README.md

---
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- dense
- generated_from_trainer
- dataset_size:948
- loss:ContrastiveTensionLoss
base_model: Alibaba-NLP/gte-multilingual-base
widget:
- source_sentence: Yandaki şekilde A₁, A₂, A₃, ..., Aₙ noktaları çokgenin köşeleri;
    [A₁A₂], [A₂A₃], ..., [AₙA₁] çokgenin kenarlarıdır.
  sentences:
  - 'Alıştırma özeti: Rasyonel ifadelerle yapılan bir bölme işleminin en sade sonucu
    bulunmaktadır.'
  - 'Alıştırma özeti: Faktöriyel içeren kesirli bir ifadenin değerini bulma alıştırması.'
  - 'Alıştırma özeti: Verilen doğrusal ve rasyonel fonksiyonların terslerinin kurallarının
    bulunması istenmektedir.'
- source_sentence: Paralelkenar, yamuğun tüm özelliklerini taşıdığından özel bir yamuktur.
  sentences:
  - Elde edilen iplik, dokuma işlemi sonrasında kumaş hâline getirilir.
  - Parçalı Tanımlı Fonksiyon Kampanya yapan bir hava yolu firması; bilet fiyatlarını
    • uçuşa 60 gün kala veya öncesinde 1600 TL, • uçuş öncesi 60 ile gün arasında
    (60 ve gün hariç) 2350 TL, • uçuşa 40 gün kala veya sonrasında 3100 TL olarak
    belirlemiştir.
  - 'Alıştırma özeti: Taban ayrıtı ve yüksekliği verilen bir kare dik piramidin yanal
    ayrıt uzunluğunun ve yan yüz yüksekliğinin bulunması istenmektedir.'
- source_sentence: Üçgen dik prizma Kare dik prizma Düzgün altıgen dik prizma
  sentences:
  - Matematik Tarihi Sâbit İbn Kurrâ (836-901) Harran'da doğan Sâbit İbn Kurrâ gençlik
    yıllarını bu bölgede geçirdi. (...) başarılı bir matematikçi olmasının yanı sıra
    astronomi, felsefe ve tıpla da ilgilendi.
  - Bilgi Tanım kümesinin ayrık alt kümelerinde farklı kurallarla belirlenen fonksiyonlara
    parçalı tanımlı fonksiyon denir. m, n, k, s ∈ ℝ olmak üzere f(x) şeklinde tanımlanan
    ve p(x), q(x), r(x) ifadelerinden oluşan f, parçalı tanımlı fonksiyondur. m, n,
    k ve s noktaları tanım aralıklarının uç noktaları olduğundan fonksiyonun kritik
    noktalarıdır.
  - Polinom yeni değişkene göre çarpanlarına ayrıldıktan sonra ilk değişkene göre
    düzenlenir.
- source_sentence: 'Alıştırma özeti: Grafikleri verilen iki fonksiyonun bileşkelerinin
    belirli değerlerdeki sonuçlarının bulunması istenmektedir.'
  sentences:
  - Bu durumda fonksiyonun tanım kümesi [0, 24] dır.
  - 'Alıştırma özeti: Belirli sayıda test kitabının, bazı koşullar altında (her bölmeye
    bir kitap, alt alta gelen bölmelerden yalnız birine) bir dolaba kaç farklı şekilde
    yerleştirilebileceği sorulmaktadır.'
  - Kökleri gerçek sayı olmayan denklemlerin çözüm kümelerinin bulunması, bilgisayar
    oyunlarının grafiklerle tasarlanması, müziklerin düzenlenmesi, kartların kodlanması,
    alternatif akım devrelerinin kurulması gibi alanlarda karmaşık sayılardan yararlanılır.
    x² + 16 = 0 denkleminin R deki çözüm kümesi bulunabilir mi?
- source_sentence: 'Alıştırma özeti: Grafikleri verilen üç farklı fonksiyonun bire
    bir ve örten olup olmadığını yatay doğru testi kullanarak belirleyiniz.'
  sentences:
  - 'Alıştırma özeti: Sembolik olarak tanımlanmış fonksiyonlardan oluşan bir ifadenin
    birim fonksiyon olduğu bilgisiyle, bu fonksiyonların katsayılarının toplamının
    bulunması istenmektedir.'
  - Bu doğruların her biri grafiği sadece bir noktada kesiyorsa fonksiyon bire birdir.
  - 'Alıştırma özeti: Bir ifadenin polinom belirtmesi için, ifadede yer alan bir parametrenin
    alabileceği değerler toplamının bulunması istenmektedir.'
pipeline_tag: sentence-similarity
library_name: sentence-transformers
---

