File size: 44,468 Bytes
4a611c2 | 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 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 | ---
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- dense
- generated_from_trainer
- dataset_size:3954179
- loss:MatryoshkaLoss
- loss:MultipleNegativesRankingLoss
widget:
- source_sentence: إذا لم تكن قد فعلت ذلك بالفعل ، تحقق من تصميمنا الجديد للمراسلات
والحوارات واليوميات .
sentences:
- تم إعادة تصميم الرسائل والحوارات .
- يقدم مقهى بارج كل من وجبات الغداء والإفطار .
- قبل ان نعرف اسماء بعضنا او اي شيء قد تعانقنا وبكىنا .
- source_sentence: أين تقع جامعة واينزبرج
sentences:
- جامعة دالاس بابتيست ( DBU ) ، المعروفة سابقا باسم كلية دالاس بابتيست ، هي جامعة
فنون ليبرالية مسيحية تقع في دالاس ، تكساس . يقع الحرم الجامعي الرئيسي على بعد
حوالي 12 ميلا ( 19 كم ) جنوب غرب وسط مدينة دالاس ويطل على بحيرة ماونتين كريك .
تأسست جامعة دالاس بابتيست عام 1898 باسم كلية ديكاتور بابتيست ، وتدير حاليا حرما
جامعيا في دالاس وبلانو وهيرست .
- الزوجان معا
- تقع جامعة واينسبرغ في حرم جامعي معاصر في تلال جنوب غرب ولاية بنسلفانيا ، مع ثلاثة
مراكز للبالغين تقع في مناطق بيتسبرغ في ساوثبوينت وكرانبيري ومونروفيل . تم إدراج
Hanna Hall و Miller Hall في السجل الوطني للأماكن التاريخية .
- source_sentence: The isolated Russian forces resisted in several areas for two more
days .
sentences:
- 'ياهو : كيف يمكنني معرفة ما إذا كان البريد الإلكتروني الذي أرسلته قد تم استلامه
أو قراءته ؟'
- واستمرت الاشتباكات الحدودية خلال اليومين المقبلين ، حيث استهدفت المخافر الحدودية
من الجانبين والتي أسفرت عن وقوع عشرات الإصابات .
- قاومت القوات الروسية المعزولة في عة مناطق لمدة يومين آخرين .
- source_sentence: فتاة هيبي بشعر أشقر وأرجواني على الجانب يرتدي قميص أبيض وملابس
سوداء
sentences:
- فتاة " هيبي " ترتدي قميصا أبيضا وملابس سوداء شعرها أشقر وأحمر
- المرأة تضع يدها في جيب الرجل
- فتاة لديها سترة حمراء وسوداء
- source_sentence: رجل وامرأة يجلسان في سيارة ووجههما في الاتجاه المعاكس من الكاميرا
sentences:
- هناك شخصان وسيارة
- سيارة صدئة هي الشيء الوحيد المرئي
- كان أفضل حالا
pipeline_tag: sentence-similarity
library_name: sentence-transformers
metrics:
- cosine_accuracy
model-index:
- name: SentenceTransformer
results:
- task:
type: triplet
name: Triplet
dataset:
name: dev 768
type: dev-768
metrics:
- type: cosine_accuracy
value: 0.9853799939155579
name: Cosine Accuracy
- task:
type: triplet
name: Triplet
dataset:
name: dev 512
type: dev-512
metrics:
- type: cosine_accuracy
value: 0.9855160117149353
name: Cosine Accuracy
- task:
type: triplet
name: Triplet
dataset:
name: dev 256
type: dev-256
metrics:
- type: cosine_accuracy
value: 0.985588014125824
name: Cosine Accuracy
- task:
type: triplet
name: Triplet
dataset:
name: dev 128
type: dev-128
metrics:
- type: cosine_accuracy
value: 0.9855039715766907
name: Cosine Accuracy
- task:
type: triplet
name: Triplet
dataset:
name: dev 64
type: dev-64
metrics:
- type: cosine_accuracy
value: 0.9845880270004272
name: Cosine Accuracy
---
# SentenceTransformer
This is a [sentence-transformers](https://www.SBERT.net) model trained on the train dataset. 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:** [Unknown](https://huggingface.co/unknown) -->
- **Maximum Sequence Length:** 512 tokens
