/content/drive/MyDrive/multilingual-e5-large-wiki-tr-rag

.gitattributes

@@ -33,3 +33,4 @@ 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

1_Pooling/config.json

@@ -0,0 +1,10 @@
+{
+  "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
+}

README.md

@@ -0,0 +1,708 @@
+---
+tags:
+- sentence-transformers
+- sentence-similarity
+- feature-extraction
+- generated_from_trainer
+- dataset_size:5399
+- loss:MultipleNegativesRankingLoss
+base_model: intfloat/multilingual-e5-large
+widget:
+- source_sentence: 'passage: Toksiklik, toksisite, zehirlilik veya ağılılık bir kimyasal
+    maddenin veya belirli bir madde karışımının bir organizmaya zarar verme derecesidir.
+    Toksisite, bir hayvan, bakteri veya bitki gibi tüm organizma üzerindeki etkinin
+    yanı sıra, o organizmanın bir hücresi (sitotoksisite) veya karaciğer gibi bir
+    organı (hepatotoksisite) gibi bir alt yapısı üzerindeki etkiyi ifade edebilir.
+    Yan anlam olarak, kelime, aile birimi veya genel olarak toplum gibi daha büyük
+    ve daha karmaşık gruplar üzerindeki toksik etkileri tanımlamak için mecazi olarak
+    kullanılabilir.
+
+    Toksikolojinin temel bir konsepti, bir toksik maddenin etkilerinin doza bağımlı
+    olmasıdır; su bile çok yüksek dozda alındığında su zehirlenmesine neden olabilir,
+    oysa yılan zehiri gibi çok zehirli bir madde için bile altında hiçbir toksik etkinin
+    olmadığı bir doz vardır. Toksisite türe özgüdür ve türler arası analizi sorunlu
+    hale getirir. Daha yeni paradigmalar ve metrikler, hayvan testlerini atlamak için
+    gelişiyor.
+
+    Yuvarlama, bir sayıyı daha kısa ve basit olan en yakın sayıyla değiştirmektir.
+    23,4476 doları $23,45 dolar ile, 312/937 kesrini 1/3 ile veya π sayısını 3 ile
+    değiştirmek örnek olarak verilebilir. Yuvarlama günlük hayatta daha doğru değer
+    elde etmektense işlemleri hızlandırmak için kullanılır. Eğer sayı buçukluysa hem
+    daha büyük sayıya hem de daha küçük sayıya yuvarlanabilir. Örneğin 1,5 sayısı
+    hem 1''e hem de 2''ye yuvarlanabilmektedir. Bu yuvarlamalar basamak sayısına göre
+    değişiklik göstermektedir. Bunlar birler, onlar, yüzler... olarak devam eder.'
+  sentences:
+  - 'query: Kolhoz sisteminde üyelerin gelirleri nasıl belirlenirdi ve bu sistemin
+    avantajları ve dezavantajları nelerdi?'
+  - 'query: Toksisite neden türe özgüdür ve bu durum neden türler arası analizleri
+    zorlaştırır?'
+  - 'query: DICOM standardının anlaşılması ve uygulanması neden uzmanlık gerektiriyor?'
+- source_sentence: 'passage: Limnoloji, doğal ve yapay göller ile göletlerin fiziksel
+    ve kimyasal niteliklerini, ekolojisini, çevreyle etkileşimlerini, içlerindeki
+    su ve enerji akımlarını ele alır.
+
+    Limnoloji, iç su ekosistemlerinin incelenmesidir. Limnoloji çalışması, biyolojik,
+    kimyasal, fiziksel ve jeolojik özelliklerin ve iç suların (tatlı ve tuzlu, doğal
+    veya insan yapımı) işlevlerini içermektedir. Buna göller, rezervuarlar, göletler,
+    nehirler, su kaynakları, akarsular, sulak alanlar ve yeraltı suları dahildir.
+    Son zamanlarda, küresel iç suları Dünya Sisteminin bir parçası olarak anlama ihtiyacı,
+    küresel limnoloji adı verilen bir alt disiplin yaratmıştır.
+
+    Ksenoglosi (xenoglossy) kişinin bilmediği bir yabancı dilde aniden konuşabilme,
+    yazabilme, okuyup anlayabilme yeteneğinin belirmesi paranormal fenomenine Metapsişik''te
+    verilen addır.
+
+    Terim 1913’te Nobel Fizyoloji-Tıp Ödülü’nü almış Fransız Fizyolog Charles Richet
+    tarafından, Eski Yunancada “yabancı” anlamına gelen “xenos” ile “dil” anlamına
+    gelen “glossa” sözcüklerinden türetilmiştir.
+
+    Metapsişikçiler ksenoglosi fenomeninin iki durumda oluştuğunu bildirmektedirler:
+
+
+    1- Ekminezi deneyleri sırasında veya birtakım koşulların bir araya gelmesiyle
+    oluşan “serbest hatırlama”lar (geçmiş yaşamlardaki olayları anımsama) sırasında.
+    Bu gruba giren ksenoglosi fenomeninde kişinin önceki reenkarnasyonları sırasında
+    öğrenmiş olduğu diller söz konusudur.
+
+    2- Trans halindeki bir medyumun bedensiz bir ruhla irtibatı sırasında. Bu gruba
+    giren ksenoglosi fenomeninde medyumun kullandığı yabancı dil irtibatta olduğu
+    bedensiz varlığın bildiği bir dildir. Bu olayın söz konusu olduğu medyumluğa poliglot
+    medyumluk denir. Metapsişikçiler bazı ruhsal irtibat seanslarında medyumun beş
+    yabancı dilde konuşabildiğine tanık olduklarını ileri sürmüşlerdir.
