File size: 42,760 Bytes
15e722d 814d97e 15e722d 814d97e 15e722d 814d97e 15e722d 814d97e 15e722d 814d97e 15e722d 814d97e 15e722d 814d97e 15e722d 814d97e 15e722d 814d97e 15e722d 814d97e 15e722d 814d97e 15e722d 814d97e 15e722d 814d97e 15e722d 814d97e 15e722d 814d97e 15e722d 814d97e 15e722d 814d97e 15e722d 814d97e 15e722d 814d97e 15e722d 814d97e 15e722d 814d97e 15e722d 814d97e 15e722d 814d97e 15e722d 814d97e 15e722d 814d97e 15e722d 814d97e 15e722d 814d97e 15e722d 814d97e 15e722d 814d97e 15e722d |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 |
---
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:6680
- loss:MultipleNegativesRankingLoss
base_model: intfloat/multilingual-e5-large
widget:
- source_sentence: 'query: Каковы последствия для банка при кредитовании клиентов-банкротов?'
sentences:
- 'passage: Существуют следующие ограничения:
01. Расходный лимит на месяц:
Устанавливается лимит на все расходные операции по карте на месяц. Сумму лимита
можно изменить в любой момент. Уведомление об установлении лимита ребенку приходить
не будет. Ребенок в своем МП СБОЛ также может скорректировать сумму этого лимита
или полностью убрать установленный законным представителем лимит (если ребенку
доступно данное действие). В этом случае уведомление законному представителю также
не придет.'
- "passage: С каким вопросом обратился банкрот?\n\n11. Получение кредита/ кредитной\
\ карты, погашение задолженности по кредиту\n\n1. Банк не осуществляет:\n- кредитование\
\ Клиентов-банкротов; \n- выпуск, досрочный перевыпуск и выдачу личных дебетовых/кредитных\
\ карт Клиентам-банкротам, в т.ч. дебетовых карт с овердрафтом и дополнительных\
\ дебетовых и кредитных карт к счету Клиента-банкрота. \n\nКлиент -банкрот (в\
\ любой стадии) может погасить задолженность по своему кредиту только при наличии\
\ РАЗРЕШЕНИЯ ФУ на проведение данной операции с указанием номера кредитного договора\
\ и суммы гашения. Операция проводится в стандартном режиме.\n\n\nБезналичное\
\ гашение кредита банкротом при наличии РАЗРЕШЕНИЯ ФУ:\nВходит в АС ФС в подсистему\
\ «Переводы физических лиц» → \nвыбирает «Операции без идентификации» → \nоперация\
\ «1. Оформление переводов физических лиц» → \n«1. Переводы по системе Сбербанка»\
\ → \n«Переводы со счета для зачисления на счет» → \nуказывает № счета клиента-банкрота,\
\ с которого будет перевод, → \nвыбирает «Перевод целевых кредитов, полученных\
\ в Сбербанке России, а также собственных средств по назначению кредита» → \n\
выбирает Перевод с целью погашения кредита → \nуказывает Сумму → \nвводит реквизиты\
\ ОСБ/ВСП* → \nвводит ФИО получателя (клиента-банкрота) и № ссудного счета/№ счета\
\ кредитной карты → \nв реквизитах отправителя указывает данные ДУЛ Финансового\
\ управляющего и Информацию о кредитных обязательствах: Оплата задолженности по\
\ кредитному договору №____ от __.__.20__ г./ кредитной карте № _________; дело\
\ о банкротстве №_________, клиент: Иванов Иван Иванович."
- "passage: С каким вопросом обратился ФУ?\n\n04. Открытие счета на имя банкрота\
\ \n\nНа имя банкрота финансовый управляющий может открыть Специальный банковский\
\ счет, любой другой счет, в том числе ГЖС, эскроу\nКакой счет желает открыть\
\ ФУ"
- source_sentence: 'query: Что необходимо указать в обращении при информировании ПЦП
Центра комплаенс Московского Банка?'
sentences:
- 'passage: Возможные ошибки:
Связь не создана
Техническая ошибка. Повторите операцию позже.'
