| | --- |
| | tags: |
| | - sentence-transformers |
| | - sentence-similarity |
| | - feature-extraction |
| | - generated_from_trainer |
| | - dataset_size:86732 |
| | - loss:MultipleNegativesRankingLoss |
| | base_model: cointegrated/LaBSE-en-ru |
| | widget: |
| | - source_sentence: мойка |
| | sentences: |
| | - '{"product_name": "Набор вешалок MITTE Rainbow для брюк и юбок с зажимами 3 шт.", |
| | "Бренд": "MITTE", "Цвет": "серый", "Материал": null, "description": "", "Производитель": |
| | "Китай"}' |
| | - '{"product_name": "Шкаф для белья левый Sherlock", "Бренд": null, "Цвет": "дуб |
| | Сонома", "Материал": "ЛДСП, МДФ", "description": "Элегантный и удобный шкаф для |
| | белья – часть модульной коллекции мебели Sherlock. Благодаря компактным размерам, |
| | этот шкаф легко вписывается в небольшую гостиную или спальню. Внутри установлены |
| | четыре полки для белья, расстояние между которыми можно менять по желанию. Фасад |
| | с покрытием, имитирующим фактуру дуба Сонома, отделан декоративными планками, |
| | придающими этой модели изящество и особый шарм. Эта коллекция создана для обстановки |
| | малогабаритных квартир, из модулей можно собрать функциональный комплект, который |
| | украсит гостиную, декорированную в классическом стиле.", "Производитель": "Россия"}' |
| | - '{"product_name": "Обувница Комфорт 60х121.7х16.5 см", "Бренд": null, "Цвет": |
| | "белый", "Материал": "ЛДСП", "description": "Обувница Комфорт УК позволит компактно |
| | разместить обувь даже в небольшой или узкой прихожей. У тумбы небольшая глубина, |
| | но благодаря особой конструкции полок на них легко поместятся кроссовки, сандалии |
| | и другая обувь. Каждая пара будет защищена от пыли, а в прихожей всегда будет |
| | полный порядок. Крышку обувницы и открытое отделение под ней можно использовать |
| | для хранения аксессуаров и средств ухода за обувью.\nТумба изготовлена из ЛДСП |
| | с декоративным покрытием, за которым легко ухаживать: достаточно протирать поверхность |
| | мягкой салфеткой с любым средством для мебели, не содержащим абразивов..", "Производитель": |
| | "Россия"}' |
| | - source_sentence: стул |
| | sentences: |
| | - '{"product_name": "Кресло Монца", "Бренд": null, "Цвет": "бежевый", "Материал": |
| | null, "description": "", "Производитель": "Россия"}' |
| | - '{"product_name": "Дверь Оскар Скаген", "Бренд": null, "Цвет": "белый", "Материал": |
| | "МДФ", "description": "", "Производитель": "Россия"}' |
| | - '{"product_name": "Кресло CHAIRMAN Kids 110", "Бренд": "CHAIRMAN", "Цвет": "чёрный, |
| | оранжевый", "Материал": null, "description": "", "Производитель": "Россия"}' |
| | - source_sentence: кухонные столы |
| | sentences: |
| | - '{"product_name": "Фальшпанель Белла 4.6х35.6х1.6 см", "Бренд": null, "Цвет": |
| | "фисташка", "Материал": "МДФ с покрытием ПВХ", "description": "", "Производитель": |
| | "Россия"}' |
| | - '{"product_name": "Журнальный стол Лофт", "Бренд": null, "Цвет": "Чёрный,Дуб", |
| | "Материал": null, "description": "Низкий овальный столик на металлокаркасе создан |
| | для современного домашнего интерьера, гармонично впишется в гостиную, дополнит |
| | балкон или станет отличным вариантом для дачи. Столешница из МДФ представлена |
| | в трех базовых расцветках: под дерево, мраморный черный и белый, что позволяет |
| | выбрать именно тот вариант, который наиболее гармонично дополнит интерьер.\nКонструкция |
| | отличается долговечностью и прочностью. Высокая устойчивость к механическим повреждениям |
