+widget:
+- source_sentence: когда и кем был объявлен еретическим культ Астральных Ножей?
+  sentences:
+  - 'Вороные Мечи (англ. Sable Swords ) — орден Адептус Астартес неизвестного происхождения
+    и Основания [ 1 ] .
+
+
+    ИСТОРИЯ [ ]'
+  - 'Ракетная пусковая установка «Циклон» — специально разработана для использования
+    с тактическим доспехом дредноута . Позволяет быстро запускать ракеты с двойных
+    стеллажей, эта ракетная система также компенсирует некоторую негибкость терминатора
+    , предоставляя больше возможностей в бою. Каждый из ракетных отсеков установки
+    может быть загружен любым видом ракеты, позволяя носителю решать, каким типом
+    ракеты стрелять.
+
+    Одноразовый ракетомёт — пользуется популярностью у СПО , поскольку он прост в
+    использовании и не требует зарядки или перезарядки. Это оружие обычно поставляется
+    с предварительно заряженной фраг- или крак-ракетой.
+
+    Пусковая установка «Коготь Дрейка» — примитивная пусковая установка стреляет тонкоствольной
+    боеголовкой и названа в честь вольного торговца , который издевался над ее диковинным
+    внешним видом. Прямой урон минимален, но, как обнаружил Дрейк, взрывоопасный груз
+    разбивается на смертельные осколки, которые ужасны при удалении.'
+  - Записи, касающиеся событий мученической смерти Катерины, крайне скудны и порой
+    противоречивы, причем самый старый и надежный отчёт содержится в обугленном фрагменте
+    пергамента, известном как Свиток Канделы . Разборчивый почерк на этом свитке гласит,
+    что Катерина встретила свой конец, когда  была убита культом ведьм Мнестей, но
+    нет никаких указаний на то, что это был за культ или как им удалось убить почитаемого
+    воина.Записи Экклезиархии гласят, что известие о кончине Екатерины вызвало волну
+    скорби по всей Адепта Сороритас, и многие ордена проводили недельные молитвенные
+    бдения, дабы почтить смерть святой. Её сестры из ордена Огненного Сердца, в свою
+    очередь, так скорьели по потере Катерины, что переименовали свой орден в орден
+    Пресвятой Девы-Мученицы.
+- source_sentence: что такое шпилевая стража и какие силы её составляли?
+  sentences:
+  - 'ЧУМА НЕВЕРИЯ [ ]
+
+
+    Из числа многих ересей и восстаний, что ознаменовали Эру Отступничества, одной
+    из самых заметных стала «Чума Неверия». Вдохновлённая кардиналом Бухарисом, она
+    служит для Экклезиархии и её духовенства постоянным напоминанием того, что власть
+    может развратить тех, кто ею обладает. Экклезиархии остаётся только горько сожалеть
+    о том, что фанатичная вера, упорство и смелость Бухариса были направлены не на
+    пользу человечеству, а на удовлетворение собственных амбиций кардинала.
+
+
+    КАРДИНАЛ-ВЕРООТСТУПНИК [ ]'
+  - И тогда Магнус сдался. Не в силах больше смотреть на гибель своих детей и мира,
+    он ринулся навстречу Руссу. Поединок циклопа и берсерка в разрушенном сердце Тизки
+    был яростней всей предшествовавшей ему битвы, однако в итоге победил Русс. Сломав
+    Магнусу спину, он поднял свой морозный меч «Мьялнар» для решающего удара. Но прежде,
+    чем тот успел опустить клинок, Алый Король прошептал слово силы и исчез, воспарив
+    в варпе. Там он узрел спасение, скрывавшееся от него — само воплощение колдовства.
+    Осознав своё бесповоротное положение, Магнус Красный отринул Императора и полностью
+    отдался тёмному богу Тзинчу. В то же мгновение Тизка и Тысяча Сынов исчезли с
+    лица Просперо.
+  - 'КОМАНДОВАНИЕ [ ]
+
+
+    Департаменто Муниторум может быть представлен в совете Высших Лордов Терры следующими
+    людьми:
+
+    лорд-командующий милитант Имперской Гвардии
+
+    Канцлер имущества Империума
+
+    Магистр Администратума
+
+
+    ГЛАВНЫЕ СЛУЖБЫ [ ]'
+- source_sentence: какая неформальная метка была у сержанта Калена?
+  sentences:
+  - Действуя в качестве поддержки для команд Воинов Огня, эскадроны дронов вооружены
+    спаренными импульсными карабинами. Используя свое оружие, дроны заставляют противника
+    залегать, давая командам воинов Огня и «Кризисов» больше времени на применение
+    своей подавляющей огневой мощи. Наблюдатель и дроны оснащены генератором маскировочного
+    поля и прицельными матрицами. Наблюдатель оснащен контролирующим устройством для
+    дронов, сетевым целеуказателем и несет импульсный пистолет. Каждый дрон вооружен
+    электромагнитной винтовкой и имеет сопроводитель цели.
+  - Скрывающие свою скорбь под богато украшенными орденскими масками и скованные клятвой
+    Эрелимы вместе со своими братьями пронеслись по планете багровым приливом. Любого,
+    кто поднимал против них оружие, ждала только смерть, ибо это уже не было битвой,
+    противостоянием разумов и клинков в честном бою — это была бойня. Кровавые Ангелы
+    задействовали оружие и боеприпасы, использовать которые Сангвиний позволял лишь
+    в исключительных случаях — ужас, известный как фосфекс, и ненавистное, проклятое
+    рад-оружие. Города превращались в могильники обезображенных мертвецов, леса и
+    поля обращались прахом и пеплом, а крепости — открытыми почерневшими ранами. Анактор
+    Централис был не просто завоёван — он был разрушен. Не уцелел ни один вооружённый
