Upload folder using huggingface_hub

1_Pooling/config.json

@@ -0,0 +1,10 @@
+{
+  "word_embedding_dimension": 768,
+  "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

@@ -1,3 +1,474 @@
----
-license: mit
----
+---
+base_model: aubmindlab/bert-base-arabertv02
+language:
+- ar
+library_name: sentence-transformers
+license: apache-2.0
+pipeline_tag: sentence-similarity
+tags:
+- sentence-transformers
+- sentence-similarity
+- feature-extraction
+- generated_from_trainer
+- dataset_size:550000
+- loss:Matryoshka2dLoss
+- loss:MatryoshkaLoss
+- loss:MultipleNegativesRankingLoss
+widget:
+- source_sentence: كم التبن لإطعام الحصان
+  sentences:
+  - يجب أن يشرب الماعز الصغير من أمه لمدة 8 أسابيع على الأقل قبل أن يتم فطامه لإكمال
+    التبن أو المرعى. سيأخذ بعض أصحاب الماعز الأطفال بعيدًا عن الأم على الفور ويغذون
+    بالزجاجة. سيحتفظون بها في أماكن منفصلة ، ويحلبون الأم ، ثم يسكبون الحليب في زجاجة
+    ويطعمون الطفل.
+  - التوزيع الطبيعي القياسي. التوزيع الطبيعي القياسي هو التوزيع الطبيعي بمتوسط ​​0
+    وانحراف معياري 1. يمكن العثور على المناطق الواقعة تحت هذا المنحنى باستخدام جدول
+    عادي قياسي (الجدول A في كتب Moore and Moore & McCabe المدرسية). تتضمن جميع نصوص
+    الإحصائيات التمهيدية هذا الجدول. قم بتنسيقه بشكل مختلف. التوزيع العادي القياسي.
+    التوزيع الطبيعي القياسي هو التوزيع الطبيعي بمتوسط ​​0 وانحراف معياري 1. يمكن العثور
+    على المناطق الواقعة تحت هذا المنحنى باستخدام جدول عادي قياسي (الجدول A في كتب
+    Moore and Moore & McCabe).
+  - إذا افترض المالكون أن 20 في المائة من التبن سوف يضيع ، فإن الحصان الذي يبلغ وزنه
+    1000 رطل في المتوسط ​​سيتطلب 24 رطلاً من التبن يوميًا (20 رطلاً لتلبية التوصيات
+    بالإضافة إلى 4 أرطال إضافية لحساب النفايات). تغير درجات الحرارة الباردة أيضًا
+    متطلبات التغذية اليومية.
+- source_sentence: من هم المتجولون rathkeale
+  sentences:
+  - جواب سريع. يظل السلمون النيئ المبرد طازجًا لمدة يوم إلى يومين. سمك السلمون المطبوخ
+    في الثلاجة آمن للأكل لمدة ثلاثة إلى أربعة أيام. توصي وزارة الزراعة الأمريكية بضبط
+    درجة حرارة الثلاجة على 40 درجة فهرنهايت أو أقل للحفاظ على سلامة الغذاء. أكمل القراءة.
+  - Rathkeale Rovers هو اسم غير رسمي يطلق على مجموعة من المجرمين ، مقرها في أيرلندا
+    ولكنها تعمل على المستوى الدولي. إنهم جميعًا أعضاء في مجتمع السفر الأيرلندي ، ويستخدمون
+    أعمال المسافر التقليدية مثل وضع مدرج المطار أو تجديد المنزل كغطاء للأنشطة غير
+    القانونية. ويشتهرون بكونهم أحد أغنى الأشخاص تنظيماً في العالم مجموعات الجريمة.
+    تشمل الجرائم المزعومة غسيل الأموال وتهريب المخدرات وسرقة الأعمال الفنية ، وجميعهم
+    أعضاء في مجتمع السفر الأيرلندي ، ويستخدمون أعمال المسافر التقليدية مثل وضع مدرج
+    المطار أو تجديد المنزل كغطاء للأنشطة غير القانونية. تشتهر بكونها واحدة من أغنى
+    مجموعات الجريمة المنظمة في العالم. تشمل الجرائم المزعومة غسل الأموال وتهريب المخدرات
+    وسرقة الأعمال الفنية.
+  - سام ألارديس ، مدرب سندرلاند ، كان مسؤولاً أيضًا عن وست هام يونايتد وبلاكبيرن روفرز
+    ونيوكاسل يونايتد وبولتون واندرارز في الدوري الإنجليزي الممتاز ، وتولى روبرتو مانشيني
+    منصب مدير مانشستر سيتي في عام 2009 ، وهو أول دور له في كرة القدم الإنجليزية. تولى
+    تدريب بولتون واندرارز ونيوكاسل يونايتد وبلاكبيرن روفرز ووست هام وسندرلاند. أدار
+    خمسة مدربين أربعة أندية مختلفة في الدوري الإنجليزي الممتاز. تولى رون أتكينسون
+    تدريب أستون فيلا وكوفنتري سيتي وشيفيلد وينزداي ، ولفترة وجيزة ، نوتنجهام فورست.
+- source_sentence: ما هي الأضرار اللاحقة
+  sentences:
+  - 'سيارات فيراري: القصة. شركة سيارات فيراري هي شركة تصنيع مقرها في مارانيلو ، إيطاليا.
