File size: 41,488 Bytes
6f83762 018228d 6f83762 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 | ---
language:
- ar
license: apache-2.0
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- dense
- generated_from_trainer
- dataset_size:50000
- loss:MultipleNegativesRankingLoss
base_model: aubmindlab/bert-base-arabertv02
widget:
- source_sentence: متوسط عمر als
sentences:
- 'أعاني من الإسهال كل صباح فور الاستيقاظ. 2. احصل على مساعدة من طبيب الآن ¢. يبدو
مثل: مشكلة منهكة شديدة. تشمل الأسباب العدوى أو داء كرون أو القولون التقرحي أو
عدم تحمل النظام الغذائي. يجب أن ترى الطبيب بدلاً من محاولة علاج هذا بنفسك.'
- يتم تشخيص أكثر من 5600 شخص بقليل في الولايات المتحدة بمرض التصلب الجانبي الضموري
كل عام. (هذه ضحية جديدة كل 90 دقيقة). تشير التقديرات إلى أن ما يصل إلى 30 ألف
أمريكي يعانون من المرض في أي وقت. 80٪ من المصابين بمرض التصلب الجانبي الضموري
هم من الرجال و 93٪ من المرضى من القوقاز. تتراوح أعمار معظم المصابين بمرض التصلب
الجانبي الضموري بين 40 و 70 عامًا ، ويبلغ متوسط أعمارهم 55 عامًا وقت التشخيص.
ومع ذلك ، تحدث حالات المرض لدى الأشخاص في العشرينات والثلاثينات من العمر.
- متوسط معدل الذكاء للمراهق هو 100. تأخذ اختبارات الذكاء بعين الاعتبار العمر ،
لذا فإن متوسط الدرجة دائمًا هو 100 ، بغض النظر عن عمر الشخص.
- source_sentence: تعريف نظام الغنائم
sentences:
- 'تعريف نظام الغنائم. : ممارسة اعتبار الوظائف العامة ومكافآتها نهبًا لأعضاء الحزب
المنتصر.'
- 'نظام الغنائم الاسمي له معنى واحد: 1 1. نظام توظيف وترقية موظفي الخدمة المدنية
الذين هم أصدقاء وداعمون للمجموعة في السلطة. 2 المعنى: 3 نظام توظيف وترقية موظفي
الخدمة المدنية الذين هم أصدقاء ومؤيدون للمجموعة الحاكمة. 4 مصنفة تحت: 5 أسماء
تدل على العمليات والمحتويات المعرفية.'
- يساعد الشطف بخل التفاح على موازنة درجة حموضة شعرك وإزالة المواد المتراكمة التي
يمكن أن تنتج عن استخدام منتجات التصفيف والشامبو غير المكلف. سيؤدي الشطف أيضًا
إلى إغلاق قشور البشرة العديدة التي تغطي وتحمي سطح كل شعرة.
- source_sentence: مجموعة من الإناث تجلس على مقعد
sentences:
- هناك على الأقل إمرأتان
- ما هو أكثر طبق لذيذ أكلته في حياتك ولماذا؟
- الأنثى تطير في الهواء على فراشاتها
- source_sentence: فتاة صغيرة ترتدي قفاز البيسبول أو البيسبول ترفع يدها الأخرى بينما
يقف طفلان خلفها.
sentences:
- كيف ستكون العلاقات الثنائية بين الهند والولايات المتحدة الأمريكية تحت رئاسة هيلاري
كلينتون؟
- الاطفال جميعهم مع بعض
- لا يوجد أحد بالجوار
- source_sentence: ما الفرق بين الحذف والتقطيع؟
sentences:
- أي كتاب أفضل لـ (نيت) ؟
- ما هي الخيارات المهنية الجيدة بعد البكالوريوس في الهندسة الكهربائية من معهد الهندسة
الوطنية؟
- ما هي الاختلافات بين الحذف والتقطيع؟
pipeline_tag: sentence-similarity
library_name: sentence-transformers
metrics:
- cosine_accuracy
model-index:
- name: AraBERT v2 base trained on Arabic triplets
results:
- task:
type: triplet
name: Triplet
dataset:
name: arabic valid
type: arabic-valid
metrics:
- type: cosine_accuracy
value: 0.9210000038146973
name: Cosine Accuracy
- task:
type: triplet
name: Triplet
dataset:
name: arabic test
type: arabic-test
metrics:
- type: cosine_accuracy
value: 0.9328100085258484
name: Cosine Accuracy
---
# AraBERT v2 base trained on Arabic 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:** 128 tokens
- **Output Dimensionality:** 768 dimensions
- **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)
- This model follows the same architectural design as the model proposed by (https://huggingface.co/akhooli/Arabic-SBERT-100K)., but was trained from scratch using a different training configuration.
