JLee0/rag-embedder-grand-40epochs

SentenceTransformer based on BAAI/bge-m3

This is a sentence-transformers model finetuned from BAAI/bge-m3. 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: BAAI/bge-m3
• Maximum Sequence Length: 8192 tokens
• Output Dimensionality: 1024 dimensions
• Similarity Function: Cosine Similarity

Model Sources

• Documentation: Sentence Transformers Documentation
• Repository: Sentence Transformers on GitHub
• Hugging Face: Sentence Transformers on Hugging Face

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 8192, 'do_lower_case': False}) with Transformer model: XLMRobertaModel 
  (1): Pooling({'word_embedding_dimension': 1024, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
  (2): Normalize()
)

Usage

Direct Usage (Sentence Transformers)

First install the Sentence Transformers library:

pip install -U sentence-transformers

Then you can load this model and run inference.

from sentence_transformers import SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("sentence_transformers_model_id")
# Run inference
sentences = [
    '전방 주차 거리 경고 기능이 활성화되는 조건과 작동하는 차량 속도는 어떻게 되나요?',
    "주차 거리 경고 작동   \n\n   주차 안전 버튼\n주차 안전 버튼을 누르면 주차 거리 경고 기\n능을 켜거나 끌 수 있습니다.\n• 기능이 꺼져있는 상태(버튼 내 표시등 꺼져\n있음)에서 ‘R’(후진)로 변속하면 자동으로 기\n능이 켜집니다.\n• ‘R’(후진) 상태에서는 안전한 주차를 위해 주\n차 안전 버튼을 눌러도 기능이 꺼지지 않\n습니다.   \n\n   전방 주차 거리 경고\n전방 주차 거리 경고 기능은 다음의 조건에서\n켜집니다.\n• 'R'(후진)에서 'D'(주행)로 변속\n• 'D'(주행)에서 주차 안전 버튼 내 표시등\n켜진 상태 유지\n• 'D'(주행)로 주행 중 전방 주차 거리 경고 기\n능의 경고 발생\n• 기능이 꺼져있는 상태에서 ‘D’(주행)로 변속\n(인포테인먼트 시스템의 설정 > 차량 > 운전\n자 보조 > 주차 안전 > 주차 거리 경고 자동 켜\n짐이 선택된 경우)\n• 전방 주차 거리 경고는 차량 속도가 10 km/h\n이하일 때만 작동합니다.\n• 'R'(후진)에서는 전방 내측에 위치한 물체는\n경고하지 않으며, 전방 외측의 60cm 이하\n의 물체만 경고음과 함께 경고합니다.\n• 주차 거리 경고 자동 켜짐을 선택하지 않은 경\n우 차량 속도가 30 km/h 이상이면 전방 주\n차 거리 경고 기능이 꺼집니다(버튼 내 표시\n등 꺼짐). 