Add new SentenceTransformer model

1_Pooling/config.json

@@ -0,0 +1,10 @@
+{
+  "word_embedding_dimension": 384,
+  "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 +1,636 @@
+---
+tags:
+- sentence-transformers
+- sentence-similarity
+- feature-extraction
+- generated_from_trainer
+- dataset_size:21484
+- loss:MultipleNegativesRankingLoss
+base_model: intfloat/multilingual-e5-small
+widget:
+- source_sentence: زنی ماهی را سرخ می کند.
+  sentences:
+  - ماهی توسط زنی پخته می شود
+  - در سال ۱۱۵۷ ق.م کوتیر-ناهوته حکمران ایلام برای گرفتن انتقام بابل را فتح میکند.
+  - دو نفر سوار موتورسیکلت می شوند
+- source_sentence: نرخ‌های بهره چگونه بر قرض‌گیری و سرمایه‌گذاری تأثیر می‌گذارند؟
+  sentences:
+  - چالش‌ها و تجربیات شخصی جی.K. رولینگ، از جمله مرگ مادرش، بر عمق احساسی و مضامین
+    مجموعه 'هری پاتر' تأثیرگذار بود.
+  - نرخ بهره می‌تواند تحت تأثیر تورم، رشد اقتصادی و سیاست‌های پولی قرار گیرد.
+  - گروهی از مردم به لباس محافظتی مجهز نیستند
+- source_sentence: 'شهرستان مدیسون، تگزاس (به انگلیسی: Madison County, Texas) یک سکونتگاه
+    مسکونی در ایالات متحده آمریکا است که در تگزاس واقع شده‌است.'
+  sentences:
+  - شهرستان مدیسون در در ایالت تگزاس قرار دارد.
+  - زنان  در حال پوشاندن گوش های بونی و شماره مسابقه هستند و به چیزی از دور اشاره
+    می کنند
+  - سوار در برف در حال دوچرخه سواری است و یک ژاکت قرمز پوشیده است
+- source_sentence: خانواده ای خوشحال در کنار شومینه برای عکس ژست گرفته اند
+  sentences:
+  - مردی آنجا نیست که روی صندلی نشسته و چشم هایش را مالش دهد
+  - آیا باید برای CAT به مربیگری بپیوندم؟
+  - خانواده ای غمگین کنار شومینه ژست گرفته اند
+- source_sentence: کودک جوان دارد اسکوتر سه چرخ را روبه پایین در پیاده رو می راند.
+  sentences:
+  - کتاب قابوس نامه اثر عنصرالمعالی کیکاووس بن اسکندر می باشد.
+  - دو سگ بزرگ در چمن زار ورجه ورجه می‌کنند
+  - کودک جوانی دارد اسکوتر سه چرخ را  روبه پایین در پیاده رو می راند.
