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
+}

2_Dense/config.json

@@ -0,0 +1,6 @@
+{
+    "in_features": 768,
+    "out_features": 512,
+    "bias": true,
+    "activation_function": "torch.nn.modules.activation.Tanh"
+}

2_Dense/model.safetensors

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:b17b4ddffd1619da401aad8d07ba2cbee340a942196e51f9a9bac5701ad3f3e4
+size 1575072

README.md

@@ -0,0 +1,378 @@
+---
+tags:
+- sentence-transformers
+- sentence-similarity
+- feature-extraction
+- dense
+- generated_from_trainer
+- dataset_size:30
+- loss:MultipleNegativesRankingLoss
+base_model: sentence-transformers/distiluse-base-multilingual-cased-v2
+widget:
+- source_sentence: 메타버스 환경에서의 가상 IP 자산 관리 시스템. 본 발명은 메타버스 환경에서 생성되는 가상 자산의 지식재산권을
+    관리하는 시스템에 관한 것이다. NFT 기술을 활용하여 가상 공간 내 창작물의 소유권을 증명하고 거래할 수 있다.
+  sentences:
+  - 본 발명은 메타버스 환경에서 생성되는 가상 자산의 지식재산권을 관리하는 시스템에 관한 것이다. NFT 기술을 활용하여 가상 공간 내 창작물의
+    소유권을 증명하고 거래할 수 있다. 메타버스 환경에서의 가상 IP 자산 관리 시스템
+  - 본 발명은 IoT 센서를 활용하여 실시간으로 특허 기술의 사용 현황을 모니터링하는 시스템에 관한 것이다. 라이선스 계약 이행 여부를 자동으로
+    추적하고 보고서를 생성한다. IoT 기반 스마트 특허 모니터링 시스템
+  - 본 발명은 GPT-4 등 대규모 언어 모델을 이용하여 복잡한 특허 문서를 일반인도 이해하기 쉬운 요약문으로 자동 변환하는 시스템에 관한 것이다.
+    기술적 전문 용어를 쉬운 표현으로 바꾸는 기능을 포함한다. 자연어 기반 특허 요약 생성 시스템
+- source_sentence: 클라우드 기반 협업 특허 작성 플랫폼. 본 발명은 클라우드 환경에서 여러 발명자와 변리사가 실시간으로 협업하여 특허
+    명세서를 작성할 수 있는 플랫폼에 관한 것이다. AI가 작성 과정에서 선행기술 검색과 청구항 작성을 지
+  sentences:
+  - IoT 기반 스마트 특허 모니터링 시스템. 본 발명은 IoT 센서를 활용하여 실시간으로 특허 기술의 사용 현황을 모니터링하는 시스템에 관한
+    것이다. 라이선스 계약 이행 여부를 자동으로 추적하고 보고서를 생성한다.
+  - AI 기반 특허 침해 탐지 시스템. 본 발명은 인공지능을 이용하여 특허 침해 가능성을 자동으로 탐지하는 시스템에 관한 것이다. 특허 청구항과
+    제품 설명서를 비교 분석하여 침해 여부를 판단한다.
+  - 본 발명은 클라우드 환경에서 여러 발명자와 변리사가 실시간으로 협업하여 특허 명세서를 작성할 수 있는 플랫폼에 관한 것이다. AI가 작성 과정에서
+    선행기술 검색과 청구항 작성을 지원한다. 클라우드 기반 협업 특허 작성 플랫폼
+- source_sentence: 블록체인 기반 지식재산권 관리 시스템 본 발명은 블록체인 기술을 이용하여 특허, 상표, 디자인 등의 지식재산권 정보를
+    안전하게 관리하고 거래할 수 있는 시스템에 관한 것이다. 스마트 컨트랙트를 통해 자동화된 라이선스 관리가 가능하다.