- "passage: Выбрать возраст ребенка\n\nребенку от 14 до 18 лет\n\nЕсли представитель\
\ ребенку от 14 до 18 лет является приемным родителем\n\nЗапросите следующие документы\
\ удостоверяющую личность или нотариально заверенную копию и один из документов,\
\ подтверждающие полномочия:\n\nДоговор о приемной семье\n\nДокумент органов опеки\
\ и попечительства \n\nПроставить галочку \"Документы предъявлены\" и нажать кнопку\
\ \"Продолжить\""
- 'passage: Выберите вопрос:
После завершения обслуживания и ухода клиента возникли подозрения, что операция
или выпуск/перевыпуск карт(ы) проводились с целью легализации преступных доходов?
Для информирования ПЦП Центр комплаенс/комплаенс Московского Банка незамедлительно
направьте сведения о выявленном факте через ДРУГ (см. картинку)
При заполнении обращения подробно опишите возникшие подозрения для сокращения
времени принятия решения в отношении клиента и инструментов удаленного доступа
к счету.
ВАЖНО!!!
Если Вы информируете ПЦП Центр комплаенс/комплаенс Московского Банка о свершившимся
факте массового открытия клиенту банковских карт, в т.ч. в составе организованной
группы, то дополнительно ознакомьтесь с признаками согласования выпуска/перевыпуска
карт(ы) при приеме от клиента заявления. Чтобы в следующий раз согласовать либо
отказать клиенту в выпуске/перевыпуске карт(ы) на этапе приема заявления, а не
после окончания обслуживания.'
- source_sentence: 'query: Какая заявка требуется для исправления данных о ребёнке,
если он числится умершим?'
sentences:
- 'query: Что писать в теме электронного письма для смены маркера?'
- 'query: Что нужно подать для исправления информации о ребёнке, если он зарегистрирован
как умерший?'
- 'query: Какой статус подопечного следует указать при добавлении нового подопечного?'
- source_sentence: 'query: Какое свидетельство необходимо для подтверждения полномочий
родителя или усыновителя несовершеннолетнего?'
sentences:
- 'query: Что нужно сделать, чтобы разблокировать карту перед снятием наличных?'
- 'query: Какой документ требуется для подтверждения полномочий родителей или усыновителей
несовершеннолетних?'
- 'query: Что необходимо предоставить в АС СберДруг для вопроса о военной пенсии
банкрота?'
- source_sentence: 'query: Что нужно для подтверждения прав родителя или усыновителя
ребенка с 14 до 18 лет?'
sentences:
- 'query: Какие категории клиентов обслуживаются законными представителями по документу?'
- 'query: Какие справки нужны, чтобы подтвердить полномочия родителей или усыновителей
несовершеннолетних от 14 до 18 лет?'
- 'query: Кто имеет право переводить деньги на счет по правилам Гражданского Кодекса
РФ?'