- **Output Dimensionality:** 768 dimensions
- **Similarity Function:** Cosine Similarity
- **Training Dataset:**
- train
<!-- - **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': 512, '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("sentence_transformers_model_id")
# Run inference
sentences = [
'رجل وامرأة يجلسان في سيارة ووجههما في الاتجاه المعاكس من الكاميرا',
'هناك شخصان وسيارة',
'سيارة صدئة هي الشيء الوحيد المرئي',
]
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, 0.6553, 0.2590],
# [0.6553, 1.0000, 0.3695],
# [0.2590, 0.3695, 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
* Dataset: `dev-768`
* Evaluated with [<code>TripletEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.TripletEvaluator) with these parameters:
```json
{
"truncate_dim": 768
}
```
| Metric | Value |
|:--------------------|:-----------|
| **cosine_accuracy** | **0.9854** |
#### Triplet
* Dataset: `dev-512`
* Evaluated with [<code>TripletEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.TripletEvaluator) with these parameters:
```json
{
"truncate_dim": 512
}
```
| Metric | Value |
|:--------------------|:-----------|
| **cosine_accuracy** | **0.9855** |
#### Triplet
* Dataset: `dev-256`
* Evaluated with [<code>TripletEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.TripletEvaluator) with these parameters:
```json
{
"truncate_dim": 256
}
```
| Metric | Value |
|:--------------------|:-----------|
| **cosine_accuracy** | **0.9856** |
#### Triplet
* Dataset: `dev-128`
* Evaluated with [<code>TripletEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.TripletEvaluator) with these parameters:
```json
{
"truncate_dim": 128
}
```
| Metric | Value |
|:--------------------|:-----------|
| **cosine_accuracy** | **0.9855** |
#### Triplet
* Dataset: `dev-64`
* Evaluated with [<code>TripletEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.TripletEvaluator) with these parameters:
```json
{
"truncate_dim": 64
}
```
| Metric | Value |
|:--------------------|:-----------|
| **cosine_accuracy** | **0.9846** |
<!--
## 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
#### train
* Dataset: train
* Size: 3,954,179 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: 16.1 tokens</li><li>max: 113 tokens</li></ul> | <ul><li>min: 3 tokens</li><li>mean: 41.85 tokens</li><li>max: 512 tokens</li></ul> | <ul><li>min: 4 tokens</li><li>mean: 41.99 tokens</li><li>max: 512 tokens</li></ul> |
* Samples:
| anchor | positive | negative |
|:----------------------------------------------|:--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| <code>في أي مقاطعة تقع لويسفيل أركنساس</code> | <code>لويسفيل هي بلدة في مقاطعة لافاييت ، أركنساس ، الولايات المتحدة . كان عدد السكان 1285 في تعداد عام 2000 . . المدينة هي مقر مقاطعة لافاييت .</code> | <code>ماونتن هوم ، أركنساس . ماونتن هوم هي مدينة صغيرة في مقاطعة باكستر ، أركنساس ، الولايات المتحدة ، في جبال أوزارك الجنوبية بالقرب من حدود الولاية الشمالية مع ميسوري . اعتبارا من تعداد عام 2010 ، بلغ عدد سكان المدينة 12448 نسمة .</code> |