+
+    Ksenoglosi fenomeninde kişinin kullandığı dil, kimsenin bilmediği, garip bir dil
+    olduğunda fenomen “glosolali” (glossolalia) adını alır. Metapsişikçiler kimi glosolali
+    fenomenlerinde yapılan kayıtların sonradan incelenmesi sonucunda, glosolali fenomenlerindeki
+    yabancı dillerin çok eski uygarlıklarda kullanılmış ölü diller olduklarını saptadıklarını
+    açıklamışlardır. Spiritüalistlere göre ksenoglosi fenomeni gerek reenkarnasyonun
+    gerekse bedensiz ruhlarla irtibatın gerçekliğinin en önemli kanıtlarından birini
+    oluşturur.
+
+    Bijiktig-Haya -  Tıva Cumhuriyeti Barıın-Hemçik b��lgesi Kızılmajalık''tan ırak
+    olmayan eski Türk yazılarının görüldüğü kayalık dağ.
+
+    Buradaki yazıların sayısı 300''dan aşkındır. Çok eski zamanlardan kalan bu kalıntıların
+    ve eserlerin çok sayıda taşların üzerinde çeşitli resimler yer almaktadır. Bunlar
+    arasında en önemlisi ise 70 cm kadar büyüklükteki bir kuş resmidir. Bu kayalarda
+    bulutlar arasında Budda''nın figürü bile bulunmaktadır. 1358 yılında Budda''nın
+    çizimi yapıldığı tahmin edilmektedir. Ayrıca yöreye yakın bir yerde de Cengiz
+    Hanın hazinesinin gömülü olduğuna inanılmaktadır. Burada Cengiz Han''ı figüre
+    etmiş olan bir de balbaltaş yer alır.
+
+    Voice Mate; LG tarafından akıllı telefonlarda kullanılmak üzere geliştirilen ve
+    seçili LG telefonlarda bütünleşik olarak gelen bir sanal asistandır.
+
+    Voice Mate sırasıyla Quick Voice ve Q Voice olarak adlandırılmıştır. Doğal dil
+    işleme teknolojisini kullanarak kullanıcının sorularına cevap verebilmekte, çeşitli
+    internet servislerinden bilgi getirebilmekte, önerilerde bulunabilmekte, takvim
+    yönetebilme gibi birçok işleve sahiptir. Voice Mate, Maluuba temel alınarak geliştirildiğinden
+    Maluuba tarafından yapılabilen birçok işlevi gerçekleştirebilmektedir.'
+  sentences:
+  - 'query: Sanal okulların popülerleşmesinin sebepleri neler olabilir?'
+  - 'query: Dirimselcilik görüşü, zaman içinde nasıl evrimleşti ve günümüzde hangi
+    izleri hala görülebilir?'
+  - 'query: Bijiktig-Haya kayalıklarında bulunan en eski yazıların tarihi hakkında
+    bilgi var mı?'
+- source_sentence: 'passage: Voice Mate; LG tarafından akıllı telefonlarda kullanılmak
+    üzere geliştirilen ve seçili LG telefonlarda bütünleşik olarak gelen bir sanal
+    asistandır.
+
+    Voice Mate sırasıyla Quick Voice ve Q Voice olarak adlandırılmıştır. Doğal dil
+    işleme teknolojisini kullanarak kullanıcının sorularına cevap verebilmekte, çeşitli
+    internet servislerinden bilgi getirebilmekte, önerilerde bulunabilmekte, takvim
+    yönetebilme gibi birçok işleve sahiptir. Voice Mate, Maluuba temel alınarak geliştirildiğinden
+    Maluuba tarafından yapılabilen birçok işlevi gerçekleştirebilmektedir.
+
+    6G, 5G''nin ardılı olarak hücresel veri ağlarını destekleyen altıncı nesil kablosuz
+    iletişim teknolojileri olacak. Teknoloji ~ 95 Gb / sn''lik hızlarda büyük olasılıkla
+    önemli ölçüde daha hızlı olacak. Birkaç önemli şirket (yani Nokia, Samsung ve
+    LG) de bunu yaptı. Güney Kore ve Japonya''nın da ilgisinin olduğu bildirildi.
+    6G muhtemelen 2030''larda ticari olarak satışa sunulacak.
+
+    Öncelikle haberleşme teknolojisinde Wi-Fi yerine Li-Fi teknolojisini, yani yüksek
+    enerjili LED’lerle görünür ışıkla haberleşme teknolojisi kullanılıyor. Bu teknoloji
+    sadece yüksek veri hızı ve veri merkezi sağlamıyor, aynı zamanda tam yapay zeka
+    desteği ile akıllı iletişim ortamı sunuyor. Bu teknokoji ile gelecekte üç boyutlu
+    görüntü, koklama, dokunma ve tat alma duyuları da iletilebilecek, gerçek zamanlı
+    uzaktan sağlık hizmeti verilebilecek, akıllı altyapılar geliştirilebilecek, otonom
+    araçlar ve siber-fiziksel sistemler oluşturulabilecektir.
+
+    Caz, ilk kez ABD''nin güney eyaletlerinde, 1900''lerin başında gelişmeye başlamış
+    bir Afro-Amerikan müzik türüdür. 19. yüzyılın sonlarında ve 20. yüzyılın başlarında
+    New Orleans, Louisiana''daki Afrikalı-Amerikalı topluluklarda ortaya çıktı. Caz
+    müziği, mavi notalar, senkop, swing, çoklu ritim, atışma ve doğaçlama tekniklerini
+    kullanır; Afrikalı-Amerikalı ve Batı müziği tekniklerinin harmanlanmasıdır. Bu
+    müziğin dünya ile tanışması ise 1917 yılında Dixieland Jazz Band''in ilk plaklarının
+    piyasaya çıkmasıyla olmuştur. 1920 ile 1930''larda popülerliğinin artmasıyla başta