+  sentences:
+  - 본 발명은 블록체인 기술을 이용하여 특허, 상표, 디자인 등의 지식재산권 정보를 안전하게 관리하고 거래할 수 있는 시스템에 관한 것이다. 스마트
+    컨트랙트를 통해 자동화된 라이선스 관리가 가능하다. 블록체인 기반 지식재산권 관리 시스템
+  - 본 발명은 자연어 처리 기술을 활용하여 사용자가 입력한 자연어 쿼리를 분석하고, 관련성 높은 특허를 검색하는 시스템에 관한 것이다. GPT
+    모델을 활용하여 특허 문서의 의미를 파악하고, 유사도 기반으로 검색 결과를 제공한다. 인공지능 기반 특허 검색 시스템
+  - '블록체인 기반 지식재산권 관리 시스템. 본 발명은 블록체인 기술을 이용하여 특허, 상표, 디자인 등의 지식재산권 정보를 안전하게 관리하고
+    거래할 수 있는 시스템에 관한 것이다. 스마트 컨트랙트를 통해 자동화된 라이선스 '
+- source_sentence: 클라우드 기반 협업 특허 작성 플랫폼 본 발명은 클라우드 환경에서 여러 발명자와 변리사가 실시간으로 협업하여 특허
+    명세서를 작성할 수 있는 플랫폼에 관한 것이다. AI가 작성 과정에서 선행기술 검색과 청구항 작성을 지원한다.
+  sentences:
+  - 인공지능 기반 특허 검색 시스템. 본 발명은 자연어 처리 기술을 활용하여 사용자가 입력한 자연어 쿼리를 분석하고, 관련성 높은 특허를 검색하는
+    시스템에 관한 것이다. GPT 모델을 활용하여 특허 문서의 의미를 파악
+  - 본 발명은 클라우드 환경에서 여러 발명자와 변리사가 실시간으로 협업하여 특허 명세서를 작성할 수 있는 플랫폼에 관한 것이다. AI가 작성 과정에서
+    선행기술 검색과 청구항 작성을 지원한다. 클라우드 기반 협업 특허 작성 플랫폼
+  - 본 발명은 인��지능을 이용하여 특허 침해 가능성을 자동으로 탐지하는 시스템에 관한 것이다. 특허 청구항과 제품 설명서를 비교 분석하여 침해
+    여부를 판단한다. AI 기반 특허 침해 탐지 시스템
+- source_sentence: 양자컴퓨팅 기반 특허 검색 알고리즘 본 발명은 양자컴퓨팅 기술을 활용하여 대규모 특허 데이터베이스에서 초고속 검색을
+    수행하는 알고리즘에 관한 것이다. 양자 중첩과 얽힘을 이용한 병렬 처리로 검색 속도를 획기적으로 향상시킨다.
+  sentences:
+  - 딥러닝 기반 특허 분류 자동화 방법. 본 발명은 딥러닝 모델을 이용하여 특허 문서를 자동으로 IPC 분류에 따라 분류하는 방법에 관한 것이다.
+    BERT 모델을 활용하여 특허 문서의 기술 분야를 자동으로 판별한다.
+  - 본 발명은 인공지능을 이용하여 특허 침해 가능성을 자동으로 탐지하는 시스템에 관한 것이다. 특허 청구항과 제품 설명서를 비교 분석하여 침해
+    여부를 판단한다. AI 기반 특허 침해 탐지 시스템
+  - 본 발명은 양자컴퓨팅 기술을 활용하여 대규모 특허 데이터베이스에서 초고속 검색을 수행하는 알고리즘에 관한 것이다. 양자 중첩과 얽힘을 이용한
+    병렬 처리로 검색 속도를 획기적으로 향상시킨다. 양자컴퓨팅 기반 특허 검색 알고리즘
+pipeline_tag: sentence-similarity
+library_name: sentence-transformers
+---
+
+# SentenceTransformer based on sentence-transformers/distiluse-base-multilingual-cased-v2
+
+This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [sentence-transformers/distiluse-base-multilingual-cased-v2](https://huggingface.co/sentence-transformers/distiluse-base-multilingual-cased-v2). It maps sentences & paragraphs to a 512-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:** [sentence-transformers/distiluse-base-multilingual-cased-v2](https://huggingface.co/sentence-transformers/distiluse-base-multilingual-cased-v2) <!-- at revision bfe45d0732ca50787611c0fe107ba278c7f3f889 -->
+- **Maximum Sequence Length:** 128 tokens
+- **Output Dimensionality:** 512 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/huggingface/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': 128, 'do_lower_case': False, 'architecture': 'DistilBertModel'})
+  (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})
+  (2): Dense({'in_features': 768, 'out_features': 512, 'bias': True, 'activation_function': 'torch.nn.modules.activation.Tanh'})
+)
+```
+
+## 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 = [
+    '양자컴퓨팅 기반 특허 검색 알고리즘 본 발명은 양자컴퓨팅 기술을 활용하여 대규모 특허 데이터베이스에서 초고속 검색을 수행하는 알고리즘에 관한 것이다. 양자 중첩과 얽힘을 이용한 병렬 처리로 검색 속도를 획기적으로 향상시킨다.',
+    '본 발명은 양자컴퓨팅 기술을 활용하여 대규모 특허 데이터베이스에서 초고속 검색을 수행하는 알고리즘에 관한 것이다. 양자 중첩과 얽힘을 이용한 병렬 처리로 검색 속도를 획기적으로 향상시킨다. 양자컴퓨팅 기반 특허 검색 알고리즘',
