File size: 24,462 Bytes
2d327c5 b93aab1 2d327c5 | 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 | ---
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- dense
- generated_from_trainer
- dataset_size:1174
- loss:MatryoshkaLoss
- loss:MultipleNegativesRankingLoss
widget:
- source_sentence: Sodišče sme na prošnjo obsojenca odločiti, da se obsodba izbriše
iz kazenske evidence in da obsojenec velja za neobsojenega, če je potekla polovica
z zakonom določenega roka, po poteku katerega se obsodba izbriše, če obsojenec
v tem času ni storil novega kaznivega dejanja. Pri odločanju o izbrisu upošteva
sodišče vedenje obsojenca po prestani kazni, naravo kaznivega dejanja in druge
okoliščine, pomembne za izbris obsodbe.
sentences:
- Če dan izročitve stvari kupcu ni določen, mora prodajalec izročiti stvar v roku
15 dni po sklenitvi pogodbe, glede na naravo stvari in na druge okoliščine.
- 'Upravljalci, ki so subjekti javnega sektorja, za namene raziskovanja posredujejo
osebne podatke po tarifi, določeni za raziskovalne storitve. '
- Sodišče po uradni dolžnosti izbriše obsodbo iz kazenske evidence, če storilec
že dalj časa ni izvršil kaznivega dejanja, pri tem pa prav tako upošteva vedenje
obsojenca po prestani kazni, naravo kaznivega dejanja in druge okoliščine, pomembne
za izbris obsodbe.
- source_sentence: 'V okviru trženja ali podobne druge poslovne dejavnosti se ne smejo
zahtevati,
pridobiti ali nadalje obdelovati biometrični osebni podatki v zamenjavo za določene
storitve,
četudi so te storitve za posameznika, na katerega se nanašajo osebni podatki,
brezplačne.'
sentences:
- 'Upravljavec videonadzora ni dolžan obvestiti policije, če posnetek pokaže nevaren
dogodek.
'
- Za obdelave osebnih podatkov na področju varnosti države pristojni organ s področja
varnosti države pripravi oceno učinka s smiselno uporabo določb tega člena. Ocena
učinka je za potrebe nadzorov javno dostopna.
- Osebe zasebnega prava lahko zahtevajo, pridobivajo ali nadalje obdelujejo biometrične
osebne v zameno za določene storitve in blago, pod pogojem, da se storitve izvajajo
za posameznika brezplačno.
- source_sentence: (3) Prepoved odtujitve ali obremenitve se lahko časovno omeji.
sentences:
- "Z ustanovitvijo hipoteke na stavbni pravici upnik hkrati \npridobi tudi zastavno\
\ pravico na terjatvi imetnika stavbnih\npravic za plačilo nadomestila."
- V postopkih pred nadzornim organom ni dopustna stranska udeležba, kot jo določa
zakon, ki ureja splošni civilni postopek.
- 'Prepoved odtujitve mora biti časovno omejena. '
- source_sentence: (1) Več oseb ima solastninsko pravico na nerazdeljeni stvari (solastniki),
če je delež vsakega izmed njih določen v sorazmerju s celoto (idealni delež).
sentences:
- Javni shodi so brezpogojno dovoljeni in vsakršna njihova prepoved ali preprečitev
se kaznuje.
- 'Posnetki videonadzora morajo se hranijo trajno, če kapacitete hranilnika tega
ne dopuščajo, pa se hranijo eno leto in se po tem izbrišejo. '
- 'Več oseb ima solastninsko pravico na nerazdeljeni stvari (solastniki), vendar
le če je delež vsakega izmed njih nedoločen vse do delitve. '
- source_sentence: '(1) Posest je neposredna dejanska oblast nad stvarjo (neposredna
posest).
(2) Posest ima tudi tisti, ki izvršuje dejansko oblast nad stvarjo prek koga drugega,
ki
ima neposredno posest iz kakršnegakoli pravnega naslova (posredna posest).'
sentences:
- V postopkih pred nadzornim organom ni dopustna stranska udeležba, kot jo določa
zakon, ki ureja splošni civilni postopek.
- Posameznik lahko isto stvar istočasno poseduje neposredno in posredno.
- Sodišče nikoli ne more odločati o poslu, ki presega redno upravljanje, brez soglasja
vseh solastnikov.