+    ABD olmak üzere tüm dünya genelinde Caz Çağı yaşanmıştır. Caz yalnızca geçmişte
+    değil, bugün dahi çok sevilen ve ünü gün geçtikçe artan müzik türlerinden biridir.
+    1920''lerin Caz Çağı''ndan bu yana, geleneksel müzik ve popüler müzikte önemli
+    bir müzikal ifade biçimi olarak kabul edilmiştir.
+
+    Caz müziği yirminci yüzyıl başlarında keşfedildiği topraklar olan ABD''den çıkıp
+    dünyaya yayılma sürecinde ve günümüze gelene kadar birçok alt türe (New Orleans,
+    Swing, Kansas, Çingene cazı, bebop, cool, avangart, serbest caz, Latin caz, soul,
+    füzyon, caz rock, smooth, caz funk, etno caz, asit caz) ayrılmış ve sayısız müzik
+    türü ve geleneğiyle etkileşime girmiştir.'
+  sentences:
+  - 'query: Kevlar''ın dayanıklılığı nasıl sağlanıyor?'
+  - 'query: Muspelheim''deki Ateş devlerinin lideri Surtr kimdir ve ne gibi özellikleri
+    vardır?'
+  - 'query: Caz müziğinin popülerleşmesinde Dixieland Jazz Band''in rolü nedir?'
+- source_sentence: 'passage: Heer (Türkçe anlamı: Ordu), Mayıs 1935 yılında Alman
+    Silahlı Kuvvetleri''nin (Wehrmacht) yeniden inşası kanunuyla kurulmuş Nazi Almanyası''nın
+    kara kuvvetleri ve ana kuvvetidir. Başlangıçta 21 tümenden oluşmasına rağmen 1935-1945
+    yılları arasında yüzlerce tümenlik bir büyüklüğe ulaştı. II. Dünya Savaşı sırasında
+    yaklaşık 13 milyon asker görev yapıyordu. II. Dünya Savaşı''nın sonunda Mayıs
+    1945''te Müttefikler''e teslim oldu, 1946 yılında ise resmi olarak kaldırıldı.
+
+    Adolf Hitler''in silahlanma programını açıkça ilan etmesinden yalnızca 17 ay sonra
+    Heer, hedeflediği 36 tümen hedefine ulaştı. 1937 sonbaharında iki kolordu daha
+    kuruldu. Mart 1938''de Anschluss''un ardından Avusturya Ordusu''nun beş tümeninin
+    dahil edilmesi ile dört kolordu daha kuruldu. Alman Ordusu, Adolf Hitler''in büyüme
+    döneminde, I. Dünya Savaşı sırasındaki gibi Kara (Heer) ve Hava (Luftwaffe) silahlı
+    kuvvetleri şeklinde birleştirilerek Wehrmacht adını aldı.
+
+    Kuşatma ve "imha savaşı" gibi operasyonel ve taktiksel yöntemlerle birleştiğinde
+    ortaya çıkan Blitzkrieg taktiği ile Alman ordusu, II. Dünya Savaşı''nın ilk iki
+    yılında hızlı zaferler kazandı.
+
+    Motorlu birlikler, savaşın ilk yıllarında dünya basınında çok dikkat çekti. Polonya
+    (Eylül 1939), Norveç, Danimarka (Nisan 1940) Belçika, Hollanda ve Fransa (Mayıs
+    1940), Yugoslavya (Nisan 1941) ve Barbarossa Operasyonu ile Sovyetler Birliği''nin
+    istilasına (Haziran 1941) girişilmesinin ana nedeni olarak gösterildi. Bunun yanında
+    motorlu ve tank birlikleri Heer''in toplam kapasitesinin sadece % 20''sini oluşturuyordu.
+    Ordunun kamyon eksikliği (ve onları çalıştırmak için petrol), Müttefiklerin hava
+    gücünün Loire''in kuzeyinde bulunan Fransız demiryolu ağını harap eden Normandiya
+    istilası sırasında ve sonrasında piyade hareketine yönelik ciddi bir handikap
+    olarak ortaya çıktı. Panzer hareketleri de demiryoluna bağlıydı, çünkü bir tankın
+    sürülmesi en fazla 150 kilometre kadardı.
+
+    Entomologia Carniolica exhibens insecta Carnioliae indigena et distributa in ordines,
+    genera, species, varietates, 1763 yılında Viyana''da yayımlanan Giovanni Antonio
+    Scopoli tarafından kaleme alınmış, sınıflandırma bilimine ait bir eserdir. Yüzlerce
+    yeni tür tanımlanmıştır. Entomologia Carniolica aynı zamanda türlerin biyolojisi
+    üzerine gözlemler de içermekte olup, arı kraliçelerinin kovan dışında çiftleşmesine
+    dair ilk basılı kaydı barındırmaktadır.
+
+    Veri ihlali, hassas, korunan veya gizli verilerin yetkisiz bir kişi tarafından
+    kopyalandığı, iletildiği, görüntülendiği, çalındığı, değiştirildiği veya kullanıldığı
+    bir güvenlik ihlalidir.
+
+    Zoolojide megafauna (Antik Yunanca megas "büyük" + Yeni Latince fauna "hayvan")  büyük
+    ya da dev hayvanlar için kullanılan bir terimdir. Büyüklüğü belirlemekte kullanılan
+    en yaygın sınırlar 45 kg ile 100 kg''dır. Bu sınırlamalar dahilinde çok büyük
+    olduğu düşünülmeyen ak kuyruklu geyik ve kızıl kanguru gibi türler ve hatta insan
+    da bulunur.
+
+    Uygulamada ise, akademik ve popüler makalelerde, genellikle insandan büyük olan
+    ve yalnızca evcil hayvan olarak bulunmayan hayvanları tanımlamak için kullanılır.
+    Terim özellikle Buzul Çağı megafaunası olarak kullanılır ve günümüzdeki karşılıklarından
+    çok daha büyük olan kara hayvanlarını tanımlar. Örneğin, Avrasya''nın kuzeyinde,