| | обеспечивает надежность использования этого столика долгие годы. Особое внимание |
| | следует уделить функциональности данного изделия.", "Производитель": "Россия"}' |
| | - '{"product_name": "Матрас пружинный Sanvi 90х200 см", "Бренд": "ARMOS", "Цвет": |
| | null, "Материал": null, "description": "Двусторонний матрас «Sanvi» относится |
| | к матрасам переменной жёсткости. Можно выбрать более комфортную сторону, просто |
| | перевернув матрас. Рельефная ортопена с одной стороны обеспечивает выраженный |
| | массажный эффект и отлично снимает напряжение.\nТермочувствительная вязко-эластичная |
| | пена с «эффектом памяти» с другой стороны быстро принимает форму тела под воздействием |
| | тепла и давления, постепенно восстанавливает объем без нагрузки. Пена Memory Pro |
| | - оптимальный выбор для людей с хроническими болями в спине, заболеваниями опорно-двигательного |
| | аппарата, спортсменов с интенсивными нагрузками и напряжением в мышцах. В основе |
| | матраса независимый пружинный блок Pocket Spring Multi повышенной комфортности, |
| | более 1000 пружин на спальное место. Данный блок отлично подстраивается под индивидуальные |
| | анатомические особенности спящего, уменьшая нагрузку на суставы и повышая качество |
| | сна. Армирован пружинный блок прочным бикоттоном. Такая конструкция обладает высокой |
| | упругостью, прочностью и повышенной несущей способностью.\nЧехол выполнен из мягкого, |
| | нежного трикотажа, простеганного на объемном гипоаллергенном волокне.", "Производитель": |
| | "Россия"}' |
| | - source_sentence: освещение |
| | sentences: |
| | - '{"product_name": "Шкаф одностворчатый правый Амели", "Бренд": null, "Цвет": "Серый", |
| | "Материал": null, "description": "", "Производитель": "Россия"}' |
| | - '{"product_name": "Люстра VITALUCE V5180-7/6 18 кв.м., 40х159х40 см, E14", "Бренд": |
| | "VITALUCE", "Цвет": "Золотой", "Материал": null, "description": "Подвесная люстра |
| | Vitaluce серии V5180 в золотом цвете выполнена в классическом стиле. Прекрасно |
| | может дополнить различные интерьеры комнат с высокими потолками. Есть возможность |
| | регулировать высоту люстры.\nЛампочки в комплект не входят, не забудьте их приобрести.", |
| | "Производитель": "Россия"}' |
| | - '{"product_name": "Прихожая СПР 2БР", "Бренд": null, "Цвет": "Белый", "Материал": |
| | null, "description": "", "Производитель": "Россия"}' |
| | - source_sentence: набор кружек |
| | sentences: |
| | - '{"product_name": "Каркас кровати Селена цвет кашемир", "Бренд": null, "Цвет": |
| | "кашемир", "Материал": null, "description": "Коллекция Селена представлена в трендовых |
| | оттенках Сантьяго и Кашемир, что придает ей современный вид. Фасады с покрытием |
| | Soft-touch приятны на ощупь и создают уютную атмосферу. В классическом стиле с |
| | рамочными фасадами в пленке ПВХ, коллекция также включает утолщенные колпаки модулей |
| | с фрезеровкой в древесной пленке. Петли Titus из Словении с возможностью установки |
| | демпфера обеспечивают долговечность, а скрытые направляющие с доводчиком гарантируют |
| | плавное и бесшумное закрывание ящиков. Цоколи в нижней части моделей добавляют |
| | яркий акцент и завершенность дизайну. \nОснование в комплект не входит.", "Производитель": |
| | "Россия"}' |
| | - '{"product_name": "Набор журнальных столов лофт Duae", "Бренд": null, "Цвет": |
| | "Белый,Чёрный", "Материал": null, "description": "", "Производитель": "Россия"}' |
| | - '{"product_name": "Матрас пружинный MILDEX Memphis 140х200 см", "Бренд": "MILDEX", |