+    '본 발명은 인공지능을 이용하여 특허 침해 가능성을 자동으로 탐지하는 시스템에 관한 것이다. 특허 청구항과 제품 설명서를 비교 분석하여 침해 여부를 판단한다. AI 기반 특허 침해 탐지 시스템',
+]
+embeddings = model.encode(sentences)
+print(embeddings.shape)
+# [3, 512]
+
+# Get the similarity scores for the embeddings
+similarities = model.similarity(embeddings, embeddings)
+print(similarities)
+# tensor([[1.0000, 0.9889, 0.0472],
+#         [0.9889, 1.0000, 0.0443],
+#         [0.0472, 0.0443, 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: 30 training samples
+* Columns: <code>sentence_0</code> and <code>sentence_1</code>
+* Approximate statistics based on the first 30 samples:
+  |         | sentence_0                                                                         | sentence_1                                                                         |
+  |:--------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|
+  | type    | string                                                                             | string                                                                             |
+  | details | <ul><li>min: 67 tokens</li><li>mean: 78.63 tokens</li><li>max: 91 tokens</li></ul> | <ul><li>min: 67 tokens</li><li>mean: 78.63 tokens</li><li>max: 91 tokens</li></ul> |
+* Samples:
+  | sentence_0                                                                                                                                                   | sentence_1                                                                                                                                         |
+  |:-------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------|
+  | <code>인공지능 기반 특허 검색 시스템 본 발명은 자연어 처리 기술을 활용하여 사용자가 입력한 자연어 쿼리를 분석하고, 관련성 높은 특허를 검색하는 시스템에 관한 것이다. GPT 모델을 활용하여 특허 문서의 의미를 파악하고, 유사도 기반으로 검색 결과를 제공한다.</code> | <code>인공지능 기반 특허 검색 시스템. 본 발명은 자연어 처리 기술을 활용하여 사용자가 입력한 자연어 쿼리를 분석하고, 관련성 높은 특허를 검색하는 시스템에 관한 것이다. GPT 모델을 활용하여 특허 문서의 의미를 파악</code>               |
+  | <code>메타버스 환경에서의 가상 IP 자산 관리 시스템 본 발명은 메타버스 환경에서 생성되는 가상 자산의 지식재산권을 관리하는 시스템에 관한 것이다. NFT 기술을 활용하여 가상 공간 내 창작물의 소유권을 증명하고 거래할 수 있다.</code>                   | <code>메타버스 환경에서의 가상 IP 자산 관리 시스템. 본 발명은 메타버스 환경에서 생성되는 가상 자산의 지식재산권을 관리하는 시스템에 관한 것이다. NFT 기술을 활용하여 가상 공간 내 창작물의 소유권을 증명하고 거래할 수 있다.</code>        |
+  | <code>자연어 기반 특허 요약 생성 시스템 본 발명은 GPT-4 등 대규모 언어 모델을 이용하여 복잡한 특허 문서를 일반인도 이해하기 쉬운 요약문으로 자동 변환하는 시스템에 관한 것이다. 기술적 전문 용어를 쉬운 표현으로 바꾸는 기능을 포함한다.</code>           | <code>본 발명은 GPT-4 등 대규모 언어 모델을 이용하여 복잡한 특허 문서를 일반인도 이해하기 쉬운 요약문으로 자동 변환하는 시스템에 관한 것이다. 기술적 전문 용어를 쉬운 표현으로 바꾸는 기능을 포함한다. 자연어 기반 특허 요약 생성 시스템</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",
+      "gather_across_devices": false
+  }
+  ```
+
+### Training Hyperparameters
+#### Non-Default Hyperparameters
+
+- `per_device_train_batch_size`: 4
+- `per_device_eval_batch_size`: 4
+- `num_train_epochs`: 2
+- `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`: 4
+- `per_device_eval_batch_size`: 4
+- `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`: 2
+- `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