### Full Model Architecture
```
SentenceTransformer(
(0): Transformer({'max_seq_length': 128, 'do_lower_case': False, 'architecture': '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("hindalmayyali/Sentence_arabertV1")
# Run inference
sentences = [
'ما الفرق بين الحذف والتقطيع؟',
'ما هي الاختلافات بين الحذف والتقطيع؟',
'أي كتاب أفضل لـ (نيت) ؟',
]
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, 0.9696, 0.0441],
# [0.9696, 1.0000, 0.0674],
# [0.0441, 0.0674, 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.*
-->
## Evaluation
### Metrics
#### Triplet
* Datasets: `arabic-valid` and `arabic-test`
* Evaluated with [<code>TripletEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.TripletEvaluator)
| Metric | arabic-valid | arabic-test |
|:--------------------|:-------------|:------------|
| **cosine_accuracy** | **0.921** | **0.9328** |
<!--
## 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: 50,000 training samples
* Columns: <code>anchor</code>, <code>positive</code>, and <code>negative</code>
* Approximate statistics based on the first 1000 samples:
| | anchor | positive | negative |
|:--------|:----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|
| type | string | string | string |
| details | <ul><li>min: 4 tokens</li><li>mean: 12.44 tokens</li><li>max: 60 tokens</li></ul> | <ul><li>min: 4 tokens</li><li>mean: 31.86 tokens</li><li>max: 128 tokens</li></ul> | <ul><li>min: 4 tokens</li><li>mean: 30.49 tokens</li><li>max: 128 tokens</li></ul> |
* Samples:
| anchor | positive | negative |
|:------------------------------------------------------------|:-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| <code>حسناً، هذا رائع</code> | <code>سيكون رائعاً</code> | <code>هذا ليس مثيراً للاهتمام</code> |
| <code>كم من الوقت لطهي كارني أسادا على الشواية</code> | <code>متبل كارني أسادا. أخرج شرائح اللحم من الثلاجة. صفي التتبيلة واتركي سطح اللحم يجف بمنشفة ورقية. اشوي شرائح اللحم على صينية أو مقلاة أو شواية خارجية لمدة 4 إلى 5 دقائق لكل جانب. يُقدم مع شرائح البصل الأحمر أو الأرز المكسيكي الأصفر أو الأحمر أو الأخضر.</code> | <code>ضع شرائح لحم الخنزير على مقلاة الشواء الساخنة واطبخها لمدة 8 إلى 10 دقائق على كل جانب ، حتى يتفحم اللحم قليلًا ويصل إلى درجة حرارة داخلية لا تقل عن 145 درجة فهرنهايت. استخدم الملقط لرفع شرائح اللحم وشويها الجانبين كذلك.</code> |
| <code>ماذا يفعل ارتفاع السكر في الدم للأوعية الدموية</code> | <code>البطانة السليمة ضرورية لتدفق الدم بحرية في الأوعية الدموية. ارتفاع نسبة السكر في الدم في مرض السكري يضر البطانة. هذا يعيق التدفق المستمر للدم داخل الأوعية الدموية. يقلل مرض السكري من إطلاق أكسيد النيتريك من الأوعية الدموية.</code> | <code>الشريان (التعريف). الشرايين نوع من الأوعية الدموية. يمكننا تقسيم الأوعية الدموية إلى فئتين. الشرايين هي أوعية ضغط مرتفع تنقل الأكسجين (الأحمر) + الدم إلى الجسم. من ناحية أخرى ، الأوردة أو الأوعية ذات الضغط المنخفض التي تعود (الداكن) من الدم المؤكسج من الجسم إلى القلب. الشرايين نوع من الأوعية الدموية. يمكننا تقسيم الأوعية الدموية إلى فئتين. الشرايين هي أوعية ضغط مرتفع تنقل الأكسجين (الأحمر) + الدم إلى الجسم. من ناحية أخرى ، الأوردة أو الأوعية ذات الضغط المنخفض التي ترجع الدم المؤكسج (الداكن) من الجسم إلى القلب.</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