+    تأسست الشركة في عام 1929 على يد إنزو فيراري ، وكانت تُعرف في الأصل باسم سكوديريا
+    فيراري. صنعت سكوديريا فيراري لأول مرة سيارات السباق ، لكنها بدأت في النهاية في
+    إنتاج سيارات الشوارع التي تعمل بشكل قانوني بدءًا من عام 1947. تعد شركة Ferrari
+    S.p.A حاليًا واحدة من أنجح شركات تصنيع السيارات الرياضية في العالم.'
+  - 'وبطريقة أخرى ، فإن الأضرار التبعية هي نوع الأضرار التي لا يتوقعها الشخص العاقل
+    والعادي والحصيف ما لم يخبرهم أحدهم أن تلك الأضرار ممكنة. في قرار مستشفى رونوك
+    ، قرر القضاة: كانت تكاليف الفائدة المرتفعة على قرض البناء بمثابة أضرار تبعية.'
+  - '"بيتر: أعتقد أن ""الأضرار التبعية"" هي تسمية تُطبق على الأضرار التي يمكن استردادها
+    ، في غياب أحكام العقد التي تتعارض مع ذلك. ولكن الأهم من ذلك ، فإن الحالة التي
+    تشير إليها قد تبدو درسًا موضوعيًا في عدم الاعتماد على المصطلحات القانونية وبدلاً
+    من ذلك استخدام وسائل أخرى أكثر وضوحًا للحد من الأضرار."'
+- source_sentence: متوسط ​​سعر الفائدة للمنازل المصنعة
+  sentences:
+  - للقيام بذلك ، نظر HSH في بيانات الربع الرابع من الرابطة الوطنية للوسطاء العقاريين
+    لمتوسط ​​أسعار المنازل و HSH.com في الربع الرابع متوسط ​​سعر الفائدة للرهون العقارية
+    ذات السعر الثابت لمدة 30 عامًا لتحديد مقدار الأموال التي يحتاجها مشترو المنازل
+    لكسبها من أجل تحمل المبلغ الأساسي ودفع الفائدة فقط على منزل متوسط ​​السعر في السوق.
+  - '"جورج هاميلتون في بالم بيتش عام 2013. لم يكن الكولونيل ساندرز بهذا الاسمرار من
+    قبل. في إعلان تجاري جديد يصنع جولات على YouTube لليوم الوطني للدجاج المقلي ، يلعب
+    بالم بيتش جورج هاميلتون دور ""العقيد المقرمش الإضافي ،"" ¢ â واحد من عدة إعلانات
+    عبر الإنترنت قام الممثل بوليفاردير بعملها لسلسلة الدجاج هذا الصيف."'
+  - قدر مكتب الحماية المالية للمستهلك معدل الفائدة النموذجي لقرض شراء منزل مصنّع في
+    عام 2012 بنسبة 6.79٪. على النقيض من ذلك ، كان متوسط ​​معدل الفائدة الثابت لمدة
+    30 عامًا على الرهن العقاري التقليدي في ذلك العام من 3.6 إلى 4.2 في المائة ، وفقًا
+    لموقع HSH.com ، ناشر معلومات القروض.
+- source_sentence: لماذا رائحة الغسيل بعد الغسيل
+  sentences:
+  - 'كيفية التخلص من الرائحة: إذا تم اكتشافها على الفور ، فعادة ما يكون غسل الملابس
+    مرة أخرى هو كل ما يلزم لإزالة الروائح الكريهة. إذا لم ينجح ذلك وما زلت تواجه مشاكل
+    ، جرب إحدى الطرق التالية: اغسل مرة أخرى ولكن هذه المرة أضف كوبًا واحدًا من الخل
+    إلى الحمولة (جنبًا إلى جنب مع منظف الغسيل).'
+  - Honorificabilitudinitatibus هي كلمة مكونة من 27 حرفًا ، وتعني بصيغة الجمع أن تكون
+    في حالة القدرة على الحصول على مرتبة الشرف. تصادف أن تكون الكلمة أطول كلمة استخدمها
+    شكسبير على الإطلاق ، لكن جذورها تعود إلى قرون قبل عصره إلى القرن الحادي عشر على
+    الأقل.
+  - حافظ على ملابسك منتعشة وجافة بالمجفف الكهربائي من سيرز. عندما يدور يوم الغسيل
+    ، يمكنك الاعتماد على الأداء الفعال للمجفف الكهربائي. يحتوي سيرز على مجففات تناسب
+    ديكور أي غرفة غسيل. من الفولاذ المقاوم للصدأ إلى تشطيبات الأونيكس ، يسهل تنسيق
+    هذا الجهاز الأني�� مع الغسالة التي تختارها.
+---
+
+# BERT base trained on 500k Arabic NLI triplets
+
+This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [aubmindlab/bert-base-arabertv02](https://huggingface.co/aubmindlab/bert-base-arabertv02). 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:** [aubmindlab/bert-base-arabertv02](https://huggingface.co/aubmindlab/bert-base-arabertv02) <!-- at revision 016fb9d6768f522a59c6e0d2d5d5d43a4e1bff60 -->
+- **Maximum Sequence Length:** 512 tokens
+- **Output Dimensionality:** 768 tokens
+- **Similarity Function:** Cosine Similarity
+<!-- - **Training Dataset:** Unknown -->
+- **Language:** ar
+- **License:** apache-2.0
+