| | "Цвет": null, "Материал": null, "description": "Пружинный матрас Memphis средней |
| | жёсткости. В основе матраса используется независимый пружинный блок «Hard Pocket» |
| | плотностью 500 пружин на спальное место. \n Уникальная пена повышенной плотности |
| | Bi-foam, обладающая анатомическим эффектом, равномерно распределяет нагрузку по |
| | всей площади матраса.Природный комбинированный наполнитель Bi-Cocos обеспечивает |
| | оптимальную жесткость. Сочетание двух этих материалов с пружинным блоком Hardpocket |
| | в матрасе, прекрасно воспринимает даже большие нагрузки, оказывая необходимую |
| | анатомическую поддержку, что благоприятно сказывается на качестве сна. \n Мягкий |
| | трикотажный чехол с высокообъёмной стежкой поможет расслабиться после напряженного |
| | дня. \n Особенности:\n - Использование природных материалов", "Производитель": |
| | "Россия"}' |
| | pipeline_tag: sentence-similarity |
| | library_name: sentence-transformers |
| | --- |
| | |
| | # SentenceTransformer based on cointegrated/LaBSE-en-ru |
| |
|
| | This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [cointegrated/LaBSE-en-ru](https://huggingface.co/cointegrated/LaBSE-en-ru). It maps sentences & paragraphs to a 768-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:** [cointegrated/LaBSE-en-ru](https://huggingface.co/cointegrated/LaBSE-en-ru) <!-- at revision cf0714e606d4af551e14ad69a7929cd6b0da7f7e --> |
| | - **Maximum Sequence Length:** 512 tokens |
| | - **Output Dimensionality:** 768 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: BertModel |
| | (1): Pooling({'word_embedding_dimension': 768, '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): Dense({'in_features': 768, 'out_features': 768, 'bias': True, 'activation_function': 'torch.nn.modules.activation.Tanh'}) |
| | (3): 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("Solomennikova/labse_funetuned_hoff") |
| | # Run inference |
| | sentences = [ |
| | 'набор кружек', |
| | '{"product_name": "Каркас кровати Селена цвет кашемир", "Бренд": null, "Цвет": "кашемир", "Материал": null, "description": "Коллекция Селена представлена в трендовых оттенках Сантьяго и Кашемир, что придает ей современный вид. Фасады с покрытием Soft-touch приятны на ощупь и создают уютную атмосферу. В классическом стиле с рамочными фасадами в пленке ПВХ, коллекция также включает утолщенные колпаки модулей с фрезеровкой в древесной пленке. Петли Titus из Словении с возможностью установки демпфера обеспечивают долговечность, а скрытые направляющие с доводчиком гарантируют плавное и бесшумное закрывание ящиков. Цоколи в нижней части моделей добавляют яркий акцент и завершенность дизайну. \\nОснование в комплект не входит.", "Производитель": "Россия"}', |
| | '{"product_name": "Матрас пружинный MILDEX Memphis 140х200 см", "Бренд": "MILDEX", "Цвет": null, "Материал": null, "description": "Пружинный матрас Memphis средней жёсткости. В основе матраса используется независимый пружинный блок «Hard Pocket» плотностью 500 пружин на спальное место. \\n Уникальная пена повышенной плотности Bi-foam, обладающая анатомическим эффектом, равномерно распределяет нагрузку по всей площади матраса.Природный комбинированный наполнитель Bi-Cocos обеспечивает оптимальную жесткость. Сочетание двух этих материалов с пружинным блоком Hardpocket в матрасе, прекрасно воспринимает даже большие нагрузки, оказывая необходимую анатомическую поддержку, что благоприятно сказывается на качестве сна. \\n Мягкий трикотажный чехол с высокообъёмной стежкой поможет расслабиться после напряженного дня. \\n Особенности:\\n - Использование природных материалов", "Производитель": "Россия"}', |