+- `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
+- `project`: huggingface
+- `trackio_space_id`: trackio
+- `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`: no
+- `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`: True
+- `prompts`: None
+- `batch_sampler`: batch_sampler
+- `multi_dataset_batch_sampler`: round_robin
+- `router_mapping`: {}
+- `learning_rate_mapping`: {}
+
+</details>
+
+### Framework Versions
+- Python: 3.12.8
+- Sentence Transformers: 5.1.2
+- Transformers: 4.57.1
+- PyTorch: 2.9.0
+- Accelerate: 1.11.0
+- Datasets: 4.3.0
+- 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",
+}
+```
+
+#### 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 @@
+{
+  "activation": "gelu",
+  "architectures": [
+    "DistilBertModel"
+  ],
+  "attention_dropout": 0.1,
+  "dim": 768,
+  "dropout": 0.1,
+  "dtype": "float32",
+  "hidden_dim": 3072,
+  "initializer_range": 0.02,
+  "max_position_embeddings": 512,
+  "model_type": "distilbert",
+  "n_heads": 12,
+  "n_layers": 6,
+  "output_hidden_states": true,
+  "output_past": true,
+  "pad_token_id": 0,
+  "qa_dropout": 0.1,
+  "seq_classif_dropout": 0.2,
+  "sinusoidal_pos_embds": false,
+  "tie_weights_": true,
+  "transformers_version": "4.57.1",
+  "vocab_size": 119547
+}

config_sentence_transformers.json

@@ -0,0 +1,14 @@
+{
+  "__version__": {
+    "sentence_transformers": "5.1.2",
+    "transformers": "4.57.1",
+    "pytorch": "2.9.0"
+  },
+  "model_type": "SentenceTransformer",
+  "prompts": {
+    "query": "",
+    "document": ""
+  },
+  "default_prompt_name": null,
+  "similarity_fn_name": "cosine"
+}

model.safetensors

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:bbcf0a98da2f292a85dd18f180f1f7901a88223f3ed6b5593e13cac11fb84258
+size 538947416

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_Dense",
+    "type": "sentence_transformers.models.Dense"
+  }
+]

sentence_bert_config.json

@@ -0,0 +1,4 @@
+{
+    "max_seq_length": 128,
+    "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 +1,60 @@
+{
+  "added_tokens_decoder": {
+    "0": {
+      "content": "[PAD]",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "100": {
+      "content": "[UNK]",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "101": {
+      "content": "[CLS]",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "102": {
+      "content": "[SEP]",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "103": {
+      "content": "[MASK]",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    }
+  },
+  "clean_up_tokenization_spaces": false,
+  "cls_token": "[CLS]",
+  "do_basic_tokenize": true,
+  "do_lower_case": false,
+  "extra_special_tokens": {},
+  "full_tokenizer_file": null,
+  "mask_token": "[MASK]",
+  "max_len": 512,
+  "model_max_length": 128,
+  "never_split": null,
+  "pad_token": "[PAD]",
+  "sep_token": "[SEP]",
+  "strip_accents": null,
+  "tokenize_chinese_chars": true,
+  "tokenizer_class": "DistilBertTokenizer",
+  "unk_token": "[UNK]"
+}