+pipeline_tag: sentence-similarity
+library_name: sentence-transformers
+---
+
+# SentenceTransformer based on intfloat/multilingual-e5-small
+
+This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [intfloat/multilingual-e5-small](https://huggingface.co/intfloat/multilingual-e5-small). It maps sentences & paragraphs to a 384-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-small](https://huggingface.co/intfloat/multilingual-e5-small) <!-- at revision c007d7ef6fd86656326059b28395a7a03a7c5846 -->
+- **Maximum Sequence Length:** 512 tokens
+- **Output Dimensionality:** 384 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': 384, '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("codersan/validadted_e5Fa_onV8d")
+# Run inference
+sentences = [
+    'کودک جوان دارد اسکوتر سه چرخ را روبه پایین در پیاده رو می راند.',
+    'کودک جوانی دارد اسکوتر سه چرخ را  روبه پایین در پیاده رو می راند.',
+    'کتاب قابوس نامه اثر عنصرالمعالی کیکاووس بن اسکندر می باشد.',
+]
+embeddings = model.encode(sentences)
+print(embeddings.shape)
+# [3, 384]
+
+# 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: 21,484 training samples
+* Columns: <code>anchor</code> and <code>positive</code>
+* Approximate statistics based on the first 1000 samples:
+  |         | anchor                                                                             | positive                                                                          |
+  |:--------|:-----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|
+  | type    | string                                                                             | string                                                                            |
+  | details | <ul><li>min: 4 tokens</li><li>mean: 21.18 tokens</li><li>max: 107 tokens</li></ul> | <ul><li>min: 5 tokens</li><li>mean: 21.09 tokens</li><li>max: 77 tokens</li></ul> |
+* Samples:
+  | anchor                                                                                                                                                                                                          | positive                                                                                                                                        |
+  |:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------------------------------------------------------------|
+  | <code>کارگردان چگونه بر یک نمایش تئاتری تأثیر می‌گذارد؟</code>                                                                                                                                                  | <code>کارگردان نورپردازی و جلوه‌های صوتی را که در نمایش استفاده خواهد شد انتخاب می‌کند، که بر حال و هوا و جو اجرای نمایش تأثیر می‌گذارد.</code> |
+  | <code>پیش از پیدایش شهر اراک گویش‌های متفاوتی در منطقه وجود داشت، اما با مهاجرت گروه‌های مختلف و ساکنان آن‌ها در شهر ترکیب خاصی از لهجه‌های مختلف به وجود آمد که امروزه به نام لهجه اراکی شناخته می‌شود.</code> | <code>لهجه اراکی ترکیبی از لهجه های مختلف است</code>                                                                                            |