# SentenceTransformer based on Alibaba-NLP/gte-multilingual-base

This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [Alibaba-NLP/gte-multilingual-base](https://huggingface.co/Alibaba-NLP/gte-multilingual-base). 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:** [Alibaba-NLP/gte-multilingual-base](https://huggingface.co/Alibaba-NLP/gte-multilingual-base) <!-- at revision 9bbca17d9273fd0d03d5725c7a4b0f6b45142062 -->
- **Maximum Sequence Length:** 8192 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': 8192, 'do_lower_case': False, 'architecture': 'NewModel'})
  (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): 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("sentence_transformers_model_id")
# Run inference
sentences = [
    'Alıştırma özeti: Grafikleri verilen üç farklı fonksiyonun bire bir ve örten olup olmadığını yatay doğru testi kullanarak belirleyiniz.',
    'Alıştırma özeti: Sembolik olarak tanımlanmış fonksiyonlardan oluşan bir ifadenin birim fonksiyon olduğu bilgisiyle, bu fonksiyonların katsayılarının toplamının bulunması istenmektedir.',
    'Alıştırma özeti: Bir ifadenin polinom belirtmesi için, ifadede yer alan bir parametrenin alabileceği değerler toplamının bulunması istenmektedir.',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 768]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities)
# tensor([[ 1.0000,  0.9725, -0.7514],
#         [ 0.9725,  1.0000, -0.7248],
#         [-0.7514, -0.7248,  1.0000]])
```

<!--
### 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: 948 training samples
* Columns: <code>sentence_0</code>, <code>sentence_1</code>, and <code>label</code>
* Approximate statistics based on the first 948 samples:
  |         | sentence_0                                                                         | sentence_1                                                                         | label                                           |
  |:--------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:------------------------------------------------|
  | type    | string                                                                             | string                                                                             | int                                             |
  | details | <ul><li>min: 4 tokens</li><li>mean: 38.35 tokens</li><li>max: 331 tokens</li></ul> | <ul><li>min: 4 tokens</li><li>mean: 39.97 tokens</li><li>max: 331 tokens</li></ul> | <ul><li>0: ~66.67%</li><li>1: ~33.33%</li></ul> |
* Samples:
  | sentence_0                                                                                                  | sentence_1                                                                                                                              | label          |
  |:------------------------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------------------------------------------------|:---------------|
  | <code>Çizilen bu doğruların her biri grafiği yalnız bir noktada kesiyor ise grafik bir fonksiyondur.</code> | <code>Çizilen bu doğruların her biri grafiği yalnız bir noktada kesiyor ise grafik bir fonksiyondur.</code>                             | <code>1</code> |
  | <code>Bu durumda f birim fonksiyondur.</code>                                                               | <code>Alıştırma özeti: Verilen geometrik şekillerden hangilerinin çokgen olduğu belirlenir.</code>                                      | <code>0</code> |
  | <code>Şekildeki ABCD dörtgeninde [AC] ve [BD] dörtgenin köşegenleridir.</code>                              | <code>Alıştırma özeti: Bir problem durumundan hareketle oluşturulan rasyonel ifadenin sadeleştirilmesiyle sonuca ulaşılmaktadır.</code> | <code>0</code> |
* Loss: [<code>ContrastiveTensionLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#contrastivetensionloss)

### Training Hyperparameters
#### Non-Default Hyperparameters

- `per_device_train_batch_size`: 3
- `per_device_eval_batch_size`: 3
- `num_train_epochs`: 25
- `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`: 3
- `per_device_eval_batch_size`: 3
- `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`: 25
- `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}
- `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}
- `parallelism_config`: 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
- `hub_revision`: None
- `gradient_checkpointing`: False
- `gradient_checkpointing_kwargs`: None
- `include_inputs_for_metrics`: False
- `include_for_metrics`: []
- `eval_do_concat_batches`: True
- `fp16_backend`: auto
- `push_to_hub_model_id`: None
- `push_to_hub_organization`: None
- `mp_parameters`: 
- `auto_find_batch_size`: False
- `full_determinism`: False
- `torchdynamo`: None
- `ray_scope`: last
- `ddp_timeout`: 1800
- `torch_compile`: False
- `torch_compile_backend`: None
- `torch_compile_mode`: None
- `include_tokens_per_second`: False
- `include_num_input_tokens_seen`: False
- `neftune_noise_alpha`: None
- `optim_target_modules`: None
- `batch_eval_metrics`: False
- `eval_on_start`: False
- `use_liger_kernel`: False
- `liger_kernel_config`: None
- `eval_use_gather_object`: False
- `average_tokens_across_devices`: False
- `prompts`: None
- `batch_sampler`: batch_sampler
- `multi_dataset_batch_sampler`: round_robin
- `router_mapping`: {}
- `learning_rate_mapping`: {}

</details>

### Training Logs
| Epoch   | Step | Training Loss |
|:-------:|:----:|:-------------:|
| 1.5823  | 500  | 2.3231        |
| 3.1646  | 1000 | 1.9734        |
| 4.7468  | 1500 | 1.8168        |
| 6.3291  | 2000 | 1.7674        |
| 7.9114  | 2500 | 1.7083        |
| 9.4937  | 3000 | 1.6314        |
| 11.0759 | 3500 | 1.5156        |
| 12.6582 | 4000 | 1.4397        |
| 14.2405 | 4500 | 1.3676        |
| 15.8228 | 5000 | 1.3516        |
| 17.4051 | 5500 | 1.3323        |
| 18.9873 | 6000 | 1.3176        |
| 20.5696 | 6500 | 1.2924        |
| 22.1519 | 7000 | 1.2649        |
| 23.7342 | 7500 | 1.2367        |


### Framework Versions
- Python: 3.12.11
- Sentence Transformers: 5.1.1
- Transformers: 4.56.2
- PyTorch: 2.8.0+cu126
- Accelerate: 1.10.1
- Datasets: 4.0.0
- Tokenizers: 0.22.1

## 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",
}
```

#### ContrastiveTensionLoss
```bibtex
@inproceedings{carlsson2021semantic,
    title={Semantic Re-tuning with Contrastive Tension},
    author={Fredrik Carlsson and Amaru Cuba Gyllensten and Evangelia Gogoulou and Erik Ylip{"a}{"a} Hellqvist and Magnus Sahlgren},
    booktitle={International Conference on Learning Representations},
    year={2021},
    url={https://openreview.net/forum?id=Ov_sMNau-PF}
}
```

<!--
## 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.*
-->