+    Amerika ve Avustralya kıtalarında yaşamış olan ve yaklaşık 10.000 ila 40.000 yıl
+    önce soyu tükenmiş mamutlar gibi. Yine yaygın olarak günümüzde yaşamakta olan
+    ve özellikle filler, zürafalar, su aygırları, gergedanlar ile iri sığırlar gibi
+    büyük vahşi hayvanlar için de kullanılır. Megafauna ayrıca türlerin trofik durumuna
+    göre de megaotçullar (ör. Kanada geyikleri), megaetçiller (ör. aslanlar) ve nadiren
+    de megahepçiller (ör. ayılar) kategorilere ayrılır.
+
+    Diğer yaygın kullanımları arasında suda yaşayan özellikle balinalar gibi dev türler
+    için; büyük antiloplar ve sığırlar gibi vahşi ya da evcil hayvanlar için; dinozorlar
+    ve diğer soyu tükenmiş dev sürüngeler için olan kullanımlar sayılabilir.
+
+    Terim aynı zamanda günümüzde yaşayan hayvanların büyüklüklerine göre çok daha
+    büyük olan soyu tükenmiş hayvanlar için de kullanılır. Örneğin, Karbonifer Dönemi''nin
+    1 m''lik yusufçukları için kullanılır.'
+  sentences:
+  - 'query: Guacamole''nin yaygınlaşmasında İspanyolların rolü ne olmuştur?'
+  - 'query: Veri ihlali sadece dijital ortamda mı gerçekleşebilir?'
+  - 'query: Primum non nocere ilkesi hangi durumlarda sıklıkla kullanılır?'
+- source_sentence: 'passage: Dehesa veya Portekiz''de montado, güney ve orta İspanya
+    ile güney Portekiz''de çok işlevli, tarımsal ormancılık sistemi ve kültürel peyzajdır.
+    Dehesalar özel veya ortak mülkiyet olabilir (genellikle belediyeye ait). Öncelikle
+    otlatma için kullanılan bu ormanlarda yabani av hayvanları, mantar, bal ve yakacak
+    odun gibi kereste dışı orman ürünleri de dahil olmak üzere çeşitli ürünler üretilir.
+    Ayrıca İspanyol dövüş boğasını ve İber domuzunun kaynağını yetiştirmek için de
+    kullanılırlar. Ağacın ana bileşeni meşedir, genellikle holm ve mantardır. Melojo
+    (Quercus pyrenaica) ve quejigo dahil olmak üzere diğer meşeler, coğrafi konuma
+    ve yüksekliğe bağlı olarak kullanılan tür olan dehesayı oluşturmak için kullanılabilir.
+    Dehesa, yalnızca çeşitli yiyecekler sağlamakla kalmayıp, aynı zamanda İspanyol
+    imparatorluk kartalı gibi nesli tükenmekte olan türler için de yaban hayatı yaşam
+    alanı sağlayan antropojenik bir sistemdir.
+
+    Uskumru (Scomber scombrus) bir deniz balığı. Aynı zamanda Uskumrugiller familyasına
+    adını vermiş olan, bu familyanın örnek balığıdır.
+
+    Vücut iğ şeklindedir. Sırtta aşağıya doğru inen açık veya koyu yeşilimsi-mavi,
+    üzeri lekeli bantlar vardır. Başta beyin görünmez, karın tarafı açık gümüşi renktedir.
+    Bütün yüzgeçler yumuşak ışınlı olup, gözler kolyoza göre daha ufaktır. Kolyozdan
+    kafada ve vücutta bulunan pulların tekdüze, sırt yüzgecindeki dikenleri daha çok
+    sayıda (11-13), pulları ve yanlarının altında koyu esmer lekeler ve hava kesesi
+    olmayışı ile ayrılır. 8 ila 11 yıl arasında yaşarlar.
+
+    Büyüklüğü ortalama 30–35 cm''dir, maksimum 50 cm olur. Ortalama ağırlığı 200-500
+    gram civarındadır. Kuzey Amerika sahilerinde, Kuzey Denizi, Akdeniz, Ege Denizi,
+    Marmara Denizi ve Karadeniz''de yaşar.
+
+    Besin değeri açısından da zengin olan uskumru balığı pek çok protein ve vitamin
+    içerir. İlk akla gelen uskumru Omega 3 açısından zengindir bilgisi olsa da uskumru
+    sadece Omega 3 açısından değil; A vitamini, C vitamini, B6 vitamini, B12 vitamini,
+    kalsiyum, demir ve magnezyum açısından da zengindir.
+
+    Manchester Okulu, serbest ticareti vurgulayan klasik iktisadi düşünce okullarından
+    birisidir.
+
+    Laissez Faire politikasını, serbest girişimi ve rekabeti ekonomik refah ve büyümenin
+    en iyi yolu olarak kabul etmişler, korumacılığa, kamu yardımlarına, zorunlu eğitim
+    ve benzeri önlemlere karşı çıkmışlar, tahıl ithali üzerindeki kısıtlamaların kaldırılmasını
+    savunmuşlardır.İngiltere''dedir.
+
+    Galibarda veya Fuşya rengi kırmızı ve mavi ışığın eşit oranlarda karıştırılması
+    ile elde edilir. Bu renk daha çok İngilizce isminin okunuşu olan "macenta" adıyla
+    anılır.
+
+    Galibarda rengi dört renkli (CMYK) baskıda kullanılan renklerden biridir.
+
+    Galibarda renginin hex değeri "#FF00FF", RGB değeri "255, 0, 255" ve CMYK değeri
+    "0, 100, 0, 0" dır.'
+  sentences:
+  - 'query: Turing makinesi sadece matematiksel hesaplar için mi kullanılır yoksa
+    başka alanlarda da uygulanabilir mi?'
+  - 'query: AGS-17 Plamya''nın 30×29 mm kovansız mühimmatı ne anlama geliyor?'