| <code>متوسط سمك باب الخزانة</code> | <code>تتميز أبواب العالم القديم بميزات رائعة مثل السماكة المتزايدة ، والملامح الأعمق ، والأعمدة والقضبان الأوسع لإضفاء مظهر وإحساس أكثر دراماتيكية عند مقارنتها بأبواب الخزانة التقليدية . يبلغ عرض Stiles Rails القياسية 3 بوصات ويمكن تصنيعها في 1 و 1 1 - 8 و 1 سمك .</code> | <code>اعتمادا على الخطأ في اللوحة ، يبلغ متوسط أسعار الإصلاح 130 دولارا لإصلاح الأبواب الفولاذية و 190 دولارا للخشب و 170 دولارا للألمنيوم و 150 دولارا للألياف الزجاجية . مزيد من المعلومات حول كيفية استبدال لوحة باب المرآب . إذا تعطلت أداة فتح باب الجراج ، فقد تكون سلامتك في خطر . تريد التأكد من أن بابك يعمل بشكل صحيح حتى لا يغلق بطريق الخطأ على حيوان أليف أو شخص . تريد أيضا إغلاقها لإبعاد اللصوص عن منزلك .</code> |
| <code>ما هو تعريف الملء</code> | <code>اعادة تعبئه . اسم تخصيص ثان لوكيل الوصفات الطبية تم الحصول عليه من الصيدلية ، والذي يسمح به فعل الوصفة الأصلية علم الأدوية للحصول على المزيد من دواء معين ، بعد استخدام الكمية الموصوفة في البداية من الوكيل أو إعطائها . انظر الوصفة الطبية .</code> | <code>تعليمات إعادة الملء قم بإعادة الملء فقط باستخدام Spectracide ' Bug Stop Home Barrier Refill . قم بإزالة الغطاء . قم بقياس وصب 12 . 8 أونصة سائلة من المركز في حاوية فارغة سعة 1 جالون من Spectracide - Bug Stop - حاجز منزلي ، واملأه حتى 1 جالون بالماء ، استبدل الغطاء وأغلقه بإحكام . المنتج المنسكب قم بقياس 12 . 8 أونصة سائلة من المركز وصبها بحذر في حاوية فارغة سعة 1 جالون من Spectracide - حاجز منزلي من Spectracide - حاجز منزلي ، واملأه حتى 1 جالون بالماء . استبدل الغطاء وأغلقه بإحكام . امسح أي منتج مسكوب .</code> |
* Loss: [<code>MatryoshkaLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#matryoshkaloss) with these parameters:
```json
{
"loss": "MultipleNegativesRankingLoss",
"matryoshka_dims": [
768,
512,
256,
128,
64
],
"matryoshka_weights": [
1,
1,
1,
1,
1
],
"n_dims_per_step": -1
}
```
### Evaluation Dataset
#### train
* Dataset: train
* Size: 1,129,759 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: 16.7 tokens</li><li>max: 150 tokens</li></ul> | <ul><li>min: 4 tokens</li><li>mean: 36.54 tokens</li><li>max: 512 tokens</li></ul> | <ul><li>min: 3 tokens</li><li>mean: 35.42 tokens</li><li>max: 512 tokens</li></ul> |
* Samples:
| anchor | positive | negative |
|:---------------------------------------------------------------------|:---------------------------------|:----------------------------------------------------------------------|
| <code>رجل يرتدي سروال تنس أزرق وقميص بولو أبيض يضرب كرة التنس</code> | <code>رجل يلعب رياضة</code> | <code>هناك رجل يرتدي زي البيسبول يضرب كرة البيسبول بمضرب التنس</code> |
| <code>امرأة في ثوب أسود تبدو متفاجئة</code> | <code>امرأة تغيرت مشاعرها</code> | <code>امرأة تسبح في المحيط</code> |
| <code>رجل يرتدي قميص أبيض يقفز على شيء ما على دراجته الصفراء</code> | <code>رجل يركب دراجته</code> | <code>رجل يركب لوح التزلج فوق المنحدر</code> |
* Loss: [<code>MatryoshkaLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#matryoshkaloss) with these parameters:
```json
{
"loss": "MultipleNegativesRankingLoss",
"matryoshka_dims": [
768,
512,
256,
128,
64
],
"matryoshka_weights": [
1,
1,
1,
1,
1
],
"n_dims_per_step": -1
}
```
### Training Hyperparameters
#### Non-Default Hyperparameters
- `per_device_train_batch_size`: 64
- `num_train_epochs`: 4
- `learning_rate`: 2e-05
- `warmup_steps`: 0.1
- `gradient_accumulation_steps`: 2
- `bf16`: True
- `eval_strategy`: steps