pipeline_tag: sentence-similarity
library_name: sentence-transformers
---
# SentenceTransformer based on intfloat/multilingual-e5-large
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [intfloat/multilingual-e5-large](https://huggingface.co/intfloat/multilingual-e5-large) on the q2q_data and q2p_data datasets. It maps sentences & paragraphs to a 1024-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:** [intfloat/multilingual-e5-large](https://huggingface.co/intfloat/multilingual-e5-large) <!-- at revision 0dc5580a448e4284468b8909bae50fa925907bc5 -->
- **Maximum Sequence Length:** 512 tokens
- **Output Dimensionality:** 1024 dimensions
- **Similarity Function:** Cosine Similarity
- **Training Datasets:**
- q2q_data
- q2p_data
<!-- - **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': 512, 'do_lower_case': False}) with Transformer model: XLMRobertaModel
(1): Pooling({'word_embedding_dimension': 1024, '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:
```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("George2002/sledopyt_embedder_v2")
# Run inference
sentences = [
'query: Что нужно для подтверждения прав родителя или усыновителя ребенка с 14 до 18 лет?',
'query: Какие справки нужны, чтобы подтвердить полномочия родителей или усыновителей несовершеннолетних от 14 до 18 лет?',
'query: Кто имеет право переводить деньги на счет по правилам Гражданского Кодекса РФ?',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 1024]
# 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.*
-->
<!--
## 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 Datasets
#### q2q_data
* Dataset: q2q_data
* Size: 5,139 training samples
* Columns: <code>query_1</code> and <code>query_2</code>
* Approximate statistics based on the first 1000 samples:
| | query_1 | query_2 |
|:--------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|
| type | string | string |
| details | <ul><li>min: 12 tokens</li><li>mean: 21.67 tokens</li><li>max: 41 tokens</li></ul> | <ul><li>min: 11 tokens</li><li>mean: 21.56 tokens</li><li>max: 39 tokens</li></ul> |
* Samples:
| query_1 | query_2 |
|:------------------------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------|
| <code>query: Какие категории подопечных можно выбрать на экране 'Запрос документов'?</code> | <code>query: Какие подопечные доступны для выбора на экране 'Запрос документов'?</code> |
| <code>query: Какие действия нужно предпринять при наличии ареста на счете для выдачи наличных?</code> | <code>query: Какие шаги нужно выполнить, чтобы снять деньги с арестованного счета?</code> |
| <code>query: Что необходимо сделать, если ваш счёт не был найден в системе?</code> | <code>query: Какие шаги предпринять, если счет не отображается в системе?</code> |
* Loss: [<code>MultipleNegativesRankingLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters:
```json
{
"scale": 20.0,
"similarity_fct": "cos_sim"
}
```
#### q2p_data
* Dataset: q2p_data
* Size: 1,541 training samples
* Columns: <code>query</code> and <code>chunk</code>
* Approximate statistics based on the first 1000 samples:
| | query | chunk |
|:--------|:-----------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------|
| type | string | string |
| details | <ul><li>min: 11 tokens</li><li>mean: 21.86 tokens</li><li>max: 37 tokens</li></ul> | <ul><li>min: 12 tokens</li><li>mean: 162.56 tokens</li><li>max: 512 tokens</li></ul> |
* Samples:
| query | chunk |
|:--------------------------------------------------------------------------------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| <code>query: Как ребенок узнает, что его карта была разблокирована законным представителем?</code> | <code>passage: Существуют следующие возможности:<br><br>08. Разблокировать карту:<br><br>Если ребенок заблокировал карту с причиной «Ее захватил банкомат» или «Я так хочу», то законный представитель сможет ее самостоятельно разблокировать, если с причиной «Украли или потерялось», то законный представитель сможет ее самостоятельно разблокировать только в случае, если с картой ничего не было утеряно (в остальных случаях не сможет разблокировать). Ребенок при разблокировке не получит уведомлений об этом, но увидит в своем МП СБОЛ, что карта разблокирована. При этом, ребенку также будет доступна возможность снова заблокировать карту.</code> |
