| --- |
| 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.* |
| --> |