+### 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': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
+)
+```
+
+## Usage
+
+### Direct Usage (Sentence Transformers)
+
+First install the Sentence Transformers library:
+
+```bash
+pip install -U sentence-transformers
+```
+
+Then you can load this model and run inference.
+```python
+from sentence_transformers import SentenceTransformer
+
+# Download from the 🤗 Hub
+model = SentenceTransformer("sentence_transformers_model_id")
+# Run inference
+sentences = [
+    'لماذا رائحة الغسيل بعد الغسيل',
+    'كيفية التخلص من الرائحة: إذا تم اكتشافها على الفور ، فعادة ما يكون غسل الملابس مرة أخرى هو كل ما يلزم لإزالة الروائح الكريهة. إذا لم ينجح ذلك وما زلت تواجه مشاكل ، جرب إحدى الطرق التالية: اغسل مرة أخرى ولكن هذه المرة أضف كوبًا واحدًا من الخل إلى الحمولة (جنبًا إلى جنب مع منظف الغسيل).',
+    'حافظ على ملابسك منتعشة وجافة بالمجفف الكهربائي من سيرز. عندما يدور يوم الغسيل ، يمكنك الاعتماد على الأداء الفعال للمجفف الكهربائي. يحتوي سيرز على مجففات تناسب ديكور أي غرفة غسيل. من الفولاذ المقاوم للصدأ إلى تشطيبات الأونيكس ، يسهل تنسيق هذا الجهاز الأنيق مع الغسالة التي تختارها.',
+]
+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 Hyperparameters
+#### Non-Default Hyperparameters
+
+- `eval_strategy`: steps
+- `per_device_train_batch_size`: 32
+- `per_device_eval_batch_size`: 32
+- `learning_rate`: 2e-05
+- `num_train_epochs`: 1
+- `warmup_ratio`: 0.1
+- `fp16`: True
+- `batch_sampler`: no_duplicates
+
+#### All Hyperparameters
+<details><summary>Click to expand</summary>
+
+- `overwrite_output_dir`: False
+- `do_predict`: False
+- `eval_strategy`: steps
+- `prediction_loss_only`: True
+- `per_device_train_batch_size`: 32
+- `per_device_eval_batch_size`: 32
+- `per_gpu_train_batch_size`: None
+- `per_gpu_eval_batch_size`: None
+- `gradient_accumulation_steps`: 1
+- `eval_accumulation_steps`: None
+- `torch_empty_cache_steps`: None
+- `learning_rate`: 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`: 1
+- `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`: 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`: False
+- `hub_always_push`: False
+- `gradient_checkpointing`: False
+- `gradient_checkpointing_kwargs`: None
+- `include_inputs_for_metrics`: False
+- `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
+- `eval_use_gather_object`: False
+- `batch_sampler`: no_duplicates
+- `multi_dataset_batch_sampler`: proportional
+
+</details>
+
+### Training Logs
+| Epoch | Step  | Training Loss | loss   |
+|:-----:|:-----:|:-------------:|:------:|
+| 0.016 | 250   | 4.065         | -      |
+| 0.032 | 500   | 1.9888        | -      |
+| 0.048 | 750   | 1.4433        | -      |
+| 0.064 | 1000  | 1.2331        | -      |
+| 0.08  | 1250  | 1.0376        | -      |
+| 0.096 | 1500  | 1.0282        | -      |
+| 0.112 | 1750  | 0.892         | -      |
+| 0.128 | 2000  | 0.8597        | -      |
+| 0.144 | 2250  | 0.8105        | -      |
+| 0.16  | 2500  | 0.8397        | -      |
+| 0.176 | 2750  | 0.7831        | -      |
+| 0.192 | 3000  | 0.7718        | -      |
+| 0.208 | 3250  | 0.7466        | -      |
+| 0.224 | 3500  | 0.7199        | -      |
+| 0.24  | 3750  | 0.717         | -      |
+| 0.256 | 4000  | 0.6693        | -      |
+| 0.272 | 4250  | 0.6473        | -      |
+| 0.288 | 4500  | 0.6388        | -      |
+| 0.304 | 4750  | 0.6226        | -      |
+| 0.32  | 5000  | 0.5967        | 0.5908 |
+| 0.336 | 5250  | 0.5971        | -      |