다시 10 km/h 이하로 주행해도 기\n능은 자동으로 켜지지 않습니다.\n(인포테인먼트 시스템의 설정 > 차량 > 운전\n자 보조 > 주차 안전 > 주차 거리 경고 자동 켜\n짐을 선택하지 않은 경우)   \n\n   경고 표시 및 경고음\n물체와의 거리 60-120cm : 경고음 삐--- 삐--- (전방 외측 미출력)\n물체와의 거리 30-60cm : 경고음 삐-삐-삐-\n물체와의 거리 30cm 이내 : 경고음 삐(연속음)   \n\n   • 각 초음파센서가 사람 또는 물체를 감지하면\n클러스터 표시창 또는 인포테인먼트 시스템\n화면에 표시되고, 경고음이 울립니다.\n• 둘 이상의 영역을 동시에 경고하는 경우 더\n가까운 물체가 있는 영역의 경고음이 울립니\n다.\n• 물체와의 거리가 60 cm 이상일 때, 전방 외\n측 단독 경고는 클러스터에 표시하지 않습니\n다.\n• 표시등 형상은 실제 차량과 다를 수 있습니\n다.   \n\n   후방 주차 거리 경고\n후방 주차 거리 경고 기능은 다음의 조건에서\n켜집니다.\n• 'R'(후진)로 변속   \n\n   경고 표시 및 경고음\n물체와의 거리 60-120cm : 경고음 삐--- 삐---\n물체와의 거리 30-60cm : 경고음 삐-삐-삐-\n물체와의 거리 30cm 이내 : 경고음 삐(연속음)   \n\n   • 각 초음파센서가 사람 또는 물체를 감지하면\n클러스터 표시창 또는 인포테인먼트 시스템\n화면에 표시되고, 경고음이 울립니다.\n• 둘 이상의 영역을 동시에 경고하는 경우 더\n가까운 물체가 있는 영역의 경고음이 울립니\n다.\n• 표시등 형상은 실제 차량과 다를 수 있습니\n다.",
    '빌트인 캠 설정\n설정 방법\n인포테인먼트 시스템 홈 화면에서 빌트인 캠을\n선택한 후, 빌트인 캠 설정 메뉴를 선택하십시\n오. 빌트인 캠 녹화를 포함하여 작동과 관련된\n다양한 항목을 설정할 수 있습니다.   \n\n   빌트인 캠 설정은 운전자 프로필과 연동되어 있\n으며, 프로필 마다 원하는 녹화 조건을 다르게\n설정할 수 있습니다.\n• 디지털 키를 사용하거나 인포테인먼트 시스\n템 화면에서 운전자를 변경하는 경우 빌트인\n캠의 설정이 각 운전자의 프로필 설정에 따\n라 변경됩니다.\n• 모든 설정 항목은 운전자에 따라 변경됩니\n다. 단, 저장된 영상과 Wi-Fi 비밀번호는 운\n전자에 따라 변경되지 않습니다.\n• 사용자 프로필을 삭제하거나 설정을 초기화\n할 경우 빌트인 캠 설정도 동시에 초기화 되\n며 원하는 녹화 조건으로 다시 설정이 필요\n합니다.   \n\n   *녹화\n주행 중 녹화/주차 중 녹화 및 음성 녹음\n주행 및 주차 시 녹화 방법과 음성 녹음 여부를\n선택할 수 있습니다.\n단, 주차 중 상시 영상과 타임랩스 영상은 음성\n녹음이 되지 않습니다.   \n\n   차량 출고 후 최초 한 번은 인포테인먼트 시스\n템에서 운전자1 또는 운전자2 프로필을 선택하\n여 사용자 초기 설정을 완료할 경우에 게스트\n프로필을 포함한 모든 프로필의 주행 및 주차\n중 상시 녹화, 이벤트 녹화 기능이 자동으로 활\n성화됩니다.\n단, 운전자1 또는 운전자2 프로필을 설정하기\n전에 게스트 프로필에서 이미 녹화 설정을 한\n경우에는 기존 설정 상태가 유지됩니다.   \n\n   *주행 정보 표시\n빌트인 캠 영상에 다양한 주행 정보를 기록할\n수 있으며, 주행 정보 표시 메뉴에서 원하는 항\n목을 선택할 수 있습니다.\n• 시간: 인포테인먼트 시스템에서 표시되는 날\n짜/시간을 저장합니다.\n• 속도: 클러스터에서 표시되는 차량의 속도를\n저장합니다.\n• 기어: 클러스터에서 표시되는 변속 기어의\n위치를 저장합니다.\n• 방향 지시등: 좌 우측 방향 지시등 작동 상태\n를 저장합니다.