- `warmup_ratio`: 0.1
- `batch_sampler`: no_duplicates
#### All Hyperparameters
<details><summary>Click to expand</summary>
- `per_device_train_batch_size`: 64
- `num_train_epochs`: 4
- `max_steps`: -1
- `learning_rate`: 2e-05
- `lr_scheduler_type`: linear
- `lr_scheduler_kwargs`: None
- `warmup_steps`: 0.1
- `optim`: adamw_torch
- `optim_args`: None
- `weight_decay`: 0.0
- `adam_beta1`: 0.9
- `adam_beta2`: 0.999
- `adam_epsilon`: 1e-08
- `optim_target_modules`: None
- `gradient_accumulation_steps`: 2
- `average_tokens_across_devices`: True
- `max_grad_norm`: 1.0
- `label_smoothing_factor`: 0.0
- `bf16`: True
- `fp16`: False
- `bf16_full_eval`: False
- `fp16_full_eval`: False
- `tf32`: None
- `gradient_checkpointing`: False
- `gradient_checkpointing_kwargs`: None
- `torch_compile`: False
- `torch_compile_backend`: None
- `torch_compile_mode`: None
- `use_liger_kernel`: False
- `liger_kernel_config`: None
- `use_cache`: False
- `neftune_noise_alpha`: None
- `torch_empty_cache_steps`: None
- `auto_find_batch_size`: False
- `log_on_each_node`: True
- `logging_nan_inf_filter`: True
- `include_num_input_tokens_seen`: no
- `log_level`: passive
- `log_level_replica`: warning
- `disable_tqdm`: False
- `project`: huggingface
- `trackio_space_id`: trackio
- `eval_strategy`: steps
- `per_device_eval_batch_size`: 8
- `prediction_loss_only`: True
- `eval_on_start`: False
- `eval_do_concat_batches`: True
- `eval_use_gather_object`: False
- `eval_accumulation_steps`: None
- `include_for_metrics`: []
- `batch_eval_metrics`: False
- `save_only_model`: False
- `save_on_each_node`: False
- `enable_jit_checkpoint`: False
- `push_to_hub`: False
- `hub_private_repo`: None
- `hub_model_id`: None
- `hub_strategy`: every_save
- `hub_always_push`: False
- `hub_revision`: None
- `load_best_model_at_end`: False
- `ignore_data_skip`: False
- `restore_callback_states_from_checkpoint`: False
- `full_determinism`: False
- `seed`: 42
- `data_seed`: None
- `use_cpu`: False
- `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
- `dataloader_drop_last`: False
- `dataloader_num_workers`: 0
- `dataloader_pin_memory`: True
- `dataloader_persistent_workers`: False
- `dataloader_prefetch_factor`: None
- `remove_unused_columns`: True
- `label_names`: None
- `train_sampling_strategy`: random
- `length_column_name`: length
- `ddp_find_unused_parameters`: None
- `ddp_bucket_cap_mb`: None
- `ddp_broadcast_buffers`: False
- `ddp_backend`: None
- `ddp_timeout`: 1800
- `fsdp`: []
- `fsdp_config`: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
- `deepspeed`: None
- `debug`: []
- `skip_memory_metrics`: True
- `do_predict`: False
- `resume_from_checkpoint`: None
- `warmup_ratio`: 0.1
- `local_rank`: -1
- `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 | train loss | dev-768_cosine_accuracy | dev-512_cosine_accuracy | dev-256_cosine_accuracy | dev-128_cosine_accuracy | dev-64_cosine_accuracy |
|:------:|:------:|:-------------:|:----------:|:-----------------------:|:-----------------------:|:-----------------------:|:-----------------------:|:----------------------:|
| 3.3082 | 102200 | 0.2592 | - | - | - | - | - | - |
| 3.3147 | 102400 | 0.2543 | - | - | - | - | - | - |