| <code>query: Какое условие нужно выполнить, чтобы законный представитель мог видеть детскую СберКарту, если ребенку исполнилось 14 лет 17.11.2022 или позже?</code> | <code>passage: Описание функционала во вложении ниже.<br><br>Типичные вопросы по отображению молодёжных карт в МП СБОЛ родителя и ответы на них:<br><br>01. Кто может получить доступ к картам ребенка 14-17 лет ?<br><br>Установившие в Банке связь со своим ребенком 14-17 лет законные представители: Родитель/Усыновитель, Приемный родитель, Опекун (связь отображается в СБОЛ.Про - ФП «Подопечные и представители», а также в системе SmartCare. В CRM связь законного представителя и ребенка 14-17 лет НЕ отображается), по которым выполняется одно из следующих условий: <br><br>- СберКарта ребенка 14-17 лет была открыта и активирована до 16.11.2022 включительно, и ребенку исполнилось 14 лет до 16.11.2022 включительно.<br><br>- Законный представитель до пилота видел детскую СберКарту своего ребенка 13 лет в своем МП СберБанк Онлайн, и этому ребенку исполнилось 14 лет 17.11.2022 или позднее.</code> |
| <code>query: Что нужно указать в заявлении-анкете о личных данных клиента?</code> | <code>passage: Заявление-анкета<br>Заявление-анкета</code> |
* Loss: [<code>MultipleNegativesRankingLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters:
```json
{
"scale": 20.0,
"similarity_fct": "cos_sim"
}
```
### Evaluation Datasets
#### q2q_data
* Dataset: q2q_data
* Size: 271 evaluation samples
* Columns: <code>query_1</code> and <code>query_2</code>
* Approximate statistics based on the first 271 samples:
| | query_1 | query_2 |
|:--------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|
| type | string | string |
| details | <ul><li>min: 12 tokens</li><li>mean: 22.01 tokens</li><li>max: 35 tokens</li></ul> | <ul><li>min: 12 tokens</li><li>mean: 21.86 tokens</li><li>max: 37 tokens</li></ul> |
* Samples:
| query_1 | query_2 |
|:--------------------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------------------------------------|
| <code>query: Какие требования к документам при обращении социального работника в ВСП?</code> | <code>query: Какие документы нужны социальному работнику при подаче заявки в ВСП?</code> |
| <code>query: Что необходимо сделать перед тем, как снять наличные со счета подопечного?</code> | <code>query: Какие действия нужно предпринять, чтобы снять деньги со счета подопечного?</code> |
| <code>query: Когда банкрот может получить карту МИР без согласия Финансового управляющего?</code> | <code>query: В каких ситуациях можно оформить карту МИР банкроту без разрешения Финансового управляющего?</code> |
* Loss: [<code>MultipleNegativesRankingLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters:
```json
{
"scale": 20.0,
"similarity_fct": "cos_sim"
}
```
#### q2p_data
* Dataset: q2p_data
* Size: 82 evaluation samples
* Columns: <code>query</code> and <code>chunk</code>
* Approximate statistics based on the first 82 samples:
| | query | chunk |
|:--------|:-----------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------|
| type | string | string |
| details | <ul><li>min: 14 tokens</li><li>mean: 21.79 tokens</li><li>max: 38 tokens</li></ul> | <ul><li>min: 15 tokens</li><li>mean: 144.37 tokens</li><li>max: 512 tokens</li></ul> |
* Samples:
| query | chunk |
|:-------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| <code>query: Что делать, если появляется техническая ошибка при работе с номинальным счетом?</code> | <code>passage: Возможные ошибки:<br><br>Связь не создана<br><br>Техническая ошибка. Повторите операцию позже.</code> |