+  - 'query: Uskumru balığının diğer balık türlerinden ayıran en belirgin özellikler
+    nelerdir?'
+pipeline_tag: sentence-similarity
+library_name: sentence-transformers
+metrics:
+- cosine_accuracy@1
+- cosine_accuracy@3
+- cosine_accuracy@5
+- cosine_accuracy@10
+- cosine_precision@1
+- cosine_precision@3
+- cosine_precision@5
+- cosine_precision@10
+- cosine_recall@1
+- cosine_recall@3
+- cosine_recall@5
+- cosine_recall@10
+- cosine_ndcg@10
+- cosine_mrr@10
+- cosine_map@100
+model-index:
+- name: SentenceTransformer based on intfloat/multilingual-e5-large
+  results:
+  - task:
+      type: information-retrieval
+      name: Information Retrieval
+    dataset:
+      name: dim 512
+      type: dim_512
+    metrics:
+    - type: cosine_accuracy@1
+      value: 0.3754646840148699
+      name: Cosine Accuracy@1
+    - type: cosine_accuracy@3
+      value: 0.6672862453531598
+      name: Cosine Accuracy@3
+    - type: cosine_accuracy@5
+      value: 0.7230483271375465
+      name: Cosine Accuracy@5
+    - type: cosine_accuracy@10
+      value: 0.7490706319702602
+      name: Cosine Accuracy@10
+    - type: cosine_precision@1
+      value: 0.3754646840148699
+      name: Cosine Precision@1
+    - type: cosine_precision@3
+      value: 0.22242874845105326
+      name: Cosine Precision@3
+    - type: cosine_precision@5
+      value: 0.14460966542750925
+      name: Cosine Precision@5
+    - type: cosine_precision@10
+      value: 0.07490706319702602
+      name: Cosine Precision@10
+    - type: cosine_recall@1
+      value: 0.3754646840148699
+      name: Cosine Recall@1
+    - type: cosine_recall@3
+      value: 0.6672862453531598
+      name: Cosine Recall@3
+    - type: cosine_recall@5
+      value: 0.7230483271375465
+      name: Cosine Recall@5
+    - type: cosine_recall@10
+      value: 0.7490706319702602
+      name: Cosine Recall@10
+    - type: cosine_ndcg@10
+      value: 0.5781745055750072
+      name: Cosine Ndcg@10
+    - type: cosine_mrr@10
+      value: 0.5211932790464389
+      name: Cosine Mrr@10
+    - type: cosine_map@100
+      value: 0.5231772539396392
+      name: Cosine Map@100
+---
+
+# 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). It maps sentences & paragraphs to a 512-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:** 512 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': 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("multilingual-e5-large-wiki-tr-rag")
+# Run inference
+sentences = [
+    'passage: Dehesa veya Portekiz\'de montado, güney ve orta İspanya ile güney Portekiz\'de çok işlevli, tarımsal ormancılık sistemi ve kültürel peyzajdır. Dehesalar özel veya ortak mülkiyet olabilir (genellikle belediyeye ait). Öncelikle otlatma için kullanılan bu ormanlarda yabani av hayvanları, mantar, bal ve yakacak odun gibi kereste dışı orman ürünleri de dahil olmak üzere çeşitli ürünler üretilir. Ayrıca İspanyol dövüş boğasını ve İber domuzunun kaynağını yetiştirmek için de kullanılırlar. Ağacın ana bileşeni meşedir, genellikle holm ve mantardır. Melojo (Quercus pyrenaica) ve quejigo dahil olmak üzere diğer meşeler, coğrafi konuma ve yüksekliğe bağlı olarak kullanılan tür olan dehesayı oluşturmak için kullanılabilir. Dehesa, yalnızca çeşitli yiyecekler sağlamakla kalmayıp, aynı zamanda İspanyol imparatorluk kartalı gibi nesli tükenmekte olan türler için de yaban hayatı yaşam alanı sağlayan antropojenik bir sistemdir.\nUskumru (Scomber scombrus) bir deniz balığı. Aynı zamanda Uskumrugiller familyasına adını vermiş olan, bu familyanın örnek balığıdır.\nVücut iğ şeklindedir. Sırtta aşağıya doğru inen açık veya koyu yeşilimsi-mavi, üzeri lekeli bantlar vardır. Başta beyin görünmez, karın tarafı açık gümüşi renktedir. Bütün yüzgeçler yumuşak ışınlı olup, gözler kolyoza göre daha ufaktır. Kolyozdan kafada ve vücutta bulunan pulların tekdüze, sırt yüzgecindeki dikenleri daha çok sayıda (11-13), pulları ve yanlarının altında koyu esmer lekeler ve hava kesesi olmayışı ile ayrılır. 8 ila 11 yıl arasında yaşarlar.\nBüyüklüğü ortalama 30–35 cm\'dir, maksimum 50 cm olur. Ortalama ağırlığı 200-500 gram civarındadır. Kuzey Amerika sahilerinde, Kuzey Denizi, Akdeniz, Ege Denizi, Marmara Denizi ve Karadeniz\'de yaşar.\nBesin değeri açısından da zengin olan uskumru balığı pek çok protein ve vitamin içerir. İlk akla gelen uskumru Omega 3 açısından zengindir bilgisi olsa da uskumru sadece Omega 3 açısından değil; A vitamini, C vitamini, B6 vitamini, B12 vitamini, kalsiyum, demir ve magnezyum açısından da zengindir.