+  | <code>اهمیت تاریخی واتیکان چیست؟</code>                                                                                                                                                                         | <code>واتیکان مرکز روحانی و اداری کلیسای کاتولیک رومی است و برای قرن‌ها یک نهاد مذهبی و سیاسی مهم بوده است.</code>                              |
+* Loss: [<code>MultipleNegativesRankingLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters:
+  ```json
+  {
+      "scale": 20.0,
+      "similarity_fct": "cos_sim"
+  }
+  ```
+
+### Training Hyperparameters
+#### Non-Default Hyperparameters
+
+- `eval_strategy`: steps
+- `learning_rate`: 5e-06
+- `weight_decay`: 0.01
+- `num_train_epochs`: 10
+- `warmup_ratio`: 0.1
+- `push_to_hub`: True
+- `hub_model_id`: codersan/validadted_e5Fa_onV8d
+- `eval_on_start`: 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`: 8
+- `per_device_eval_batch_size`: 8
+- `per_gpu_train_batch_size`: None
+- `per_gpu_eval_batch_size`: None
+- `gradient_accumulation_steps`: 1
+- `eval_accumulation_steps`: None
+- `torch_empty_cache_steps`: None
+- `learning_rate`: 5e-06
+- `weight_decay`: 0.01
+- `adam_beta1`: 0.9
+- `adam_beta2`: 0.999
+- `adam_epsilon`: 1e-08
+- `max_grad_norm`: 1
+- `num_train_epochs`: 10
+- `max_steps`: -1
+- `lr_scheduler_type`: linear
+- `lr_scheduler_kwargs`: {}
+- `warmup_ratio`: 0.1
+- `warmup_steps`: 0
+- `log_level`: passive
+- `log_level_replica`: warning
+- `log_on_each_node`: True
+- `logging_nan_inf_filter`: True
+- `save_safetensors`: True
+- `save_on_each_node`: False
+- `save_only_model`: False
+- `restore_callback_states_from_checkpoint`: False
+- `no_cuda`: False
+- `use_cpu`: False
+- `use_mps_device`: False
+- `seed`: 42
+- `data_seed`: None
+- `jit_mode_eval`: False
+- `use_ipex`: False
+- `bf16`: False
+- `fp16`: False
+- `fp16_opt_level`: O1
+- `half_precision_backend`: auto
+- `bf16_full_eval`: False
+- `fp16_full_eval`: False
+- `tf32`: None
+- `local_rank`: 0
+- `ddp_backend`: None
+- `tpu_num_cores`: None
+- `tpu_metrics_debug`: False
+- `debug`: []
+- `dataloader_drop_last`: 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`: True
+- `resume_from_checkpoint`: None
+- `hub_model_id`: codersan/validadted_e5Fa_onV8d
+- `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`: True
+- `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
+<details><summary>Click to expand</summary>
+
+| Epoch  | Step  | Training Loss |
+|:------:|:-----:|:-------------:|
+| 0      | 0     | -             |
+| 0.0372 | 100   | 0.6517        |
+| 0.0745 | 200   | 0.5496        |
+| 0.1117 | 300   | 0.4086        |
+| 0.1489 | 400   | 0.2798        |
+| 0.1862 | 500   | 0.1495        |
+| 0.2234 | 600   | 0.0888        |
+| 0.2606 | 700   | 0.0624        |
+| 0.2978 | 800   | 0.0511        |
+| 0.3351 | 900   | 0.0595        |
+| 0.3723 | 1000  | 0.0521        |
+| 0.4095 | 1100  | 0.0362        |
+| 0.4468 | 1200  | 0.0321        |
+| 0.4840 | 1300  | 0.0538        |
+| 0.5212 | 1400  | 0.0328        |
+| 0.5585 | 1500  | 0.0491        |
+| 0.5957 | 1600  | 0.0475        |
+| 0.6329 | 1700  | 0.0693        |
+| 0.6701 | 1800  | 0.0369        |
+| 0.7074 | 1900  | 0.0386        |
+| 0.7446 | 2000  | 0.057         |
+| 0.7818 | 2100  | 0.0314        |