| <code>query: Как клиент-банкрот может распорядиться наследством в стадии 'Реструктуризация долгов'?</code> | <code>passage: В случае, если Клиент, обратившийся за получением наследства при идентификации обнаружен в Стоп-Листе банкротов: <br>- сообщить клиенту, что у Банка есть информация о его банкротстве и он может получить только Выплату на достойные похороны<br>- выплату наследства Банк осуществляет в зависимости от стадии банкротства:<br><br>!!! Получить наследство и распоряжаться им самостоятельно клиент банкрот может только после завершения процедуры банкротства. <br><br>Наследством банкрота в стадии реализация имущества распоряжается утвержденный для проведения процедуры финансовый управляющий.<br> <br>В этом случае <br><br>Наследником в заявке на выплату через ОЦ заводим банкрота, выплата наследства перевеодится ему на счет. <br>После выплаты, ФУ уже в рамках своих полномочий сможет этими ДС распорядиться.<br>.<br><br>Стадия "Реструктуризация долгов"<br><br>В случае, если в отношении наследника умершего клиента - введена процедура "Реструктуризация долгов", клиент может распоряжаться наследством, только при предъявлении разрешения финан...</code> |
| <code>query: Какую роль играют органы опеки и попечительства в процессе выдачи разрешений на операции по счету ограниченно дееспособного?</code> | <code>passage: Право распоряжения средствами на счете согласно требованиям ГК РФ (п.2 ст. 26, п.1 ст.37)<br><br>суммы пенсии, пособий (за исключением пособий по безработице), алиментов, страховые, в том числе по потере кормильца, наследственные суммы и т.д., суммы, перечисленные третьими лицами, а также принятые наличными денежные средства от третьих лиц, в том числе от попечителя<br><br>Ограниченно дееспособный распоряжается только с:<br>письменного предварительного разрешения органа опеки и попечительства* и письменного согласия попечителя.<br>(ниже по тексту во вложении Памятка по первичной проверке и передаче на хранение предварительного письменного разрешения органов опеки и попечительства сотрудником ВСП)<br><br>*Предварительное письменное разрешение органов опеки и попечительства на совершение операций по счетам ограниченно дееспособных может быть выдано через МФЦ в виде бумажного документа, заверенного печатью и подписью уполномоченного сотрудника МФЦ, и являющегося экземпляром электронного документа, подп...</code> |
* Loss: [<code>MultipleNegativesRankingLoss</code>](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
- `eval_strategy`: steps
- `per_device_train_batch_size`: 64
- `learning_rate`: 1e-05
- `weight_decay`: 0.01
- `warmup_ratio`: 0.1
- `load_best_model_at_end`: True
- `push_to_hub`: True
- `hub_model_id`: George2002/sledopyt_embedder_v2
- `hub_strategy`: end
#### 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`: 64
- `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`: 1e-05
- `weight_decay`: 0.01
- `adam_beta1`: 0.9
- `adam_beta2`: 0.999
- `adam_epsilon`: 1e-08
- `max_grad_norm`: 1.0
- `num_train_epochs`: 3
- `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`: 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`: True
- `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
- `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`: True
- `resume_from_checkpoint`: None
- `hub_model_id`: George2002/sledopyt_embedder_v2
- `hub_strategy`: end
- `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`: batch_sampler
- `multi_dataset_batch_sampler`: proportional
</details>
### Training Logs
| Epoch | Step | Training Loss | q2q data loss | q2p data loss |
|:------:|:----:|:-------------:|:-------------:|:-------------:|
| 0.1923 | 10 | 1.6931 | - | - |
| 0.3846 | 20 | 0.7742 | - | - |
| 0.4808 | 25 | - | 0.0053 | 0.0658 |
| 0.5769 | 30 | 0.2775 | - | - |
| 0.7692 | 40 | 0.2046 | - | - |
| 0.9615 | 50 | 0.229 | 0.0037 | 0.0302 |
| 1.1538 | 60 | 0.1043 | - | - |
| 1.3462 | 70 | 0.2127 | - | - |
| 1.4423 | 75 | - | 0.0035 | 0.0231 |
| 1.5385 | 80 | 0.1543 | - | - |
| 1.7308 | 90 | 0.1286 | - | - |
| 1.9231 | 100 | 0.1095 | 0.0029 | 0.0231 |
| 2.1154 | 110 | 0.0941 | - | - |
| 2.3077 | 120 | 0.1543 | - | - |
| 2.4038 | 125 | - | 0.0028 | 0.0230 |
| 2.5 | 130 | 0.0911 | - | - |
| 2.6923 | 140 | 0.1389 | - | - |
| 2.8846 | 150 | 0.0812 | 0.0027 | 0.0227 |
### Framework Versions
- Python: 3.10.12
- Sentence Transformers: 4.1.0
- Transformers: 4.51.3
- PyTorch: 2.6.0+cu124
- Accelerate: 1.6.0
- Datasets: 3.5.0
- Tokenizers: 0.21.1
## 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",
}
```
#### 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}
}
```
<!--
## 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.*
--> |