\nManchester Okulu, serbest ticareti vurgulayan klasik iktisadi düşünce okullarından birisidir.\nLaissez Faire politikasını, serbest girişimi ve rekabeti ekonomik refah ve büyümenin en iyi yolu olarak kabul etmişler, korumacılığa, kamu yardımlarına, zorunlu eğitim ve benzeri önlemlere karşı çıkmışlar, tahıl ithali üzerindeki kısıtlamaların kaldırılmasını savunmuşlardır.İngiltere\'dedir.\nGalibarda veya Fuşya rengi kırmızı ve mavi ışığın eşit oranlarda karıştırılması ile elde edilir. Bu renk daha çok İngilizce isminin okunuşu olan "macenta" adıyla anılır.\nGalibarda rengi dört renkli (CMYK) baskıda kullanılan renklerden biridir.\nGalibarda renginin hex değeri "#FF00FF", RGB değeri "255, 0, 255" ve CMYK değeri "0, 100, 0, 0" dır.',
+    'query: Uskumru balığının diğer balık türlerinden ayıran en belirgin özellikler nelerdir?',
+    "query: AGS-17 Plamya'nın 30×29 mm kovansız mühimmatı ne anlama geliyor?",
+]
+embeddings = model.encode(sentences)
+print(embeddings.shape)
+# [3, 512]
+
+# 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.*
+-->
+
+## Evaluation
+
+### Metrics
+
+#### Information Retrieval
+
+* Dataset: `dim_512`
+* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
+
+| Metric              | Value      |
+|:--------------------|:-----------|
+| cosine_accuracy@1   | 0.3755     |
+| cosine_accuracy@3   | 0.6673     |
+| cosine_accuracy@5   | 0.723      |
+| cosine_accuracy@10  | 0.7491     |
+| cosine_precision@1  | 0.3755     |
+| cosine_precision@3  | 0.2224     |
+| cosine_precision@5  | 0.1446     |
+| cosine_precision@10 | 0.0749     |
+| cosine_recall@1     | 0.3755     |
+| cosine_recall@3     | 0.6673     |
+| cosine_recall@5     | 0.723      |
+| cosine_recall@10    | 0.7491     |
+| **cosine_ndcg@10**  | **0.5782** |
+| cosine_mrr@10       | 0.5212     |
+| cosine_map@100      | 0.5232     |
+
+<!--
+## 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: 5,399 training samples
+* Columns: <code>positive</code> and <code>anchor</code>
+* Approximate statistics based on the first 1000 samples:
+  |         | positive                                                                             | anchor                                                                             |
+  |:--------|:-------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|
+  | type    | string                                                                               | string                                                                             |
+  | details | <ul><li>min: 67 tokens</li><li>mean: 444.44 tokens</li><li>max: 512 tokens</li></ul> | <ul><li>min: 11 tokens</li><li>mean: 21.99 tokens</li><li>max: 56 tokens</li></ul> |
+* Samples:
+  | positive                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                       | anchor                                                                                                         |
+  |:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------|
+  | <code>passage: Kratos (Antik Yunanca: Κράτος, Türkçe anlamı: "güç" ve "kuvvet"), God of War serisinin ana karakteri.<br>Kratos, ilk kez 2005'te, serinin ilk oyunu God of War'da göründü. Bu oyunda ailesinin intikamı için bir mücadele içinde olan Kratos'un davası serinin diğer oyunlarında da devam etti. PlayStation serisi altında markalaşan God of War'un ana karakteri Kratos, PlayStation 2 ve PlayStation Portable'da iki, PlayStation 3'te ise dört oyunda göründü. God of War: Betrayal'da da yer alan Kratos, 12 Mart 2013'te yayınlanan PlayStation 3 oyunu God of War: Ascension'dan sonra, 20 Nisan 2018'de PlayStation 4 için yayınlanan God of War'da görüldü. En son çıkan oyunu ise 9 Kasım 2022'de çıkan God of War: Ragnarök'tür.<br>AHD Kamera, yüksek görüntü elde edebilen Analog HD kamera sistemleri anlamına gelmektedir. Analog CCTV altyapısı kullanılarak 720p ve 1080p çözünürlüklerde görüntü alabilen yüksek düzey performansa sahip kamera sistemleridir. HD Kalite de görüntü elde eden bu cihazlar koaksiyel ...</code> | <code>query: Ovo'ların yapımında hangi malzemeler kullanılır ve bu malzemelerin seçimi neden önemlidir?</code> |