+    человек, легионеры не оставили камня на камне, а немногочисленные уцелевшие стали
+    рабами в недрах легионных кораблей или на отдалённых мануфакториях.
+  - 'СНАРЯЖЕНИЕ: [ ]
+
+
+    Болтган модели «Умбра».
+
+    Плазменный пистолет «Плюющееся солнце» модели «Риза»: выдается линейным офицерам
+    со статусом ветерана.
+
+
+    ПРИМЕЧАНИЯ [ ]
+
+
+    На силовых доспехах сержанта Калена изображён символ легиона Гвардии Ворона, а
+    также знак молнии, свидетельствующий о том, что он служит в разведывательном отделении
+    легиона — белая личина считалась неформальной меткой сержанта отделения. Порядковый
+    номер на нагруднике указывает на принадлежность воина ко 2-му ордену, и, кроме
+    того, у него имеется ветеранская награда «Корвус Калвариам».
+
+
+    ИСТОЧНИК [ ]
+
+
+    Ересь Хоруса, книга 3 — Истребление'
+- source_sentence: каким образом кристаллические существа воспринимают окружающий
+    мир?
+  sentences:
+  - В конечном счёте выживших космодесантников, которых превосходили и числом, и огневой
+    мощью, загнали в главную оружейную. Здесь Гесперакс встретилась с Враксом в поединке,
+    с издёвкой пообещав даровать свободу лорду Хаоса и его бойцам, если ему удастся
+    победить её. С демонической силой, пылающей в венах, и выкованным в преисподней
+    палашом опытный мечник двинулся на свою стройную противницу. Гесперакс, по обыкновению
+    вышедшая на бой с обычным ножом в каждой руке, в ответ только слегка скривила
+    уголок своих прелестных губ, что можно было расценить как усмешку. Последовавшая
+    за этим битва походила на вихрь клинков, которые мелькали так быстро, что за ними
+    было не уследить, и уже спустя считанные мгновения меч Вракса ударился об пол,
+    сжимаемый отрезанными руками. На упругой коже нагой Лелит не виднелось ни единой
+    царапинки, только капли крови её противника. Но на этом она не остановилась. Ловко
+    укоротив ему руки и ноги, ведьма оставила противника беспомощно реветь от ярости.
+    Когда военачальник Хаоса пал, её последовательницы сомкнули кольцо вокруг остальных
+    космодесантников. В тот день всего один Альфа-Легионер покинул цитадель живым.
+    Его лишённое конечностей тело по-прежнему стонет в бесконечной агонии над Ониксовыми
+    вратами дворца Векта.
+  - С того момента, как Робаут оказался в Мальстриме и впервые услышал шёпот великого
+    демона, Судьбоплёт внедрял в его подсознание различные ловушки. Это давалось непросто,
+    ведь разум примарха был идеальной крепостью порядка и здравомыслия с внушительными
+    ментальными укреплениями. Но, действуя аккуратно и неторопливо, Кайрос добился
+    своего. Он выманил наружу чувство вины Жиллимана, его гнев и разочарование тем,
+    что осталось от Империума, его страх перед будущим. Изначально Оракул хотел лишить
+    примарха рассудка перед тем, как провести обряд, но вмешательство назойливых эльдар
+    заставило его поторопиться. Судьбоплёт надеялся, что проделанной работы хватит,
+    иначе Робаут наверняка изгонит его в варп и спасётся из шторма.
+  - Все кристаллы, кажется, созданы из полупрозрачного, молочно-белого вещества. Поверхность
+    многих покрывают узоры из трещин и сколов. Наблюдатели – по крайней мере, те,
+    что сохранили воспоминания об увиденном – докладывают, что эти узоры на кристаллах
+    постоянно меняются. Это может быть видимостью, вызванной свечением или вращением,
+    но нельзя исключать и того, что эти узоры действительно меняются. Легенды говорят,
+    что эти конструкты записывают на своей поверхности все поглощённые мысли, и видимые
+    внешние изменения кристалла отражают колебания последних полученных воспоминаний.
+- source_sentence: какие именно ордена космодесанта были созданы после Ереси Хоруса?
+  sentences:
+  - 'Ваул был богом-кузнецом, который существовал в пантеоне эльдар , брат Короля-Феникса
+    Азуриана .
+
+
+    ИСТОРИЯ [ ]'
+  - 'Поэтому, когда армии командующего боевой группой достигли Мезмоха, многие звездолёты
+    людей получили серьёзные повреждения, а несколько даже были уничтожены. Ранее
+    спокойная планета теперь горела зловещим светом: раскрывшие себя системы орбитальной
+    обороны вели огонь с земли. Вспыхивающие энергощитами и пылающие имперские шаттлы
+    тем не менее изрыгнули реки пехоты на поверхность планеты. Возглавившие наступление
+    Ультрамарины, пылкие Чёрные Храмовники и несколько истребительных групп Караула
+    Смерти организовали плацдармы на севере и на востоке от пилона. Следом высадились
+    целых 6 пехотных и бронетанковых полков Астра Милитарум, и прямо посреди них с
+    грохотом приземлился громадный челнок, перевозящий титана класса «Полководец»
+    «Деус Редемптор».'
+  - 'Астартес Презес — ордены космодесанта , которым поручено охранять области Империума
+    вокруг Ока Ужаса .
+
+    Древний фолиант, известный как « Мифос Ангелика Мортис », упоминает о двадцати
+    орденах космодесанта, созданных после Ереси Хоруса из геносемени примархов , не
+    обратившихся к Хаосу . Первоочередной задачей вновь созданных орденов была определена
+    защита имперских секторов вокруг Ока Ужаса и поддержка в случае необходимости