\n• 충격 감지 정도: 빌트인 캠의 충격 감지 센서\n를 통해 감지된 충격을 5단계로 저장합니다.\n• 위치: 내비게이션 지도에서 표시되는 차량의\nGPS 위치 정보를 저장합니다.\n• 클러스터에 표시되는 속도는 법규상 실제 차\n량의 속도보다 높게 표시되어, 차이가 있을\n수 있습니다.\n• GPS 위치 정보는 차량 위치 및 위성 신호 수\n신 환경에 따라 정확한 위치 정보가 저장되\n지 않을 수 있습니다.\n• 주행 정보 표시를 선택하지 않은 상태에서\n녹화가 완료된 영상은 이후에 주행 정보를\n다시 표시할 수는 없습니다.   \n\n   *녹화 시간\n주차 중 녹화 시간, 이벤트 녹화 시간, 타임랩스\n녹화 시간 및 간격을 선택할 수 있습니다.   \n\n   • 12 V 리튬 보조 배터리 충전량에 따른 녹화 가\n능한 예상 시간을 빌트인 캠 메뉴의 주차 녹\n화 가능 시간 또는 블루링크 앱을 통해서 확\n인할 수 있습니다. 휴대폰에서 주차 녹화 가\n능 시간을 확인하려면 블루링크 서비스에 가\n입한 경우에만 사용할 수 있습니다.\n• 12 V 리튬 보조 배터리 충전량이 충분치 않은\n경우, 설정한 주차 녹화 시간 이전에 녹화가\n종료될 수 있습니다.\n• 12 V 리튬 보조 배터리는 빌트인 캠 주차 녹화\n이외에도 차량 제어기/내비게이션 무선 업\n데이트, 시동 배터리 보조 등과 같이 차량의\n안정적인 전원 공급을 위해서도 사용되어,\n차량 상태에 따라 예상했던 주차 녹화 가능\n시간 이전에 녹화가 종료될 수 있습니다.   \n\n   *충격 감지 민감도\n주행 및 주차 중 이벤트 녹화 여부의 기준이 되\n는 ‘충격 감지 민감도’를 선택할 수 있습니다. 1\n단계(매우 둔감), 2단계(둔감), 3단계(보통), 4\n단계(민감), 5단계(매우 민감) 중에 원하는 감\n지 조건을 선택하십시오.   \n\n   *디스플레이 설정\n전/후방 녹화 영상의 높이를 조절할 수 있습니\n다. 영상 화면을 보고 원하는 높이를 선택하십\n시오.   \n\n   *앱 연결\nWi-Fi 설정\n휴대폰 앱 연결을 위한 Wi-Fi 를 활성화 하거\n나, Wi-Fi 비밀번호를 설정할 수 있습니다.\n주차 중 이벤트 휴대폰 알림\n차량을 잠근 후 도난 경보 장치가 작동 중인 상\n태에서 주차 중 이벤트 영상이 저장되면 블루링\n크 앱으로 메시지와 동영상을 전송하여 충격 감\n지를 알립니다. 주차 후 최대 5회까지만 서비스\n가 제공되며, 알림 서비스를 사용하려면 주차\n중 이벤트 휴대폰 알림을 선택하십시오.\n• 주차 중 이벤트 휴대폰 알림은 블루링크 서\n비스에 가입한 경우에만 사용할 수 있습니\n다.\n• 주차 후 휴대폰 알림 횟수(5회)가 초과되어\n알림이 오지 않더라도 녹화는 작동하고 있습\n니다.\n• 주차 중 이벤트 알림 기능을 사용할 경우 차\n량의 배터리 전력이 소모되어, 예상했던 주\n차 녹화 가능 시간 이전에 녹화가 종료될 수\n있습니다.   \n\n   *SD 메모리\n녹화 영상 저장을 위한 SD 메모리의 수명 상태,\nSD 메모리 단자 위치를 확인할 수 있습니다.\nSD 메모리를 안전하게 제거하지 않는 경우 저\n장된 파일 또는 파일 시스템이 손상될 수 있습\n니다. ‘연결 해제’ 버튼을 누른 후 메모리를 안\n전하게 제거하십시오.\nSD 메모리를 초기화 할 경우 저장된 모든 파일\n이 삭제되니, 초기화 이전에 보관이 필요한 파\n일은 필히 백업해 주십시오.\n정품 SD 메모리를 사용하지 않는 경우 SD 메모\n리의 수명 상태 정보는 표시되지 않을 수 있습\n니다.',
]
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]