+  | <code>passage: Johannes Block(17 Kasım 1894-26 Ocak 1945) 2. Dünya Savaşı sırasında kolordu ve tümen seviyesinde birliklere komuta etmiş olan Wehrmacht generaliydi. Block, Meşe Yaprağı İlaveli Şövalye Haçıyla taltif edilenlerdendi. 26 Ocak 1945'te Vistül-Oder Taarruzu sırasında Kielce yakınlarında öldürüldü.<br>Aguapanela, Kolombiya mutfağından su ve panela (kurutulmuş şeker kamışı suyu) ile yapılan bir içecektir. Sıcak ve ya soğuk içilebilir. İlave olarak limon ve portakal eklenebilir. Aguapanela ile kahve demlenebilir ve tatlı yapımı için çikolata eklenebilir. Süt ve ya brendi gibi alkollu içeceklerle karıştırılabilir. Kolombiya'da aguapanela ile birlikte mogolla, arepa, bisküvi, kassava ekmeği ve garulla gibi çay atıştırmalıkları yenilebilir.</code>                                                                                                                                                                                                                                                                     | <code>query: Aguapanela'nın Kolombiya mutfağındaki yeri nedir ve hangi yiyeceklerle birlikte tüketilir?</code> |
+  | <code>passage: Shippingport Atom Enerjisi Santrali (ABD Nükleer Düzenleme Komisyonu'na göre) dünyanın yalnızca barış zamanı kullanımlarına ayrılmış ilk tam ölçekli atom elektrik santraliydi. Amerika Birleşik Devletleri, Pensilvanya, Beaver County'deki Ohio Nehri üzerindeki günümüz Beaver Valley Nükleer Üretim İstasyonunun yakınında, yaklaşık 40 km (40 km) uzaklıkta bulunmaktaydı.<br>Reaktör 2 Aralık 1957'de kritik seviyeye ulaştı ve üç çekirdek değişikliği için yapılan kesintilerin yanı sıra, Ekim 1982'ye kadar operasyonda kalmıştır. İlk elektrik gücü 18 Aralık 1957'de mühendislerin tesisi Duquesne Light dağıtım şebekesiyle senkronize etmesiyle üretilmiştir.<br>Shippingport'ta kullanılan ilk çekirdek, iptal edilmiş bir nükleer güçle çalışan uçak gemisinden kaynaklanmıştır. Yüksek oranda zenginleştirilmiş uranyumu (%93 U-235) doğal U-238'den bir "örtü" ile çevrili "tohum" yakıt olarak kullanıldı. İlk reaktörde gücün yaklaşık yarısı tohumdan gelmiştir. İlk Shippingport çekirdek reaktörünün piyasaya ...</code> | <code>query: Shippingport Atom Enerjisi Santrali'nin diğer nükleer santrallerden farkı neydi?</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`: epoch
+- `per_device_train_batch_size`: 32
+- `per_device_eval_batch_size`: 16
+- `gradient_accumulation_steps`: 16
+- `learning_rate`: 2e-05
+- `num_train_epochs`: 5
+- `lr_scheduler_type`: cosine
+- `warmup_ratio`: 0.1
+- `bf16`: True
+- `tf32`: True
+- `load_best_model_at_end`: True
+- `optim`: adamw_torch_fused
+- `batch_sampler`: no_duplicates
+
+#### All Hyperparameters
+<details><summary>Click to expand</summary>
+
+- `overwrite_output_dir`: False
+- `do_predict`: False
+- `eval_strategy`: epoch
+- `prediction_loss_only`: True
+- `per_device_train_batch_size`: 32
+- `per_device_eval_batch_size`: 16
+- `per_gpu_train_batch_size`: None
+- `per_gpu_eval_batch_size`: None
+- `gradient_accumulation_steps`: 16
+- `eval_accumulation_steps`: None
+- `torch_empty_cache_steps`: None
+- `learning_rate`: 2e-05
+- `weight_decay`: 0.0
+- `adam_beta1`: 0.9
+- `adam_beta2`: 0.999
+- `adam_epsilon`: 1e-08
+- `max_grad_norm`: 1.0
+- `num_train_epochs`: 5
+- `max_steps`: -1
+- `lr_scheduler_type`: cosine
+- `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`: True
+- `fp16`: False
+- `fp16_opt_level`: O1
+- `half_precision_backend`: auto
+- `bf16_full_eval`: False
+- `fp16_full_eval`: False
+- `tf32`: True
+- `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`: 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_fused
+- `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
+- `dispatch_batches`: None
+- `split_batches`: 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`: no_duplicates
+- `multi_dataset_batch_sampler`: proportional
+
+</details>
+
+### Training Logs
+| Epoch      | Step   | Training Loss | dim_512_cosine_ndcg@10 |
+|:----------:|:------:|:-------------:|:----------------------:|
+| -1         | -1     | -             | 0.4134                 |
+| 0.9467     | 10     | 21.2389       | 0.5258                 |
+| 1.9467     | 20     | 17.7004       | 0.5681                 |
+| **2.9467** | **30** | **15.2274**   | **0.5798**             |
+| 3.9467     | 40     | 14.0845       | 0.5794                 |
+| 4.9467     | 50     | 13.5581       | 0.5782                 |
+
+* The bold row denotes the saved checkpoint.
+
+### Framework Versions
+- Python: 3.11.11
+- Sentence Transformers: 3.4.1
+- Transformers: 4.50.3
+- PyTorch: 2.6.0+cu124
+- Accelerate: 1.5.2
+- 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.*
+-->