}
```
### Evaluation Dataset
#### Unnamed Dataset
* Size: 200,001 evaluation samples
* Columns: <code>anchor</code>, <code>positive</code>, and <code>negative</code>
* Approximate statistics based on the first 1000 samples:
| | anchor | positive | negative |
|:--------|:----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|
| type | string | string | string |
| details | <ul><li>min: 4 tokens</li><li>mean: 12.14 tokens</li><li>max: 73 tokens</li></ul> | <ul><li>min: 4 tokens</li><li>mean: 31.92 tokens</li><li>max: 128 tokens</li></ul> | <ul><li>min: 4 tokens</li><li>mean: 31.02 tokens</li><li>max: 128 tokens</li></ul> |
* Samples:
| anchor | positive | negative |
|:-------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| <code>متوسط تكلفة بناء منزل جديد لكل قدم مربع</code> | <code>متوسط تكاليف بناء المنزل الجديد حوالي 100 دولار للقدم المربع. تتراوح متوسطات الولاية من 75 دولارًا إلى 130 دولارًا. هذه الأرقام مضللة إلى حد ما ، مثلها مثل جميع المعدلات. من الواضح كما هو الحال مع جميع المتوسطات ، أن بعضها يكلف أكثر بكثير والبعض الآخر يكلف أقل بكثير.</code> | <code>متوسط التكلفة للقدم المربع للمباني التجارية في حدود 200 دولار. هناك العديد من العوامل التي تدخل في السعر مثل الحجم والموقع. ما هو متوسط تكلفة البناء لكل قدم مربع لبناء منزل في نانتوكيت ما؟ يبلغ متوسط تكاليف البناء في عام 2012 حوالي 350 دولارًا للقدم المربع ، ولكن يمكن أن تتجاوز بسهولة 500 دولار للبناء عالي الجودة.</code> |
| <code>السيدة الأولى لورا بوش على المنصة، أمام الجمهور الجالس، في مؤتمر البيت الأبيض حول محو الأمية العالمي.</code> | <code>لورا بوش تقف أمام مؤتمر</code> | <code>(لورا بوش) تقود دراجة مائية قرب نصب (واشنطن) التذكاري</code> |
| <code>هل كان إعادة الإعمار الأمريكي فشلاً؟</code> | <code>هل كان إعادة الإعمار فشلاً؟ لماذا أو لماذا لا؟</code> | <code>هل يتوسع الكون؟</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
- `eval_strategy`: epoch
- `per_device_train_batch_size`: 32
- `per_device_eval_batch_size`: 48
- `gradient_accumulation_steps`: 2
- `learning_rate`: 2e-05
- `num_train_epochs`: 10
- `warmup_ratio`: 0.1
- `load_best_model_at_end`: True
- `optim`: adamw_torch
- `dataloader_pin_memory`: False
- `gradient_checkpointing`: True
- `batch_sampler`: no_duplicates
#### All Hyperparameters
<details><summary>Click to expand</summary>
- `overwrite_output_dir`: False
- `do_predict`: False
- `eval_strategy`: epoch
- `prediction_loss_only`: True
- `per_device_train_batch_size`: 32
- `per_device_eval_batch_size`: 48
- `per_gpu_train_batch_size`: None
- `per_gpu_eval_batch_size`: None