Evaluation

Metrics

Information Retrieval

• Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.0367
cosine_accuracy@3	0.6726
cosine_accuracy@5	0.806
cosine_accuracy@10	0.8892
cosine_precision@1	0.0367
cosine_precision@3	0.2242
cosine_precision@5	0.1612
cosine_precision@10	0.0889
cosine_recall@1	0.0367
cosine_recall@3	0.6726
cosine_recall@5	0.806
cosine_recall@10	0.8892
cosine_ndcg@10	0.5214
cosine_mrr@10	0.398
cosine_map@100	0.4025

Training Details

Training Dataset

Unnamed Dataset

• Size: 1,210 training samples
• Columns: sentence_0 and sentence_1
• Approximate statistics based on the first 1000 samples:

  	sentence_0	sentence_1
  type	string	string
  details	min: 11 tokens mean: 24.29 tokens max: 51 tokens	min: 16 tokens mean: 368.04 tokens max: 2629 tokens

• Samples:

  sentence_0	sentence_1
  수중 주행 후 점검해야 할 자동차 부품에는 어떤 것들이 있나요?	수중 주행 후의 점검 및 조치 • 브레이크 성능이 저하된 경우는 즉시 당사 직영 하이테크센터나 블루핸즈에서 점검을 받으십시오. • 엔진 오일, 변속기 오일, 디퍼런셜 오일, 프로 펠러 샤프트의 그리스 등을 점검하여 이상이 있을 시 교체하십시오. • 헤드램프에 물이 들어간 경우 물을 빼내십시 오. • 당사 직영 하이테크센터나 블루핸즈에서 휠 베어링 부의 그리스 교체를 받으십시오. 험로(OFF ROAD) 주행 후에는 정기 점검 주기 를 앞당겨 자주 점검하고 부품을 교체하십시 오.
  어드밴스드 후석 승객 알림이 작동하지 않을 수 있는 상황에는 어떤 것들이 있나요?	어드밴스드 후석 승객 알림이 장착되어 있더라 도 항상 내리기 전에 뒷좌석 및 화물칸을 확인 하십시오. 다음과 같은 상황에서는 어드밴스드 후석 승객 알림이 작동하지 않을 수 있습니다. 탑승자의 안전 사고에 항상 유의하십시오. • 일정 시간 움직임이 거의 없거나 적은 경우 • 유아가 어린이 보조 좌석에 앉아 있지 않을 경우 • 차량 시트 또는 어린이 보조 좌석의 가림으 로 인해 감지 신호가 약한 경우(예, 영유아 보 조좌석을 앞보기 자세로 장착 등) • 좌석 탑승자가 유아가 아닌 경우 • 금속이 포함된 섬유 제품(예: 담요) 등 장애 물에 뒷좌석 탑승자가 가려져 있는 경우 • 차량 안의 물건이 센서를 가린 경우 • 센서가 이물질에 의해 오염된 경우 • 실내 천장(헤드라이닝)에 물체를 부착하거 나 임의로 개조하거나 변형, 파손이 된 경우 • 실내외 다른 전자파에 의해 방해를 받을 경 우 • 그 외 시스템이 작동하지 않을 수 있는 주변 환경
  장기간 주차하거나 LPG 누출과 같은 긴급상황이 발생했을 때 어떻게 해야 합니까?	LPI 차량 관리 요령 • LPG 충전 시에는 반드시 시동을 끈 상태에서 실시하십시오. • LPG는 온도 상승에 의한 압력 상승이 있기 때문에 열이나 직사광선을 피해야 합니다. • LPG 탱크에는 연료 취출 밸브가 달려 있 으며 평상시에는 조작하지 않아도 됩니다. • LPG는 공기보다 약 2배 정도 무겁기 때문에 누출된 LPG는 낮은 장소에 체류하기 쉬우므 로 장시간 주차 시에는 지하주차장 등과 같 은 밀폐된 장소를 피해야 합니다. • 장기간(1개월 이상) 주차 시나 LPG 누출 등 긴급상황 발생 시에는 연료 취출 밸브를 잠그십시오. • LPG에는 특유의 냄새를 섞어 제조하므로 차 내에 LPG 냄새가 날 경우 반드시 환기시키 고 기밀 점검을 하여 누출 확인 시에는 자사 직영 하이테크센터나 블루핸즈에 정비를 의 뢰하십시오. • 기타 자세한 사항은 LPG 관련 내용을 참조 하십시오.

• Loss: MultipleNegativesRankingLoss with these parameters:

  {
      "scale": 20.0,
      "similarity_fct": "cos_sim"
  }
  

Training Hyperparameters

Non-Default Hyperparameters

• eval_strategy: steps
• per_device_train_batch_size: 5
• per_device_eval_batch_size: 5
• num_train_epochs: 40
• fp16: True
• multi_dataset_batch_sampler: round_robin

All Hyperparameters

Click to expand

• overwrite_output_dir: False
• do_predict: False
• eval_strategy: steps
• prediction_loss_only: True
• per_device_train_batch_size: 5
• per_device_eval_batch_size: 5
• 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: 40
• 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: True
• 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
• 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: round_robin