+    СПО Кадии и сил Инквизиции . Изначально эта группа состояла из 20 орденов; позже
+    один из этих орденов был признан уничтоженным, а ещё два объявлены Экскоммуникат
+    Трайторис .
+
+
+    ИЗВЕСТНЫЕ ОРДЕНА [ ]'
+pipeline_tag: sentence-similarity
+library_name: sentence-transformers
+metrics:
+- pearson_cosine
+- spearman_cosine
+model-index:
+- name: SentenceTransformer
+  results:
+  - task:
+      type: semantic-similarity
+      name: Semantic Similarity
+    dataset:
+      name: warhammer test
+      type: warhammer-test
+    metrics:
+    - type: pearson_cosine
+      value: 0.6253327879288649
+      name: Pearson Cosine
+    - type: spearman_cosine
+      value: 0.5965594084521391
+      name: Spearman Cosine
+---
+
+# SentenceTransformer
+
+This is a [sentence-transformers](https://www.SBERT.net) model trained. It maps sentences & paragraphs to a 384-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:** [Unknown](https://huggingface.co/unknown) -->
+- **Maximum Sequence Length:** 128 tokens
+- **Output Dimensionality:** 384 dimensions
+- **Similarity Function:** Cosine Similarity
+<!-- - **Training Dataset:** Unknown -->
+<!-- - **Language:** Unknown -->
+<!-- - **License:** Unknown -->
+
+### 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': 128, 'do_lower_case': False, 'architecture': 'BertModel'})
+  (1): Pooling({'word_embedding_dimension': 384, '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("AlexanderAA/wh_sentence_model_ft")
+# Run inference
+sentences = [
+    'какие именно ордена космодесанта были созданы после Ереси Хоруса?',
+    'Астартес Презес — ордены космодесанта , которым поручено охранять области Империума вокруг Ока Ужаса .\nДревний фолиант, известный как « Мифос Ангелика Мортис », упоминает о двадцати орденах космодесанта, созданных после Ереси Хоруса из геносемени примархов , не обратившихся к Хаосу . Первоочередной задачей вновь созданных орденов была определена защита имперских секторов вокруг Ока Ужаса и поддержка в случае необходимости СПО Кадии и сил Инквизиции . Изначально эта группа состояла из 20 орденов; позже один из этих орденов был признан уничтоженным, а ещё два объявлены Экскоммуникат Трайторис .\n\nИЗВЕСТНЫЕ ОРДЕНА [ ]',
+    'Ваул был богом-кузнецом, который существовал в пантеоне эльдар , брат Короля-Феникса Азуриана .\n\nИСТОРИЯ [ ]',
+]
+embeddings = model.encode(sentences)
+print(embeddings.shape)
+# [3, 384]
+
+# Get the similarity scores for the embeddings
+similarities = model.similarity(embeddings, embeddings)
+print(similarities)
+# tensor([[1.0000, 0.6150, 0.0683],
+#         [0.6150, 1.0000, 0.2699],
+#         [0.0683, 0.2699, 1.0000]])
+```
+
+<!--
+### 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
+
+#### Semantic Similarity
+
+* Dataset: `warhammer-test`
+* Evaluated with [<code>EmbeddingSimilarityEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.EmbeddingSimilarityEvaluator)
+
+| Metric              | Value      |
+|:--------------------|:-----------|
+| pearson_cosine      | 0.6253     |
+| **spearman_cosine** | **0.5966** |
+
+<!--
+## 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
+
+#### Unnamed Dataset
+
+* Size: 361,260 training samples
+* Columns: <code>sentence_0</code>, <code>sentence_1</code>, and <code>label</code>
+* Approximate statistics based on the first 1000 samples:
+  |         | sentence_0                                                                        | sentence_1                                                                           | label                                                          |
+  |:--------|:----------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------|:---------------------------------------------------------------|
+  | type    | string                                                                            | string                                                                               | float                                                          |
+  | details | <ul><li>min: 8 tokens</li><li>mean: 18.64 tokens</li><li>max: 41 tokens</li></ul> | <ul><li>min: 36 tokens</li><li>mean: 123.93 tokens</li><li>max: 128 tokens</li></ul> | <ul><li>min: 0.0</li><li>mean: 0.33</li><li>max: 1.0</li></ul> |
+* Samples:
+  | sentence_0                                                                                         | sentence_1                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                               | label            |
+  |:---------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-----------------|
+  | <code>почему большое количество быстро движущихся транспортов сложно остановить перед боем?</code> | <code>Однако уже давно ни одному племени не удаётся стать главным: климат и география мира делают почти невозможной защиту больше одного поселения. Терзающие поверхность песчаные бури могут длиться неделями и способны уничтожить целые крепости, разорвав стены и за мгновения ободрав до костей даже орков. Особенно разрушительны три бесконечных бури, известных оркам как Улг, Бур и Ззук. Эти многокилометровой ширины бури мчатся по поверхности Берина, часто сталкиваются и разрушают всё на своём пути. Орочьи псайкеры, известные как чудилы, испытывают странный интерес к штормам и верят, что в их сердцах крадутся демоны, которые разрывают орков и оставляют странного вида послания.</code>                                                                                                                                                                                                                                                                                                                                         | <code>0.0</code> |