- `gradient_accumulation_steps`: 2
- `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`: 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`: True
- `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
- `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`: False
- `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`: True
- `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`: no_duplicates
- `multi_dataset_batch_sampler`: proportional
- `router_mapping`: {}
- `learning_rate_mapping`: {}
</details>
### Training Logs
<details><summary>Click to expand</summary>
| Epoch | Step | Training Loss | Validation Loss | arabic-valid_cosine_accuracy | arabic-test_cosine_accuracy |
|:-------:|:--------:|:-------------:|:---------------:|:----------------------------:|:---------------------------:|
| 0.0013 | 1 | 2.3706 | - | - | - |
| 0.0640 | 50 | 2.0507 | - | - | - |
| 0.1280 | 100 | 1.2702 | - | - | - |
| 0.1919 | 150 | 0.8272 | - | - | - |
| 0.2559 | 200 | 0.665 | - | - | - |
| 0.3199 | 250 | 0.612 | - | - | - |
| 0.3839 | 300 | 0.5628 | - | - | - |
| 0.4479 | 350 | 0.5455 | - | - | - |
| 0.5118 | 400 | 0.484 | - | - | - |
| 0.5758 | 450 | 0.4632 | - | - | - |
| 0.6398 | 500 | 0.4618 | - | - | - |
| 0.7038 | 550 | 0.4384 | - | - | - |
| 0.7678 | 600 | 0.4087 | - | - | - |
| 0.8317 | 650 | 0.3721 | - | - | - |
| 0.8957 | 700 | 0.4261 | - | - | - |
| 0.9597 | 750 | 0.4114 | - | - | - |
| 1.0 | 782 | - | 0.4069 | 0.9200 | - |
| 1.0230 | 800 | 0.3637 | - | - | - |
| 1.0870 | 850 | 0.3329 | - | - | - |
| 1.1510 | 900 | 0.3133 | - | - | - |
| 1.2150 | 950 | 0.2974 | - | - | - |
| 1.2790 | 1000 | 0.2944 | - | - | - |
| 1.3429 | 1050 | 0.2627 | - | - | - |
| 1.4069 | 1100 | 0.2994 | - | - | - |
| 1.4709 | 1150 | 0.3068 | - | - | - |
| 1.5349 | 1200 | 0.3016 | - | - | - |
| 1.5988 | 1250 | 0.3068 | - | - | - |
| 1.6628 | 1300 | 0.304 | - | - | - |
| 1.7268 | 1350 | 0.3012 | - | - | - |
| 1.7908 | 1400 | 0.2998 | - | - | - |
| 1.8548 | 1450 | 0.3181 | - | - | - |
| 1.9187 | 1500 | 0.2858 | - | - | - |
| 1.9827 | 1550 | 0.2843 | - | - | - |
| 2.0 | 1564 | - | 0.3489 | 0.9340 | - |
| 2.0461 | 1600 | 0.223 | - | - | - |
| 2.1100 | 1650 | 0.191 | - | - | - |
| 2.1740 | 1700 | 0.1828 | - | - | - |
| 2.2380 | 1750 | 0.1762 | - | - | - |
| 2.3020 | 1800 | 0.2021 | - | - | - |
| 2.3660 | 1850 | 0.1824 | - | - | - |
| 2.4299 | 1900 | 0.1873 | - | - | - |
| 2.4939 | 1950 | 0.188 | - | - | - |
| 2.5579 | 2000 | 0.188 | - | - | - |
| 2.6219 | 2050 | 0.1909 | - | - | - |
| 2.6859 | 2100 | 0.1888 | - | - | - |
| 2.7498 | 2150 | 0.1839 | - | - | - |
| 2.8138 | 2200 | 0.1965 | - | - | - |
| 2.8778 | 2250 | 0.1881 | - | - | - |
| 2.9418 | 2300 | 0.1753 | - | - | - |
| 3.0 | 2346 | - | 0.3480 | 0.9290 | - |
| 3.0051 | 2350 | 0.1847 | - | - | - |
| 3.0691 | 2400 | 0.1415 | - | - | - |
| 3.1331 | 2450 | 0.1258 | - | - | - |
