--- 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) - **Maximum Sequence Length:** 8192 tokens - **Output Dimensionality:** 768 dimensions - **Similarity Function:** Cosine Similarity ### 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]]) ``` ## Training Details ### Training Dataset #### Unnamed Dataset * Size: 948 training samples * Columns: sentence_0, sentence_1, and label * Approximate statistics based on the first 948 samples: | | sentence_0 | sentence_1 | label | |:--------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:------------------------------------------------| | type | string | string | int | | details | | | | * Samples: | sentence_0 | sentence_1 | label | |:------------------------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------------------------------------------------|:---------------| | Çizilen bu doğruların her biri grafiği yalnız bir noktada kesiyor ise grafik bir fonksiyondur. | Çizilen bu doğruların her biri grafiği yalnız bir noktada kesiyor ise grafik bir fonksiyondur. | 1 | | Bu durumda f birim fonksiyondur. | Alıştırma özeti: Verilen geometrik şekillerden hangilerinin çokgen olduğu belirlenir. | 0 | | Şekildeki ABCD dörtgeninde [AC] ve [BD] dörtgenin köşegenleridir. | Alıştırma özeti: Bir problem durumundan hareketle oluşturulan rasyonel ifadenin sadeleştirilmesiyle sonuca ulaşılmaktadır. | 0 | * Loss: [ContrastiveTensionLoss](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
Click to expand - `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`: {}
### 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} } ```