config.json

@@ -0,0 +1,27 @@
+{
+  "architectures": [
+    "XLMRobertaModel"
+  ],
+  "attention_probs_dropout_prob": 0.1,
+  "bos_token_id": 0,
+  "classifier_dropout": null,
+  "eos_token_id": 2,
+  "hidden_act": "gelu",
+  "hidden_dropout_prob": 0.1,
+  "hidden_size": 1024,
+  "initializer_range": 0.02,
+  "intermediate_size": 4096,
+  "layer_norm_eps": 1e-05,
+  "max_position_embeddings": 514,
+  "model_type": "xlm-roberta",
+  "num_attention_heads": 16,
+  "num_hidden_layers": 24,
+  "output_past": true,
+  "pad_token_id": 1,
+  "position_embedding_type": "absolute",
+  "torch_dtype": "float32",
+  "transformers_version": "4.50.3",
+  "type_vocab_size": 1,
+  "use_cache": true,
+  "vocab_size": 250002
+}

config_sentence_transformers.json

@@ -0,0 +1,10 @@
+{
+  "__version__": {
+    "sentence_transformers": "3.4.1",
+    "transformers": "4.50.3",
+    "pytorch": "2.6.0+cu124"
+  },
+  "prompts": {},
+  "default_prompt_name": null,
+  "similarity_fn_name": "cosine"
+}

eval/Information-Retrieval_evaluation_dim_512_results.csv

@@ -0,0 +1,6 @@
+epoch,steps,cosine-Accuracy@1,cosine-Accuracy@3,cosine-Accuracy@5,cosine-Accuracy@10,cosine-Precision@1,cosine-Recall@1,cosine-Precision@3,cosine-Recall@3,cosine-Precision@5,cosine-Recall@5,cosine-Precision@10,cosine-Recall@10,cosine-MRR@10,cosine-NDCG@10,cosine-MAP@100
+0.9467455621301775,10,0.32899628252788105,0.5799256505576208,0.6654275092936803,0.7137546468401487,0.32899628252788105,0.32899628252788105,0.19330855018587362,0.5799256505576208,0.13308550185873605,0.6654275092936803,0.07137546468401486,0.7137546468401487,0.4646176314391929,0.5257706892178339,0.4672879601563018
+1.9467455621301775,20,0.362453531598513,0.6524163568773235,0.7193308550185874,0.7472118959107806,0.362453531598513,0.362453531598513,0.21747211895910779,0.6524163568773235,0.14386617100371749,0.7193308550185874,0.07472118959107805,0.7472118959107806,0.5087146692629965,0.5681303498497544,0.5102734639242592
+2.9467455621301775,30,0.379182156133829,0.6617100371747212,0.724907063197026,0.7527881040892194,0.379182156133829,0.379182156133829,0.2205700123915737,0.6617100371747212,0.1449814126394052,0.724907063197026,0.07527881040892194,0.7527881040892194,0.5222959815896622,0.5797566970314246,0.5236728644296553
+3.9467455621301775,40,0.379182156133829,0.6672862453531598,0.7230483271375465,0.7509293680297398,0.379182156133829,0.379182156133829,0.22242874845105326,0.6672862453531598,0.14460966542750925,0.7230483271375465,0.07509293680297398,0.7509293680297398,0.522288605652918,0.5793807124611218,0.5239841828088465
+4.946745562130177,50,0.3754646840148699,0.6672862453531598,0.7230483271375465,0.7490706319702602,0.3754646840148699,0.3754646840148699,0.22242874845105326,0.6672862453531598,0.14460966542750925,0.7230483271375465,0.07490706319702602,0.7490706319702602,0.5211932790464389,0.5781745055750072,0.5231772539396392

model.safetensors

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:bce20d1fa82d91833e96d67a56819f96917cad1bf7e25601d4d93180a29ce433
+size 2239607176

modules.json

@@ -0,0 +1,20 @@
+[
+  {
+    "idx": 0,
+    "name": "0",
+    "path": "",
+    "type": "sentence_transformers.models.Transformer"
+  },
+  {
+    "idx": 1,
+    "name": "1",
+    "path": "1_Pooling",
+    "type": "sentence_transformers.models.Pooling"
+  },
+  {
+    "idx": 2,
+    "name": "2",
+    "path": "2_Normalize",
+    "type": "sentence_transformers.models.Normalize"
+  }
+]

runs/Apr10_08-46-33_03d0b8caefa2/events.out.tfevents.1744274816.03d0b8caefa2.2361.0

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:a723eda5fd0f6406bef2a709e6de2417748050f28af8769bd14aa476b8805fd8
+size 21216

sentence_bert_config.json

@@ -0,0 +1,4 @@
+{
+  "max_seq_length": 512,
+  "do_lower_case": false
+}

sentencepiece.bpe.model

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:cfc8146abe2a0488e9e2a0c56de7952f7c11ab059eca145a0a727afce0db2865
+size 5069051

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 sha256:883b037111086fd4dfebbbc9b7cee11e1517b5e0c0514879478661440f137085
+size 17082987

tokenizer_config.json

@@ -0,0 +1,55 @@
+{
+  "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": true,
+  "cls_token": "<s>",
+  "eos_token": "</s>",
+  "extra_special_tokens": {},
+  "mask_token": "<mask>",
+  "model_max_length": 512,
+  "pad_token": "<pad>",
+  "sep_token": "</s>",
+  "tokenizer_class": "XLMRobertaTokenizer",
+  "unk_token": "<unk>"
+}

training_args.bin

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:9d6af665dab35536fa8b90419b05b5117f7ec73ffedf034c116e5e974d7f236f
+size 5752