+| 0.8191 | 2200  | 0.0373        |
+| 0.8563 | 2300  | 0.031         |
+| 0.8935 | 2400  | 0.0352        |
+| 0.9308 | 2500  | 0.0456        |
+| 0.9680 | 2600  | 0.0528        |
+| 1.0052 | 2700  | 0.0418        |
+| 1.0424 | 2800  | 0.0398        |
+| 1.0797 | 2900  | 0.0304        |
+| 1.1169 | 3000  | 0.0262        |
+| 1.1541 | 3100  | 0.0513        |
+| 1.1914 | 3200  | 0.0421        |
+| 1.2286 | 3300  | 0.029         |
+| 1.2658 | 3400  | 0.0356        |
+| 1.3031 | 3500  | 0.0245        |
+| 1.3403 | 3600  | 0.0293        |
+| 1.3775 | 3700  | 0.0245        |
+| 1.4147 | 3800  | 0.0174        |
+| 1.4520 | 3900  | 0.013         |
+| 1.4892 | 4000  | 0.0322        |
+| 1.5264 | 4100  | 0.0204        |
+| 1.5637 | 4200  | 0.0292        |
+| 1.6009 | 4300  | 0.0325        |
+| 1.6381 | 4400  | 0.0448        |
+| 1.6754 | 4500  | 0.015         |
+| 1.7126 | 4600  | 0.0134        |
+| 1.7498 | 4700  | 0.0264        |
+| 1.7870 | 4800  | 0.0112        |
+| 1.8243 | 4900  | 0.0169        |
+| 1.8615 | 5000  | 0.0225        |
+| 1.8987 | 5100  | 0.0251        |
+| 1.9360 | 5200  | 0.0116        |
+| 1.9732 | 5300  | 0.032         |
+| 2.0104 | 5400  | 0.0215        |
+| 2.0477 | 5500  | 0.0298        |
+| 2.0849 | 5600  | 0.0195        |
+| 2.1221 | 5700  | 0.0151        |
+| 2.1593 | 5800  | 0.0253        |
+| 2.1966 | 5900  | 0.0155        |
+| 2.2338 | 6000  | 0.02          |
+| 2.2710 | 6100  | 0.0173        |
+| 2.3083 | 6200  | 0.0082        |
+| 2.3455 | 6300  | 0.0133        |
+| 2.3827 | 6400  | 0.0119        |
+| 2.4200 | 6500  | 0.0084        |
+| 2.4572 | 6600  | 0.0048        |
+| 2.4944 | 6700  | 0.0231        |
+| 2.5316 | 6800  | 0.005         |
+| 2.5689 | 6900  | 0.0181        |
+| 2.6061 | 7000  | 0.0222        |
+| 2.6433 | 7100  | 0.0257        |
+| 2.6806 | 7200  | 0.0056        |
+| 2.7178 | 7300  | 0.0047        |
+| 2.7550 | 7400  | 0.0143        |
+| 2.7923 | 7500  | 0.0074        |
+| 2.8295 | 7600  | 0.0054        |
+| 2.8667 | 7700  | 0.0098        |
+| 2.9039 | 7800  | 0.0134        |
+| 2.9412 | 7900  | 0.0083        |
+| 2.9784 | 8000  | 0.0206        |
+| 3.0156 | 8100  | 0.0073        |
+| 3.0529 | 8200  | 0.0132        |
+| 3.0901 | 8300  | 0.0119        |
+| 3.1273 | 8400  | 0.0084        |
+| 3.1646 | 8500  | 0.0125        |
+| 3.2018 | 8600  | 0.0093        |
+| 3.2390 | 8700  | 0.0171        |
+| 3.2762 | 8800  | 0.012         |
+| 3.3135 | 8900  | 0.0094        |
+| 3.3507 | 9000  | 0.0043        |
+| 3.3879 | 9100  | 0.0066        |
+| 3.4252 | 9200  | 0.0035        |
+| 3.4624 | 9300  | 0.0044        |
+| 3.4996 | 9400  | 0.0104        |
+| 3.5369 | 9500  | 0.0058        |
+| 3.5741 | 9600  | 0.008         |
+| 3.6113 | 9700  | 0.0175        |
+| 3.6485 | 9800  | 0.0078        |
+| 3.6858 | 9900  | 0.0033        |
+| 3.7230 | 10000 | 0.0042        |
+| 3.7602 | 10100 | 0.0058        |
+| 3.7975 | 10200 | 0.0063        |
+| 3.8347 | 10300 | 0.0025        |
+| 3.8719 | 10400 | 0.0067        |
+| 3.9092 | 10500 | 0.0095        |
+| 3.9464 | 10600 | 0.0119        |
+| 3.9836 | 10700 | 0.0102        |
+| 4.0208 | 10800 | 0.004         |
+| 4.0581 | 10900 | 0.0069        |