+  | <code>что значит 'смертный приговор, смягчённый до тех пор, пока они были полезны'?</code>         | <code>В штрафные легионы попадают гвардейцы, чья высшая мера наказания за преступления была заменена пожизненной службой. Это дикие банды отчаянных головорезов, одна часть которых сошла с ума от ярости, а другая — от раскаяния. Выпущенные из камер смертников из-за своих способностей или животного инстинкта, эти подонки составляют самую несдержанную, яростную и взрывную армию во всей Имперской Гвардии.</code>                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                              | <code>0.0</code> |
+  | <code>что символизирует внешний вид врат вечности и какая сила охраняет проход после них?</code>   | <code>Врата Вечности — последние ворота в символическое сердце Царства Человечества — Санктум Империалис, самое священное место для людей во всей Галактике. К самим дверям ведёт двухкилометровая широкая дорога, на которой рядами выставлены тысячи развёрнутых знамён самых разных форм и расцветок. Эти древние и потрепанные флаги когда-то принадлежали самым великим и доблестным армиям и героям, которые когда-либо сражались за Человечество — Дорн Непоколебимый, Малкадор Герой , Солар Махарий , и тысячи других флагов полков Имперской Гвардии , орденов Адептус Астартес и линейных флотов . Подобно тому, как верные слуги чтили Императора доблестью и самопожертвованием, так и Он воздаёт им хвалу. В конце этой дороги славы находятся сами Врата — две огромные двери из прочного адамантия и керамита . Внешняя поверхность дверей покрыта сверкающим золотом, на котором вырезано изображение Императора на пике своей славы — с мечом и щитом Он повергает змееподобную тварь, воплощение зла и раздора. Два титана ...</code> | <code>1.0</code> |
+* Loss: [<code>CosineSimilarityLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#cosinesimilarityloss) with these parameters:
+  ```json
+  {
+      "loss_fct": "torch.nn.modules.loss.MSELoss"
+  }
+  ```
+
+### Training Hyperparameters
+#### Non-Default Hyperparameters
+
+- `eval_strategy`: steps
+- `per_device_train_batch_size`: 32
+- `per_device_eval_batch_size`: 32
+- `num_train_epochs`: 6
+- `multi_dataset_batch_sampler`: round_robin
+
+#### 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`: 32
+- `per_device_eval_batch_size`: 32
+- `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`: 6
+- `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`: {}
+
+</details>
+
+### Training Logs
+<details><summary>Click to expand</summary>
+
+| Epoch  | Step  | Training Loss | warhammer-test_spearman_cosine |
+|:------:|:-----:|:-------------:|:------------------------------:|
+| 0.0443 | 500   | 0.1603        | -                              |
+| 0.0886 | 1000  | 0.1627        | -                              |
+| 0.1329 | 1500  | 0.1596        | -                              |
+| 0.1771 | 2000  | 0.1627        | -                              |
+| 0.2214 | 2500  | 0.1612        | 0.5293                         |
+| 0.2657 | 3000  | 0.16          | -                              |
+| 0.3100 | 3500  | 0.1609        | -                              |
+| 0.3543 | 4000  | 0.158         | -                              |
+| 0.3986 | 4500  | 0.1575        | -                              |
+| 0.4429 | 5000  | 0.156         | 0.5508                         |
+| 0.0443 | 500   | 0.1462        | -                              |
+| 0.0886 | 1000  | 0.148         | -                              |
+| 0.1329 | 1500  | 0.1492        | -                              |
+| 0.1771 | 2000  | 0.1505        | -                              |
+| 0.2214 | 2500  | 0.1498        | 0.5457                         |
+| 0.2657 | 3000  | 0.1488        | -                              |
+| 0.3100 | 3500  | 0.1489        | -                              |
+| 0.3543 | 4000  | 0.1495        | -                              |
+| 0.3986 | 4500  | 0.1454        | -                              |
+| 0.4429 | 5000  | 0.1476        | 0.5637                         |
+| 0.4872 | 5500  | 0.147         | -                              |
+| 0.5314 | 6000  | 0.1462        | -                              |
+| 0.5757 | 6500  | 0.1447        | -                              |
+| 0.6200 | 7000  | 0.1459        | -                              |
+| 0.6643 | 7500  | 0.148         | 0.5674                         |
+| 0.7086 | 8000  | 0.1464        | -                              |
+| 0.7529 | 8500  | 0.1457        | -                              |
+| 0.7972 | 9000  | 0.1468        | -                              |
+| 0.8415 | 9500  | 0.1475        | -                              |