| | ] |
| | embeddings = model.encode(sentences) |
| | print(embeddings.shape) |
| | # [3, 768] |
| | |
| | # 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 Dataset |
| |
|
| | #### Unnamed Dataset |
| |
|
| | * Size: 86,732 training samples |
| | * Columns: <code>sentence_0</code> and <code>sentence_1</code> |
| | * Approximate statistics based on the first 1000 samples: |
| | | | sentence_0 | sentence_1 | |
| | |:--------|:---------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------| |
| | | type | string | string | |
| | | details | <ul><li>min: 3 tokens</li><li>mean: 5.28 tokens</li><li>max: 29 tokens</li></ul> | <ul><li>min: 51 tokens</li><li>mean: 126.16 tokens</li><li>max: 512 tokens</li></ul> | |
| | * Samples: |
| | | sentence_0 | sentence_1 | |
| | |:-------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------| |
| | | <code>комод</code> | <code>{"product_name": "Придиванный стол Агами", "Бренд": null, "Цвет": "Белый,Чёрный", "Материал": null, "description": "Компактный, устойчивый, многофункциональный – набор качеств придиванного стола Агами делает его отличным выбором для любой комнаты и целей. Модель можно использовать для сервировки закусок во время семейных киносеансов, работы с ноутбуком, рисования, в качестве подставки для швейной машины. С-образная конструкция каркаса позволяет расположить столик с максимальным удобством: сбоку от кресла, с фронтальной стороны дивана, рядом с сиденьем или так, чтобы столешница располагалась над подлокотником. Минималистский дизайн изделия создает нейтральный фон для предметов декора.", "Производитель": "Россия"}</code> | |
| | | <code>ковер</code> | <code>{"product_name": "Унитаз-компакт AM.PM Spirit V2.0 C708600WH 36.5х85х63.5 см", "Бренд": "AM.PM", "Цвет": "белый глянцевый", "Материал": "фарфор", "description": "", "Производитель": "Россия"}</code> | |
| | | <code>мойка</code> | <code>{"product_name": "Мойка с крылом GRANFEST Quarz GF-ZL-51 76х48х17.8 см", "Бренд": "GRANFEST", "Цвет": "чёрный", "Материал": "кварц", "description": "", "Производитель": "Россия"}</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 |
| | |
| | - `per_device_train_batch_size`: 32 |
| | - `per_device_eval_batch_size`: 32 |
| | - `num_train_epochs`: 1 |
| | - `multi_dataset_batch_sampler`: round_robin |
| | |
| | #### All Hyperparameters |
| | <details><summary>Click to expand</summary> |
| | |
| | - `overwrite_output_dir`: False |
| | - `do_predict`: False |
| | - `eval_strategy`: no |
| | - `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`: 1 |
| | - `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} |
| | - `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`: 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`: batch_sampler |
| | - `multi_dataset_batch_sampler`: round_robin |
| | |
| | </details> |
| | |
| | ### Training Logs |
| | | Epoch | Step | Training Loss | |
| | |:------:|:----:|:-------------:| |
| | | 0.1844 | 500 | 2.7684 | |
| | | 0.3689 | 1000 | 2.5477 | |
| | | 0.5533 | 1500 | 2.4492 | |
| | | 0.7377 | 2000 | 2.4187 | |
| | | 0.9222 | 2500 | 2.4162 | |
| | |
| | |
| | ### Framework Versions |
| | - Python: 3.10.12 |
| | - Sentence Transformers: 4.0.1 |
| | - Transformers: 4.50.1 |
| | - PyTorch: 2.6.0+cu124 |
| | - Accelerate: 1.5.2 |
| | - Datasets: 3.4.1 |
| | - 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.* |
| | --> |
