Sentence_arabertV1 / README.md

Update README

018228d verified about 2 months ago

41.5 kB

	---
	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.
	-->