+| 0.8857 | 10000 | 0.1457        | 0.5789                         |
+| 0.9300 | 10500 | 0.1456        | -                              |
+| 0.9743 | 11000 | 0.1443        | -                              |
+| 1.0    | 11290 | -             | 0.5856                         |
+| 1.0186 | 11500 | 0.1382        | -                              |
+| 1.0629 | 12000 | 0.1298        | -                              |
+| 1.1072 | 12500 | 0.1307        | 0.5780                         |
+| 1.1515 | 13000 | 0.127         | -                              |
+| 1.1957 | 13500 | 0.1277        | -                              |
+| 1.2400 | 14000 | 0.129         | -                              |
+| 1.2843 | 14500 | 0.1305        | -                              |
+| 1.3286 | 15000 | 0.1311        | 0.5810                         |
+| 1.3729 | 15500 | 0.1308        | -                              |
+| 1.4172 | 16000 | 0.1271        | -                              |
+| 1.4615 | 16500 | 0.1314        | -                              |
+| 1.5058 | 17000 | 0.1312        | -                              |
+| 1.5500 | 17500 | 0.1313        | 0.5880                         |
+| 1.5943 | 18000 | 0.1337        | -                              |
+| 1.6386 | 18500 | 0.1308        | -                              |
+| 1.6829 | 19000 | 0.1298        | -                              |
+| 1.7272 | 19500 | 0.129         | -                              |
+| 1.7715 | 20000 | 0.1299        | 0.5890                         |
+| 1.8158 | 20500 | 0.13          | -                              |
+| 1.8601 | 21000 | 0.133         | -                              |
+| 1.9043 | 21500 | 0.129         | -                              |
+| 1.9486 | 22000 | 0.1323        | -                              |
+| 1.9929 | 22500 | 0.1316        | 0.5925                         |
+| 2.0    | 22580 | -             | 0.5942                         |
+| 2.0372 | 23000 | 0.1168        | -                              |
+| 2.0815 | 23500 | 0.1181        | -                              |
+| 2.1258 | 24000 | 0.1173        | -                              |
+| 2.1701 | 24500 | 0.1173        | -                              |
+| 2.2143 | 25000 | 0.1163        | 0.5852                         |
+| 2.2586 | 25500 | 0.1173        | -                              |
+| 2.3029 | 26000 | 0.1186        | -                              |
+| 2.3472 | 26500 | 0.1188        | -                              |
+| 2.3915 | 27000 | 0.1171        | -                              |
+| 2.4358 | 27500 | 0.1161        | 0.5835                         |
+| 2.4801 | 28000 | 0.1176        | -                              |
+| 2.5244 | 28500 | 0.1161        | -                              |
+| 2.5686 | 29000 | 0.1197        | -                              |
+| 2.6129 | 29500 | 0.1185        | -                              |
+| 2.6572 | 30000 | 0.1186        | 0.5904                         |
+| 2.7015 | 30500 | 0.1198        | -                              |
+| 2.7458 | 31000 | 0.1189        | -                              |
+| 2.7901 | 31500 | 0.1189        | -                              |
+| 2.8344 | 32000 | 0.1205        | -                              |
+| 2.8787 | 32500 | 0.1186        | 0.5926                         |
+| 2.9229 | 33000 | 0.1166        | -                              |
+| 2.9672 | 33500 | 0.1192        | -                              |
+| 3.0    | 33870 | -             | 0.5974                         |
+| 3.0115 | 34000 | 0.1124        | -                              |
+| 3.0558 | 34500 | 0.1071        | -                              |
+| 3.1001 | 35000 | 0.1064        | 0.5907                         |
+| 3.1444 | 35500 | 0.1077        | -                              |
+| 3.1887 | 36000 | 0.1068        | -                              |
+| 3.2329 | 36500 | 0.1065        | -                              |
+| 3.2772 | 37000 | 0.1092        | -                              |
+| 3.3215 | 37500 | 0.1098        | 0.5880                         |
+| 3.3658 | 38000 | 0.1086        | -                              |
+| 3.4101 | 38500 | 0.1086        | -                              |
+| 3.4544 | 39000 | 0.1085        | -                              |
+| 3.4987 | 39500 | 0.1077        | -                              |
+| 3.5430 | 40000 | 0.1085        | 0.5904                         |
+| 3.5872 | 40500 | 0.1093        | -                              |
+| 3.6315 | 41000 | 0.1086        | -                              |
+| 3.6758 | 41500 | 0.1084        | -                              |
+| 3.7201 | 42000 | 0.1083        | -                              |
+| 3.7644 | 42500 | 0.1108        | 0.5904                         |
+| 3.8087 | 43000 | 0.1131        | -                              |
+| 3.8530 | 43500 | 0.1112        | -                              |
+| 3.8973 | 44000 | 0.1089        | -                              |
+| 3.9415 | 44500 | 0.1083        | -                              |
+| 3.9858 | 45000 | 0.1086        | 0.5990                         |
+| 4.0    | 45160 | -             | 0.5993                         |