+| 4.0953 | 11000 | 0.0088        |
+| 4.1325 | 11100 | 0.0067        |
+| 4.1698 | 11200 | 0.0077        |
+| 4.2070 | 11300 | 0.0057        |
+| 4.2442 | 11400 | 0.0123        |
+| 4.2815 | 11500 | 0.007         |
+| 4.3187 | 11600 | 0.0039        |
+| 4.3559 | 11700 | 0.0034        |
+| 4.3931 | 11800 | 0.0046        |
+| 4.4304 | 11900 | 0.002         |
+| 4.4676 | 12000 | 0.0058        |
+| 4.5048 | 12100 | 0.0046        |
+| 4.5421 | 12200 | 0.0063        |
+| 4.5793 | 12300 | 0.0148        |
+| 4.6165 | 12400 | 0.0064        |
+| 4.6538 | 12500 | 0.0043        |
+| 4.6910 | 12600 | 0.0015        |
+| 4.7282 | 12700 | 0.0033        |
+| 4.7655 | 12800 | 0.0038        |
+| 4.8027 | 12900 | 0.0018        |
+| 4.8399 | 13000 | 0.0015        |
+| 4.8771 | 13100 | 0.0038        |
+| 4.9144 | 13200 | 0.0123        |
+| 4.9516 | 13300 | 0.0063        |
+| 4.9888 | 13400 | 0.0047        |
+| 5.0261 | 13500 | 0.003         |
+| 5.0633 | 13600 | 0.005         |
+| 5.1005 | 13700 | 0.0037        |
+| 5.1378 | 13800 | 0.0051        |
+| 5.1750 | 13900 | 0.0031        |
+| 5.2122 | 14000 | 0.0024        |
+| 5.2494 | 14100 | 0.0089        |
+| 5.2867 | 14200 | 0.005         |
+| 5.3239 | 14300 | 0.002         |
+| 5.3611 | 14400 | 0.0015        |
+| 5.3984 | 14500 | 0.0014        |
+| 5.4356 | 14600 | 0.0014        |
+| 5.4728 | 14700 | 0.0034        |
+| 5.5101 | 14800 | 0.0041        |
+| 5.5473 | 14900 | 0.0041        |
+| 5.5845 | 15000 | 0.0091        |
+| 5.6217 | 15100 | 0.0073        |
+| 5.6590 | 15200 | 0.0019        |
+| 5.6962 | 15300 | 0.0012        |
+| 5.7334 | 15400 | 0.0022        |
+| 5.7707 | 15500 | 0.0026        |
+| 5.8079 | 15600 | 0.0018        |
+| 5.8451 | 15700 | 0.0013        |
+| 5.8824 | 15800 | 0.0036        |
+| 5.9196 | 15900 | 0.0114        |
+| 5.9568 | 16000 | 0.0047        |
+| 5.9940 | 16100 | 0.0031        |
+| 6.0313 | 16200 | 0.0025        |
+| 6.0685 | 16300 | 0.0023        |
+| 6.1057 | 16400 | 0.0019        |
+| 6.1430 | 16500 | 0.0031        |
+| 6.1802 | 16600 | 0.0026        |
+| 6.2174 | 16700 | 0.0014        |
+| 6.2547 | 16800 | 0.0074        |
+| 6.2919 | 16900 | 0.0013        |
+| 6.3291 | 17000 | 0.0037        |
+| 6.3663 | 17100 | 0.0013        |
+| 6.4036 | 17200 | 0.0014        |
+| 6.4408 | 17300 | 0.001         |
+| 6.4780 | 17400 | 0.0018        |
+| 6.5153 | 17500 | 0.0028        |
+| 6.5525 | 17600 | 0.0044        |
+| 6.5897 | 17700 | 0.0085        |
+| 6.6270 | 17800 | 0.0046        |
+| 6.6642 | 17900 | 0.0015        |
+| 6.7014 | 18000 | 0.0012        |
+| 6.7386 | 18100 | 0.0013        |
+| 6.7759 | 18200 | 0.0016        |
+| 6.8131 | 18300 | 0.0012        |
+| 6.8503 | 18400 | 0.0017        |
+| 6.8876 | 18500 | 0.0012        |
+| 6.9248 | 18600 | 0.0058        |
+| 6.9620 | 18700 | 0.0042        |
+| 6.9993 | 18800 | 0.0019        |
+| 7.0365 | 18900 | 0.003         |
+| 7.0737 | 19000 | 0.0015        |
+| 7.1109 | 19100 | 0.0018        |
+| 7.1482 | 19200 | 0.0026        |
+| 7.1854 | 19300 | 0.0015        |
+| 7.2226 | 19400 | 0.0053        |
+| 7.2599 | 19500 | 0.0019        |
+| 7.2971 | 19600 | 0.0009        |
+| 7.3343 | 19700 | 0.0021        |
+| 7.3716 | 19800 | 0.0016        |