| 3.3211 | 102600 | 0.2641 | - | - | - | - | - | - |
| 3.3276 | 102800 | 0.2435 | - | - | - | - | - | - |
| 3.3341 | 103000 | 0.2510 | - | - | - | - | - | - |
| 3.3406 | 103200 | 0.2481 | - | - | - | - | - | - |
| 3.3470 | 103400 | 0.2627 | - | - | - | - | - | - |
| 3.3535 | 103600 | 0.2480 | - | - | - | - | - | - |
| 3.3600 | 103800 | 0.2636 | - | - | - | - | - | - |
| 3.3665 | 104000 | 0.2619 | - | - | - | - | - | - |
| 3.3729 | 104200 | 0.2423 | - | - | - | - | - | - |
| 3.3794 | 104400 | 0.2505 | - | - | - | - | - | - |
| 3.3859 | 104600 | 0.2604 | - | - | - | - | - | - |
| 3.3924 | 104800 | 0.2460 | - | - | - | - | - | - |
| 3.3988 | 105000 | 0.2440 | - | - | - | - | - | - |
| 3.4053 | 105200 | 0.2641 | - | - | - | - | - | - |
| 3.4118 | 105400 | 0.2573 | - | - | - | - | - | - |
| 3.4183 | 105600 | 0.2613 | - | - | - | - | - | - |
| 3.4247 | 105800 | 0.2746 | - | - | - | - | - | - |
| 3.4312 | 106000 | 0.2578 | - | - | - | - | - | - |
| 3.4377 | 106200 | 0.2445 | - | - | - | - | - | - |
| 3.4442 | 106400 | 0.2530 | - | - | - | - | - | - |
| 3.4506 | 106600 | 0.2644 | - | - | - | - | - | - |
| 3.4571 | 106800 | 0.2656 | - | - | - | - | - | - |
| 3.4636 | 107000 | 0.2520 | - | - | - | - | - | - |
| 3.4700 | 107200 | 0.2527 | - | - | - | - | - | - |
| 3.4765 | 107400 | 0.2534 | - | - | - | - | - | - |
| 3.4830 | 107600 | 0.2530 | - | - | - | - | - | - |
| 3.4895 | 107800 | 0.2614 | - | - | - | - | - | - |
| 3.4959 | 108000 | 0.2517 | 0.2252 | 0.9849 | 0.9849 | 0.9851 | 0.9849 | 0.9841 |
| 3.5024 | 108200 | 0.2589 | - | - | - | - | - | - |
| 3.5089 | 108400 | 0.2582 | - | - | - | - | - | - |
| 3.5154 | 108600 | 0.2553 | - | - | - | - | - | - |
| 3.5218 | 108800 | 0.2457 | - | - | - | - | - | - |
| 3.5283 | 109000 | 0.2662 | - | - | - | - | - | - |
| 3.5348 | 109200 | 0.2619 | - | - | - | - | - | - |
| 3.5413 | 109400 | 0.2556 | - | - | - | - | - | - |
| 3.5477 | 109600 | 0.2635 | - | - | - | - | - | - |
| 3.5542 | 109800 | 0.2550 | - | - | - | - | - | - |
| 3.5607 | 110000 | 0.2670 | - | - | - | - | - | - |
| 3.5672 | 110200 | 0.2660 | - | - | - | - | - | - |
| 3.5736 | 110400 | 0.2604 | - | - | - | - | - | - |
| 3.5801 | 110600 | 0.2574 | - | - | - | - | - | - |
| 3.5866 | 110800 | 0.2607 | - | - | - | - | - | - |
| 3.5931 | 111000 | 0.2465 | - | - | - | - | - | - |
| 3.5995 | 111200 | 0.2790 | - | - | - | - | - | - |
| 3.6060 | 111400 | 0.2681 | - | - | - | - | - | - |
| 3.6125 | 111600 | 0.2654 | - | - | - | - | - | - |
| 3.6190 | 111800 | 0.2640 | - | - | - | - | - | - |
| 3.6254 | 112000 | 0.2774 | - | - | - | - | - | - |
| 3.6319 | 112200 | 0.2568 | - | - | - | - | - | - |
| 3.6384 | 112400 | 0.2665 | - | - | - | - | - | - |
| 3.6448 | 112600 | 0.2532 | - | - | - | - | - | - |
| 3.6513 | 112800 | 0.2613 | - | - | - | - | - | - |
| 3.6578 | 113000 | 0.2413 | - | - | - | - | - | - |
| 3.6643 | 113200 | 0.2788 | - | - | - | - | - | - |
| 3.6707 | 113400 | 0.2586 | - | - | - | - | - | - |
| 3.6772 | 113600 | 0.2602 | - | - | - | - | - | - |
| 3.6837 | 113800 | 0.2708 | - | - | - | - | - | - |
| 3.6902 | 114000 | 0.2556 | 0.2188 | 0.9851 | 0.9852 | 0.9854 | 0.9853 | 0.9844 |
| 3.6966 | 114200 | 0.2576 | - | - | - | - | - | - |