+| 4.0301 | 45500 | 0.1023        | -                              |
+| 4.0744 | 46000 | 0.0996        | -                              |
+| 4.1187 | 46500 | 0.1006        | -                              |
+| 4.1630 | 47000 | 0.0994        | -                              |
+| 4.2073 | 47500 | 0.0995        | 0.5943                         |
+| 4.2516 | 48000 | 0.1009        | -                              |
+| 4.2958 | 48500 | 0.1015        | -                              |
+| 4.3401 | 49000 | 0.1024        | -                              |
+| 4.3844 | 49500 | 0.1004        | -                              |
+| 4.4287 | 50000 | 0.1015        | 0.5929                         |
+| 4.4730 | 50500 | 0.1018        | -                              |
+| 4.5173 | 51000 | 0.1028        | -                              |
+| 4.5616 | 51500 | 0.1025        | -                              |
+| 4.6058 | 52000 | 0.1021        | -                              |
+| 4.6501 | 52500 | 0.1014        | 0.5972                         |
+| 4.6944 | 53000 | 0.1011        | -                              |
+| 4.7387 | 53500 | 0.1031        | -                              |
+| 4.7830 | 54000 | 0.1019        | -                              |
+| 4.8273 | 54500 | 0.1029        | -                              |
+| 4.8716 | 55000 | 0.1027        | 0.5964                         |
+| 4.9159 | 55500 | 0.1015        | -                              |
+| 4.9601 | 56000 | 0.1003        | -                              |
+| 5.0    | 56450 | -             | 0.5951                         |
+| 5.0044 | 56500 | 0.1017        | -                              |
+| 5.0487 | 57000 | 0.0958        | -                              |
+| 5.0930 | 57500 | 0.0958        | 0.5939                         |
+| 5.1373 | 58000 | 0.0941        | -                              |
+| 5.1816 | 58500 | 0.0945        | -                              |
+| 5.2259 | 59000 | 0.0981        | -                              |
+| 5.2702 | 59500 | 0.095         | -                              |
+| 5.3144 | 60000 | 0.0958        | 0.5939                         |
+| 5.3587 | 60500 | 0.0964        | -                              |
+| 5.4030 | 61000 | 0.0955        | -                              |
+| 5.4473 | 61500 | 0.0982        | -                              |
+| 5.4916 | 62000 | 0.0962        | -                              |
+| 5.5359 | 62500 | 0.0953        | 0.5942                         |
+| 5.5802 | 63000 | 0.0966        | -                              |
+| 5.6244 | 63500 | 0.0979        | -                              |
+| 5.6687 | 64000 | 0.0931        | -                              |
+| 5.7130 | 64500 | 0.0966        | -                              |
+| 5.7573 | 65000 | 0.0938        | 0.5948                         |
+| 5.8016 | 65500 | 0.0959        | -                              |
+| 5.8459 | 66000 | 0.0948        | -                              |
+| 5.8902 | 66500 | 0.0963        | -                              |
+| 5.9345 | 67000 | 0.0941        | -                              |
+| 5.9787 | 67500 | 0.0962        | 0.5952                         |
+| 6.0    | 67740 | -             | 0.5952                         |
+| 0.0443 | 500   | 0.0975        | -                              |
+| 0.0886 | 1000  | 0.101         | -                              |
+| 0.1329 | 1500  | 0.1018        | -                              |
+| 0.1771 | 2000  | 0.1028        | -                              |
+| 0.2214 | 2500  | 0.1039        | 0.5804                         |
+| 0.2657 | 3000  | 0.1069        | -                              |
+| 0.3100 | 3500  | 0.1053        | -                              |
+| 0.3543 | 4000  | 0.1056        | -                              |
+| 0.3986 | 4500  | 0.1081        | -                              |
+| 0.4429 | 5000  | 0.1089        | 0.5831                         |
+| 0.4872 | 5500  | 0.106         | -                              |
+| 0.5314 | 6000  | 0.1087        | -                              |
+| 0.5757 | 6500  | 0.1083        | -                              |
+| 0.6200 | 7000  | 0.1109        | -                              |
+| 0.6643 | 7500  | 0.1093        | 0.5903                         |
+| 0.7086 | 8000  | 0.1091        | -                              |
+| 0.7529 | 8500  | 0.1077        | -                              |
+| 0.7972 | 9000  | 0.1086        | -                              |
+| 0.8415 | 9500  | 0.1107        | -                              |
+| 0.8857 | 10000 | 0.1115        | 0.5928                         |
+| 0.9300 | 10500 | 0.1102        | -                              |
+| 0.9743 | 11000 | 0.1097        | -                              |
+| 1.0    | 11290 | -             | 0.5961                         |
+| 1.0186 | 11500 | 0.1048        | -                              |
+| 1.0629 | 12000 | 0.0948        | -                              |
+| 1.1072 | 12500 | 0.0954        | 0.5894                         |
+| 1.1515 | 13000 | 0.0991        | -                              |
+| 1.1957 | 13500 | 0.0971        | -                              |
+| 1.2400 | 14000 | 0.0998        | -                              |