+| 7.4088 | 19900 | 0.0007        |
+| 7.4460 | 20000 | 0.0007        |
+| 7.4832 | 20100 | 0.0016        |
+| 7.5205 | 20200 | 0.001         |
+| 7.5577 | 20300 | 0.0019        |
+| 7.5949 | 20400 | 0.008         |
+| 7.6322 | 20500 | 0.004         |
+| 7.6694 | 20600 | 0.001         |
+| 7.7066 | 20700 | 0.0008        |
+| 7.7439 | 20800 | 0.0011        |
+| 7.7811 | 20900 | 0.0014        |
+| 7.8183 | 21000 | 0.0012        |
+| 7.8555 | 21100 | 0.0012        |
+| 7.8928 | 21200 | 0.0009        |
+| 7.9300 | 21300 | 0.0059        |
+| 7.9672 | 21400 | 0.0036        |
+| 8.0045 | 21500 | 0.0018        |
+| 8.0417 | 21600 | 0.0013        |
+| 8.0789 | 21700 | 0.0025        |
+| 8.1162 | 21800 | 0.0009        |
+| 8.1534 | 21900 | 0.0016        |
+| 8.1906 | 22000 | 0.001         |
+| 8.2278 | 22100 | 0.0054        |
+| 8.2651 | 22200 | 0.0012        |
+| 8.3023 | 22300 | 0.001         |
+| 8.3395 | 22400 | 0.0014        |
+| 8.3768 | 22500 | 0.0008        |
+| 8.4140 | 22600 | 0.0007        |
+| 8.4512 | 22700 | 0.0008        |
+| 8.4885 | 22800 | 0.0017        |
+| 8.5257 | 22900 | 0.0009        |
+| 8.5629 | 23000 | 0.0028        |
+| 8.6001 | 23100 | 0.0075        |
+| 8.6374 | 23200 | 0.0021        |
+| 8.6746 | 23300 | 0.0008        |
+| 8.7118 | 23400 | 0.0007        |
+| 8.7491 | 23500 | 0.0011        |
+| 8.7863 | 23600 | 0.0012        |
+| 8.8235 | 23700 | 0.0007        |
+| 8.8608 | 23800 | 0.0011        |
+| 8.8980 | 23900 | 0.0041        |
+| 8.9352 | 24000 | 0.0015        |
+| 8.9724 | 24100 | 0.0031        |
+| 9.0097 | 24200 | 0.0008        |
+| 9.0469 | 24300 | 0.001         |
+| 9.0841 | 24400 | 0.0017        |
+| 9.1214 | 24500 | 0.0007        |
+| 9.1586 | 24600 | 0.0017        |
+| 9.1958 | 24700 | 0.0014        |
+| 9.2331 | 24800 | 0.0039        |
+| 9.2703 | 24900 | 0.0012        |
+| 9.3075 | 25000 | 0.0007        |
+| 9.3448 | 25100 | 0.0028        |
+| 9.3820 | 25200 | 0.0011        |
+| 9.4192 | 25300 | 0.0008        |
+| 9.4564 | 25400 | 0.0007        |
+| 9.4937 | 25500 | 0.0014        |
+| 9.5309 | 25600 | 0.0006        |
+| 9.5681 | 25700 | 0.0021        |
+| 9.6054 | 25800 | 0.0086        |
+| 9.6426 | 25900 | 0.0023        |
+| 9.6798 | 26000 | 0.0006        |
+| 9.7171 | 26100 | 0.0008        |
+| 9.7543 | 26200 | 0.0011        |
+| 9.7915 | 26300 | 0.0007        |
+| 9.8287 | 26400 | 0.0009        |
+| 9.8660 | 26500 | 0.001         |
+| 9.9032 | 26600 | 0.0056        |
+| 9.9404 | 26700 | 0.0024        |
+| 9.9777 | 26800 | 0.0024        |
+
+</details>
+
+### Framework Versions
+- Python: 3.10.12
+- Sentence Transformers: 3.3.1
+- Transformers: 4.47.0
+- PyTorch: 2.5.1+cu121
+- Accelerate: 1.2.1
+- Datasets: 3.2.0
+- Tokenizers: 0.21.0
+
+## 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_sentence_transformers.json

@@ -0,0 +1,10 @@
+{
+  "__version__": {
+    "sentence_transformers": "3.3.1",
+    "transformers": "4.47.0",
+    "pytorch": "2.5.1+cu121"
+  },
+  "prompts": {},
+  "default_prompt_name": null,
+  "similarity_fn_name": "cosine"
+}

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"
+  }
+]

sentence_bert_config.json

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