| 3.1971 | 2500 | 0.1125 | - | - | - |
| 3.2610 | 2550 | 0.1186 | - | - | - |
| 3.3250 | 2600 | 0.1235 | - | - | - |
| 3.3890 | 2650 | 0.1328 | - | - | - |
| 3.4530 | 2700 | 0.1294 | - | - | - |
| 3.5170 | 2750 | 0.138 | - | - | - |
| 3.5809 | 2800 | 0.1282 | - | - | - |
| 3.6449 | 2850 | 0.1391 | - | - | - |
| 3.7089 | 2900 | 0.1321 | - | - | - |
| 3.7729 | 2950 | 0.1396 | - | - | - |
| 3.8369 | 3000 | 0.1344 | - | - | - |
| 3.9008 | 3050 | 0.1257 | - | - | - |
| 3.9648 | 3100 | 0.1441 | - | - | - |
| **4.0** | **3128** | **-** | **0.3466** | **0.924** | **-** |
| 4.0282 | 3150 | 0.1105 | - | - | - |
| 4.0921 | 3200 | 0.0954 | - | - | - |
| 4.1561 | 3250 | 0.0894 | - | - | - |
| 4.2201 | 3300 | 0.0945 | - | - | - |
| 4.2841 | 3350 | 0.0958 | - | - | - |
| 4.3480 | 3400 | 0.0957 | - | - | - |
| 4.4120 | 3450 | 0.0935 | - | - | - |
| 4.4760 | 3500 | 0.1093 | - | - | - |
| 4.5400 | 3550 | 0.1107 | - | - | - |
| 4.6040 | 3600 | 0.0995 | - | - | - |
| 4.6679 | 3650 | 0.1081 | - | - | - |
| 4.7319 | 3700 | 0.0887 | - | - | - |
| 4.7959 | 3750 | 0.0952 | - | - | - |
| 4.8599 | 3800 | 0.0976 | - | - | - |
| 4.9239 | 3850 | 0.1034 | - | - | - |
| 4.9878 | 3900 | 0.0903 | - | - | - |
| 5.0 | 3910 | - | 0.3495 | 0.9240 | - |
| 5.0512 | 3950 | 0.0748 | - | - | - |
| 5.1152 | 4000 | 0.0881 | - | - | - |
| 5.1791 | 4050 | 0.0721 | - | - | - |
| 5.2431 | 4100 | 0.0811 | - | - | - |
| 5.3071 | 4150 | 0.0834 | - | - | - |
| 5.3711 | 4200 | 0.0936 | - | - | - |
| 5.4351 | 4250 | 0.0769 | - | - | - |
| 5.4990 | 4300 | 0.0817 | - | - | - |
| 5.5630 | 4350 | 0.078 | - | - | - |
| 5.6270 | 4400 | 0.0925 | - | - | - |
| 5.6910 | 4450 | 0.0773 | - | - | - |
| 5.7550 | 4500 | 0.0779 | - | - | - |
| 5.8189 | 4550 | 0.0726 | - | - | - |
| 5.8829 | 4600 | 0.0864 | - | - | - |
| 5.9469 | 4650 | 0.0779 | - | - | - |
| 6.0 | 4692 | - | 0.3469 | 0.9250 | - |
| 6.0102 | 4700 | 0.0795 | - | - | - |
| 6.0742 | 4750 | 0.0673 | - | - | - |
| 6.1382 | 4800 | 0.0653 | - | - | - |
| 6.2022 | 4850 | 0.0638 | - | - | - |
| 6.2662 | 4900 | 0.0597 | - | - | - |
| 6.3301 | 4950 | 0.0705 | - | - | - |
| 6.3941 | 5000 | 0.0664 | - | - | - |
| 6.4581 | 5050 | 0.0675 | - | - | - |
| 6.5221 | 5100 | 0.0742 | - | - | - |
| 6.5861 | 5150 | 0.0704 | - | - | - |
| 6.6500 | 5200 | 0.06 | - | - | - |
| 6.7140 | 5250 | 0.0586 | - | - | - |
| 6.7780 | 5300 | 0.0643 | - | - | - |
| 6.8420 | 5350 | 0.0699 | - | - | - |
| 6.9060 | 5400 | 0.067 | - | - | - |
| 6.9699 | 5450 | 0.0643 | - | - | - |
| 7.0 | 5474 | - | 0.3491 | 0.9210 | - |
| -1 | -1 | - | - | - | 0.9328 |
* The bold row denotes the saved checkpoint.
</details>
### Framework Versions
- Python: 3.13.2
- Sentence Transformers: 5.1.0
- Transformers: 4.56.1
- PyTorch: 2.8.0
- Accelerate: 1.10.1
- Datasets: 4.0.0
- Tokenizers: 0.22.0
## 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.*
--> |