Training Logs

Click to expand

Epoch	Step	Training Loss	cosine_ndcg@10
0.6173	50	-	0.5753
1.0	81	-	0.5713
1.2346	100	-	0.5707
1.8519	150	-	0.5762
2.0	162	-	0.5763
2.4691	200	-	0.5766
3.0	243	-	0.5749
3.0864	250	-	0.5755
3.7037	300	-	0.5751
4.0	324	-	0.5791
4.3210	350	-	0.5769
4.9383	400	-	0.5750
5.0	405	-	0.5760
5.5556	450	-	0.5696
6.0	486	-	0.5738
6.1728	500	0.0777	0.5720
6.7901	550	-	0.5561
7.0	567	-	0.5639
7.4074	600	-	0.5672
8.0	648	-	0.5603
8.0247	650	-	0.5617
8.6420	700	-	0.5685
9.0	729	-	0.5661
9.2593	750	-	0.5657
9.8765	800	-	0.5582
10.0	810	-	0.5611
10.4938	850	-	0.5591
11.0	891	-	0.5533
11.1111	900	-	0.5640
11.7284	950	-	0.5592
12.0	972	-	0.5627
12.3457	1000	0.0236	0.5622
12.9630	1050	-	0.5508
13.0	1053	-	0.5510
13.5802	1100	-	0.5437
14.0	1134	-	0.5624
14.1975	1150	-	0.5434
14.8148	1200	-	0.5632
15.0	1215	-	0.5639
15.4321	1250	-	0.5557
16.0	1296	-	0.5496
16.0494	1300	-	0.5452
16.6667	1350	-	0.5470
17.0	1377	-	0.5462
17.2840	1400	-	0.5592
17.9012	1450	-	0.5606
18.0	1458	-	0.5621
18.5185	1500	0.0194	0.5514
19.0	1539	-	0.5555
19.1358	1550	-	0.5456
19.7531	1600	-	0.5458
20.0	1620	-	0.5452
20.3704	1650	-	0.5401
20.9877	1700	-	0.5537
21.0	1701	-	0.5514
21.6049	1750	-	0.5469
22.0	1782	-	0.5403
22.2222	1800	-	0.5429
22.8395	1850	-	0.5377
23.0	1863	-	0.5385
23.4568	1900	-	0.5385
24.0	1944	-	0.5325
24.0741	1950	-	0.5216
24.6914	2000	0.0148	0.5354
25.0	2025	-	0.5467
25.3086	2050	-	0.5426
25.9259	2100	-	0.5340
26.0	2106	-	0.5354
26.5432	2150	-	0.5346
27.0	2187	-	0.5414
27.1605	2200	-	0.5375
27.7778	2250	-	0.5495
28.0	2268	-	0.5445
28.3951	2300	-	0.5373
29.0	2349	-	0.5282
29.0123	2350	-	0.5277
29.6296	2400	-	0.5457
30.0	2430	-	0.5341
30.2469	2450	-	0.5315
30.8642	2500	0.0142	0.5355
31.0	2511	-	0.5417
31.4815	2550	-	0.5366
32.0	2592	-	0.5375
32.0988	2600	-	0.5376
32.7160	2650	-	0.5410
33.0	2673	-	0.5249
33.3333	2700	-	0.5275
33.9506	2750	-	0.5254
34.0	2754	-	0.5261
34.5679	2800	-	0.5313
35.0	2835	-	0.5216
35.1852	2850	-	0.5225
35.8025	2900	-	0.5164
36.0	2916	-	0.5197
36.4198	2950	-	0.5256
37.0	2997	-	0.5309
37.0370	3000	0.0133	0.5328
37.6543	3050	-	0.5245
38.0	3078	-	0.5205
38.2716	3100	-	0.5216
38.8889	3150	-	0.5284
39.0	3159	-	0.5300
39.5062	3200	-	0.5277
40.0	3240	-	0.5214

Framework Versions

• Python: 3.10.16
• Sentence Transformers: 4.1.0
• Transformers: 4.52.3
• PyTorch: 2.7.0+cu126
• Accelerate: 1.7.0
• Datasets: 3.6.0
• Tokenizers: 0.21.1

Citation

BibTeX

Sentence Transformers

@inproceedings{reimers-2019-sentence-bert,
    title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",
    author = "Reimers, Nils and Gurevych, Iryna",
    booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing",
    month = "11",
    year = "2019",
    publisher = "Association for Computational Linguistics",
    url = "https://arxiv.org/abs/1908.10084",
}

MultipleNegativesRankingLoss

@misc{henderson2017efficient,
    title={Efficient Natural Language Response Suggestion for Smart Reply},
    author={Matthew Henderson and Rami Al-Rfou and Brian Strope and Yun-hsuan Sung and Laszlo Lukacs and Ruiqi Guo and Sanjiv Kumar and Balint Miklos and Ray Kurzweil},
    year={2017},
    eprint={1705.00652},
    archivePrefix={arXiv},
    primaryClass={cs.CL}
}