+| 0.352 | 5500  | 0.6453        | -      |
+| 0.368 | 5750  | 0.6468        | -      |
+| 0.384 | 6000  | 0.5849        | -      |
+| 0.4   | 6250  | 0.5552        | -      |
+| 0.416 | 6500  | 0.512         | -      |
+| 0.432 | 6750  | 0.5825        | -      |
+| 0.448 | 7000  | 0.5895        | -      |
+| 0.464 | 7250  | 0.5453        | -      |
+| 0.48  | 7500  | 0.5453        | -      |
+| 0.496 | 7750  | 0.5034        | -      |
+| 0.512 | 8000  | 0.5756        | -      |
+| 0.528 | 8250  | 0.5576        | -      |
+| 0.544 | 8500  | 0.55          | -      |
+| 0.56  | 8750  | 0.5191        | -      |
+| 0.576 | 9000  | 0.5104        | -      |
+| 0.592 | 9250  | 0.5062        | -      |
+| 0.608 | 9500  | 0.5493        | -      |
+| 0.624 | 9750  | 0.5131        | -      |
+| 0.64  | 10000 | 0.5276        | 0.4551 |
+| 0.656 | 10250 | 0.5332        | -      |
+| 0.672 | 10500 | 0.5076        | -      |
+| 0.688 | 10750 | 0.511         | -      |
+| 0.704 | 11000 | 0.448         | -      |
+| 0.72  | 11250 | 0.4928        | -      |
+| 0.736 | 11500 | 0.4492        | -      |
+| 0.752 | 11750 | 0.4514        | -      |
+| 0.768 | 12000 | 0.4749        | -      |
+| 0.784 | 12250 | 0.4765        | -      |
+| 0.8   | 12500 | 0.5043        | -      |
+| 0.816 | 12750 | 0.4617        | -      |
+| 0.832 | 13000 | 0.4845        | -      |
+| 0.848 | 13250 | 0.5101        | -      |
+| 0.864 | 13500 | 0.4759        | -      |
+| 0.88  | 13750 | 0.4824        | -      |
+| 0.896 | 14000 | 0.4646        | -      |
+| 0.912 | 14250 | 0.4504        | -      |
+| 0.928 | 14500 | 0.4603        | -      |
+| 0.944 | 14750 | 0.4645        | -      |
+| 0.96  | 15000 | 0.4688        | 0.4054 |
+| 0.976 | 15250 | 0.506         | -      |
+| 0.992 | 15500 | 0.4604        | -      |
+
+
+### Framework Versions
+- Python: 3.10.14
+- Sentence Transformers: 3.1.1
+- Transformers: 4.44.2
+- PyTorch: 2.4.0
+- Accelerate: 0.34.2
+- Datasets: 3.0.0
+- Tokenizers: 0.19.1
+
+## 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",
+}
+```
+
+#### Matryoshka2dLoss
+```bibtex
+@misc{li20242d,
+    title={2D Matryoshka Sentence Embeddings},
+    author={Xianming Li and Zongxi Li and Jing Li and Haoran Xie and Qing Li},
+    year={2024},
+    eprint={2402.14776},
+    archivePrefix={arXiv},
+    primaryClass={cs.CL}
+}
+```
+
+#### MatryoshkaLoss
+```bibtex
+@misc{kusupati2024matryoshka,
+    title={Matryoshka Representation Learning},
+    author={Aditya Kusupati and Gantavya Bhatt and Aniket Rege and Matthew Wallingford and Aditya Sinha and Vivek Ramanujan and William Howard-Snyder and Kaifeng Chen and Sham Kakade and Prateek Jain and Ali Farhadi},
+    year={2024},
+    eprint={2205.13147},
+    archivePrefix={arXiv},
+    primaryClass={cs.LG}
+}
+```
+
+#### 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 +1,25 @@
+{
+  "_name_or_path": "aubmindlab/bert-base-arabertv02",
+  "architectures": [
+    "BertModel"
+  ],
+  "attention_probs_dropout_prob": 0.1,
+  "classifier_dropout": null,
+  "hidden_act": "gelu",
+  "hidden_dropout_prob": 0.1,
+  "hidden_size": 768,
+  "initializer_range": 0.02,
+  "intermediate_size": 3072,
+  "layer_norm_eps": 1e-12,
+  "max_position_embeddings": 512,
+  "model_type": "bert",
+  "num_attention_heads": 12,
+  "num_hidden_layers": 12,
+  "pad_token_id": 0,
+  "position_embedding_type": "absolute",
+  "torch_dtype": "float32",
+  "transformers_version": "4.44.2",
+  "type_vocab_size": 2,
+  "use_cache": true,
+  "vocab_size": 64000
+}