+| 1.2843 | 14500 | 0.0975        | -                              |
+| 1.3286 | 15000 | 0.0961        | 0.5859                         |
+| 1.3729 | 15500 | 0.0998        | -                              |
+| 1.4172 | 16000 | 0.0986        | -                              |
+| 1.4615 | 16500 | 0.0985        | -                              |
+| 1.5058 | 17000 | 0.098         | -                              |
+| 1.5500 | 17500 | 0.1           | 0.5844                         |
+| 1.5943 | 18000 | 0.0992        | -                              |
+| 1.6386 | 18500 | 0.1001        | -                              |
+| 1.6829 | 19000 | 0.1008        | -                              |
+| 1.7272 | 19500 | 0.0996        | -                              |
+| 1.7715 | 20000 | 0.1012        | 0.5909                         |
+| 1.8158 | 20500 | 0.1017        | -                              |
+| 1.8601 | 21000 | 0.1022        | -                              |
+| 1.9043 | 21500 | 0.1008        | -                              |
+| 1.9486 | 22000 | 0.101         | -                              |
+| 1.9929 | 22500 | 0.1021        | 0.5935                         |
+| 2.0    | 22580 | -             | 0.5960                         |
+| 2.0372 | 23000 | 0.0894        | -                              |
+| 2.0815 | 23500 | 0.0881        | -                              |
+| 2.1258 | 24000 | 0.0885        | -                              |
+| 2.1701 | 24500 | 0.0903        | -                              |
+| 2.2143 | 25000 | 0.0891        | 0.5887                         |
+| 2.2586 | 25500 | 0.0893        | -                              |
+| 2.3029 | 26000 | 0.0918        | -                              |
+| 2.3472 | 26500 | 0.089         | -                              |
+| 2.3915 | 27000 | 0.0913        | -                              |
+| 2.4358 | 27500 | 0.0926        | 0.5897                         |
+| 2.4801 | 28000 | 0.091         | -                              |
+| 2.5244 | 28500 | 0.092         | -                              |
+| 2.5686 | 29000 | 0.0923        | -                              |
+| 2.6129 | 29500 | 0.0933        | -                              |
+| 2.6572 | 30000 | 0.0927        | 0.5919                         |
+| 2.7015 | 30500 | 0.092         | -                              |
+| 2.7458 | 31000 | 0.095         | -                              |
+| 2.7901 | 31500 | 0.0914        | -                              |
+| 2.8344 | 32000 | 0.0932        | -                              |
+| 2.8787 | 32500 | 0.0929        | 0.5908                         |
+| 2.9229 | 33000 | 0.0922        | -                              |
+| 2.9672 | 33500 | 0.0929        | -                              |
+| 3.0    | 33870 | -             | 0.5960                         |
+| 3.0115 | 34000 | 0.0883        | -                              |
+| 3.0558 | 34500 | 0.0813        | -                              |
+| 3.1001 | 35000 | 0.082         | 0.5914                         |
+| 3.1444 | 35500 | 0.0827        | -                              |
+| 3.1887 | 36000 | 0.0823        | -                              |
+| 3.2329 | 36500 | 0.0823        | -                              |
+| 3.2772 | 37000 | 0.0831        | -                              |
+| 3.3215 | 37500 | 0.0824        | 0.5873                         |
+| 3.3658 | 38000 | 0.084         | -                              |
+| 3.4101 | 38500 | 0.0836        | -                              |
+| 3.4544 | 39000 | 0.0851        | -                              |
+| 3.4987 | 39500 | 0.0859        | -                              |
+| 3.5430 | 40000 | 0.086         | 0.5899                         |
+| 3.5872 | 40500 | 0.0867        | -                              |
+| 3.6315 | 41000 | 0.0833        | -                              |
+| 3.6758 | 41500 | 0.0856        | -                              |
+| 3.7201 | 42000 | 0.0857        | -                              |
+| 3.7644 | 42500 | 0.086         | 0.5909                         |
+| 3.8087 | 43000 | 0.0854        | -                              |
+| 3.8530 | 43500 | 0.0849        | -                              |
+| 3.8973 | 44000 | 0.0849        | -                              |
+| 3.9415 | 44500 | 0.0858        | -                              |
+| 3.9858 | 45000 | 0.0867        | 0.5949                         |
+| 4.0    | 45160 | -             | 0.5966                         |
+
+</details>
+
+### Framework Versions
+- Python: 3.10.12
+- Sentence Transformers: 5.1.0
+- Transformers: 4.55.4
+- PyTorch: 2.3.1+cu121
+- Accelerate: 1.10.1
+- 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",
+}
+```
+
+<!--
+## Glossary
+
+*Clearly define terms in order to be accessible across audiences.*
+-->
+
+<!--
+## Model Card Authors
+
+*Lists the people who create the model card, providing recognition and accountability for the detailed work that goes into its construction.*
+-->
+
+<!--
+## Model Card Contact
+
+*Provides a way for people who have updates to the Model Card, suggestions, or questions, to contact the Model Card authors.*
+-->