| 3.7031 | 114400 | 0.2713 | - | - | - | - | - | - |
| 3.7096 | 114600 | 0.2748 | - | - | - | - | - | - |
| 3.7161 | 114800 | 0.2542 | - | - | - | - | - | - |
| 3.7225 | 115000 | 0.2647 | - | - | - | - | - | - |
| 3.7290 | 115200 | 0.2751 | - | - | - | - | - | - |
| 3.7355 | 115400 | 0.2534 | - | - | - | - | - | - |
| 3.7420 | 115600 | 0.2577 | - | - | - | - | - | - |
| 3.7484 | 115800 | 0.2722 | - | - | - | - | - | - |
| 3.7549 | 116000 | 0.2717 | - | - | - | - | - | - |
| 3.7614 | 116200 | 0.2737 | - | - | - | - | - | - |
| 3.7679 | 116400 | 0.2725 | - | - | - | - | - | - |
| 3.7743 | 116600 | 0.2587 | - | - | - | - | - | - |
| 3.7808 | 116800 | 0.2623 | - | - | - | - | - | - |
| 3.7873 | 117000 | 0.2659 | - | - | - | - | - | - |
| 3.7938 | 117200 | 0.2735 | - | - | - | - | - | - |
| 3.8002 | 117400 | 0.2847 | - | - | - | - | - | - |
| 3.8067 | 117600 | 0.2636 | - | - | - | - | - | - |
| 3.8132 | 117800 | 0.2777 | - | - | - | - | - | - |
| 3.8196 | 118000 | 0.2751 | - | - | - | - | - | - |
| 3.8261 | 118200 | 0.2609 | - | - | - | - | - | - |
| 3.8326 | 118400 | 0.2684 | - | - | - | - | - | - |
| 3.8391 | 118600 | 0.2772 | - | - | - | - | - | - |
| 3.8455 | 118800 | 0.2684 | - | - | - | - | - | - |
| 3.8520 | 119000 | 0.2682 | - | - | - | - | - | - |
| 3.8585 | 119200 | 0.2784 | - | - | - | - | - | - |
| 3.8650 | 119400 | 0.2735 | - | - | - | - | - | - |
| 3.8714 | 119600 | 0.2848 | - | - | - | - | - | - |
| 3.8779 | 119800 | 0.2638 | - | - | - | - | - | - |
| 3.8844 | 120000 | 0.2711 | 0.2171 | 0.9854 | 0.9855 | 0.9856 | 0.9855 | 0.9846 |
| 3.8909 | 120200 | 0.2825 | - | - | - | - | - | - |
| 3.8973 | 120400 | 0.2724 | - | - | - | - | - | - |
| 3.9038 | 120600 | 0.3078 | - | - | - | - | - | - |
| 3.9103 | 120800 | 0.2806 | - | - | - | - | - | - |
| 3.9168 | 121000 | 0.2631 | - | - | - | - | - | - |
| 3.9232 | 121200 | 0.2892 | - | - | - | - | - | - |
| 3.9297 | 121400 | 0.2791 | - | - | - | - | - | - |
| 3.9362 | 121600 | 0.2874 | - | - | - | - | - | - |
| 3.9427 | 121800 | 0.2602 | - | - | - | - | - | - |
| 3.9491 | 122000 | 0.2988 | - | - | - | - | - | - |
| 3.9556 | 122200 | 0.2935 | - | - | - | - | - | - |
| 3.9621 | 122400 | 0.2999 | - | - | - | - | - | - |
| 3.9686 | 122600 | 0.2930 | - | - | - | - | - | - |
| 3.9750 | 122800 | 0.2784 | - | - | - | - | - | - |
| 3.9815 | 123000 | 0.3013 | - | - | - | - | - | - |
| 3.9880 | 123200 | 0.2919 | - | - | - | - | - | - |
| 3.9944 | 123400 | 0.3011 | - | - | - | - | - | - |
</details>
### Framework Versions
- Python: 3.10.19
- Sentence Transformers: 5.2.3
- Transformers: 5.2.0
- PyTorch: 2.6.0+cu124
- Accelerate: 1.12.0
- Datasets: 4.5.0
- Tokenizers: 0.22.2
## 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",
}
```
#### MatryoshkaLoss
```bibtex
@misc{kusupati2024matryoshka,
title={Matryoshka Representation Learning},
author={Aditya Kusupati and Gantavya Bhatt and Aniket Rege and Matthew Wallingford and Aditya Sinha and Vivek Ramanujan and William Howard-Snyder and Kaifeng Chen and Sham Kakade and Prateek Jain and Ali Farhadi},
year={2024},
eprint={2205.13147},
archivePrefix={arXiv},
primaryClass={cs.LG}
}
```
#### 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.*
--> |