config_sentence_transformers.json

@@ -0,0 +1,10 @@
+{
+  "__version__": {
+    "sentence_transformers": "3.1.1",
+    "transformers": "4.44.2",
+    "pytorch": "2.4.0"
+  },
+  "prompts": {},
+  "default_prompt_name": null,
+  "similarity_fn_name": null
+}

model.safetensors

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:c75d3fbe575045b5993ac9c7b06813c61c5b6884f56fe8ae7b9e87e68e417822
+size 540795752

modules.json

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

sentence_bert_config.json

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

special_tokens_map.json

@@ -0,0 +1,37 @@
+{
+  "cls_token": {
+    "content": "[CLS]",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "mask_token": {
+    "content": "[MASK]",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "pad_token": {
+    "content": "[PAD]",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "sep_token": {
+    "content": "[SEP]",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "unk_token": {
+    "content": "[UNK]",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  }
+}

tokenizer_config.json

@@ -0,0 +1,86 @@
+{
+  "added_tokens_decoder": {
+    "0": {
+      "content": "[PAD]",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "1": {
+      "content": "[UNK]",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "2": {
+      "content": "[CLS]",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "3": {
+      "content": "[SEP]",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "4": {
+      "content": "[MASK]",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "5": {
+      "content": "[رابط]",
+      "lstrip": false,
+      "normalized": true,
+      "rstrip": false,
+      "single_word": true,
+      "special": true
+    },
+    "6": {
+      "content": "[بريد]",
+      "lstrip": false,
+      "normalized": true,
+      "rstrip": false,
+      "single_word": true,
+      "special": true
+    },
+    "7": {
+      "content": "[مستخدم]",
+      "lstrip": false,
+      "normalized": true,
+      "rstrip": false,
+      "single_word": true,
+      "special": true
+    }
+  },
+  "clean_up_tokenization_spaces": true,
+  "cls_token": "[CLS]",
+  "do_basic_tokenize": true,
+  "do_lower_case": false,
+  "mask_token": "[MASK]",
+  "max_len": 512,
+  "model_max_length": 512,
+  "never_split": [
+    "[بريد]",
+    "[مستخدم]",
+    "[رابط]"
+  ],
+  "pad_token": "[PAD]",
+  "sep_token": "[SEP]",
+  "strip_accents": null,
+  "tokenize_chinese_chars": true,
+  "tokenizer_class": "BertTokenizer",
+  "unk_token": "[UNK]"
+}