config.json

@@ -0,0 +1,25 @@
+{
+  "architectures": [
+    "BertModel"
+  ],
+  "attention_probs_dropout_prob": 0.1,
+  "classifier_dropout": null,
+  "gradient_checkpointing": false,
+  "hidden_act": "gelu",
+  "hidden_dropout_prob": 0.1,
+  "hidden_size": 384,
+  "initializer_range": 0.02,
+  "intermediate_size": 1536,
+  "layer_norm_eps": 1e-12,
+  "max_position_embeddings": 512,
+  "model_type": "bert",
+  "num_attention_heads": 12,
+  "num_hidden_layers": 12,
+  "pad_token_id": 0,
+  "position_embedding_type": "absolute",
+  "torch_dtype": "float32",
+  "transformers_version": "4.55.4",
+  "type_vocab_size": 2,
+  "use_cache": true,
+  "vocab_size": 250037
+}

config_sentence_transformers.json

@@ -0,0 +1,14 @@
+{
+  "__version__": {
+    "sentence_transformers": "5.1.0",
+    "transformers": "4.55.4",
+    "pytorch": "2.3.1+cu121"
+  },
+  "model_type": "SentenceTransformer",
+  "prompts": {
+    "query": "",
+    "document": ""
+  },
+  "default_prompt_name": null,
+  "similarity_fn_name": "cosine"
+}

model.safetensors

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:4d2cba6f182a921f291a3e09128aa095ba3a23792653863c296156ac53914b81
+size 470637416

modules.json

@@ -0,0 +1,14 @@
+[
+  {
+    "idx": 0,
+    "name": "0",
+    "path": "",
+    "type": "sentence_transformers.models.Transformer"
+  },
+  {
+    "idx": 1,
+    "name": "1",
+    "path": "1_Pooling",
+    "type": "sentence_transformers.models.Pooling"
+  }
+]

sentence_bert_config.json

@@ -0,0 +1,4 @@
+{
+    "max_seq_length": 128,
+    "do_lower_case": false
+}

special_tokens_map.json

@@ -0,0 +1,51 @@
+{
+  "bos_token": {
+    "content": "<s>",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "cls_token": {
+    "content": "<s>",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "eos_token": {
+    "content": "</s>",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "mask_token": {
+    "content": "<mask>",
+    "lstrip": true,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "pad_token": {
+    "content": "<pad>",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "sep_token": {
+    "content": "</s>",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "unk_token": {
+    "content": "<unk>",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  }
+}

tokenizer.json

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:cad551d5600a84242d0973327029452a1e3672ba6313c2a3c3d69c4310e12719
+size 17082987

tokenizer_config.json

@@ -0,0 +1,65 @@
+{
+  "added_tokens_decoder": {
+    "0": {
+      "content": "<s>",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "1": {
+      "content": "<pad>",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "2": {
+      "content": "</s>",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "3": {
+      "content": "<unk>",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "250001": {
+      "content": "<mask>",
+      "lstrip": true,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    }
+  },
+  "bos_token": "<s>",
+  "clean_up_tokenization_spaces": false,
+  "cls_token": "<s>",
+  "do_lower_case": true,
+  "eos_token": "</s>",
+  "extra_special_tokens": {},
+  "mask_token": "<mask>",
+  "max_length": 128,
+  "model_max_length": 128,
+  "pad_to_multiple_of": null,
+  "pad_token": "<pad>",
+  "pad_token_type_id": 0,
+  "padding_side": "right",
+  "sep_token": "</s>",
+  "stride": 0,
+  "strip_accents": null,
+  "tokenize_chinese_chars": true,
+  "tokenizer_class": "BertTokenizer",
+  "truncation_side": "right",
+  "truncation_strategy": "longest_first",
+  "unk_token": "<unk>"
+}

unigram.json

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:da145b5e7700ae40f16691ec32a0b1fdc1ee3298db22a31ea55f57a966c4a65d
+size 14763260