pipeline_tag: sentence-similarity
library_name: sentence-transformers
metrics:
- pearson_cosine
- spearman_cosine
model-index:
- name: SentenceTransformer
results:
- task:
type: semantic-similarity
name: Semantic Similarity
dataset:
name: validation dev
type: validation-dev
metrics:
- type: pearson_cosine
value: 0.07191992786363605
name: Pearson Cosine
- type: spearman_cosine
value: 0.019280573682247046
name: Spearman Cosine
---
# SentenceTransformer
This is a [sentence-transformers](https://www.SBERT.net) model trained. 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
**This model has been specifically finetuned for contradiction retrieval! It is therefore not suitable for regular similarity-based retrieval!**
### Model Description
- **Model Type:** Sentence Transformer
<!-- - **Base model:** [Unknown](https://huggingface.co/unknown) -->
- **Maximum Sequence Length:** 8192 tokens
- **Output Dimensionality:** 768 dimensions
- **Similarity Function:** Cosine Similarity
<!-- - **Training Dataset:** Unknown -->
<!-- - **Language:** Unknown -->
<!-- - **License:** Unknown -->
### Model Sources
- **Documentation:** [Sentence Transformers Documentation](https://sbert.net)
- **Repository:** [Sentence Transformers on GitHub](https://github.com/huggingface/sentence-transformers)
- **Hugging Face:** [Sentence Transformers on Hugging Face](https://huggingface.co/models?library=sentence-transformers)
### Full Model Architecture
```
SentenceTransformer(
(0): Transformer({'max_seq_length': 8192, 'do_lower_case': False, 'architecture': 'ModernBertModel'})
(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 = [
'(1) Posest je neposredna dejanska oblast nad stvarjo (neposredna posest).\n(2) Posest ima tudi tisti, ki izvršuje dejansko oblast nad stvarjo prek koga drugega, ki\nima neposredno posest iz kakršnegakoli pravnega naslova (posredna posest).',
'Posameznik lahko isto stvar istočasno poseduje neposredno in posredno.',
'Sodišče nikoli ne more odločati o poslu, ki presega redno upravljanje, brez soglasja vseh solastnikov.',
]
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, 0.5774, 0.4022],
# [0.5774, 1.0000, 0.2455],
# [0.4022, 0.2455, 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
#### Semantic Similarity
* Dataset: `validation-dev`
* Evaluated with [<code>EmbeddingSimilarityEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.EmbeddingSimilarityEvaluator)
| Metric | Value |
|:--------------------|:-----------|
| pearson_cosine | 0.0719 |
| **spearman_cosine** | **0.0193** |
<!--
## 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: 1,174 training samples
* Columns: <code>anchor</code>, <code>positive</code>, and <code>label</code>
* Approximate statistics based on the first 1000 samples:
| | anchor | positive | label |
|:--------|:-------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:--------------------------------------------------------------|
| type | string | string | float |
| details | <ul><li>min: 2 tokens</li><li>mean: 152.19 tokens</li><li>max: 1336 tokens</li></ul> | <ul><li>min: 13 tokens</li><li>mean: 63.45 tokens</li><li>max: 304 tokens</li></ul> | <ul><li>min: 1.0</li><li>mean: 1.0</li><li>max: 1.0</li></ul> |
* Samples:
| anchor | positive | label |
|:-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------------------------------|:-----------------|
| <code>(1) Vsaka stranka v dvostranski pogodbi lahko prenese pogodbo nekomu tretjemu,<br>ki postane s tem imetnik vseh njenih pravic in obveznosti iz te pogodbe, če v to privoli druga stranka.<br>(2) S prenosom pogodbe preide pogodbeno razmerje med prenositeljem in drugo<br>stranko na prevzemnika in drugo stranko takrat, ko druga stranka privoli v prenos; če je dala svojo privolitev vnaprej, pa takrat, ko je o prenosu obveščena.<br>(3) Privolitev v prenos pogodbe je veljavna samo, če je dana v obliki, ki jo predpisuje<br>zakon za sklenitev prenesene pogodbe.<br>(4) Določbe o stranskih pravicah v zvezi s pogodbo o prevzemu dolga se smiselno<br>uporabljajo tudi za prenos pogodbe.</code> | <code>S prenosom pogodbe preide pogodbeno razmerje, pri čemer<br>prenositelj jamči, da bo druga stranka izpolnila svoje obveznosti.</code> | <code>1.0</code> |
| <code>(1) Vsaka stranka v dvostranski pogodbi lahko prenese pogodbo nekomu tretjemu,<br>ki postane s tem imetnik vseh njenih pravic in obveznosti iz te pogodbe, če v to privoli druga stranka.<br>(2) S prenosom pogodbe preide pogodbeno razmerje med prenositeljem in drugo<br>stranko na prevzemnika in drugo stranko takrat, ko druga stranka privoli v prenos; če je dala svojo privolitev vnaprej, pa takrat, ko je o prenosu obveščena.<br>(3) Privolitev v prenos pogodbe je veljavna samo, če je dana v obliki, ki jo predpisuje<br>zakon za sklenitev prenesene pogodbe.<br>(4) Določbe o stranskih pravicah v zvezi s pogodbo o prevzemu dolga se smiselno<br>uporabljajo tudi za prenos pogodbe.</code> | <code>S prenosom pogodbe preide pogodbeno razmerje, pri čemer<br>prenositelj jamči, da bo druga stranka izpolnila svoje obveznosti.</code> | <code>1.0</code> |
| <code>(1) Za škodo, ki jo povzroči delavec pri delu ali v zvezi z delom tretji osebi, odgovarja pravna ali fizična oseba, pri kateri je delavec delal takrat, ko je bila škoda povzročena, razen če dokaže, da je delavec v danih okoliščinah ravnal tako, kot je bilo treba.<br>(2) Oškodovanec ima pravico zahtevati povrnitev škode tudi neposredno od delavca, če je ta škodo povzročil namenoma.<br>(3) Kdor je oškodovancu povrnil škodo, ki jo je povzročil delavec namenoma ali iz hude malomarnosti, ima pravico zahtevati od delavca povrnitev plačanega zneska.<br>(4) Ta pravica zastara v šestih mesecih od dneva, ko je bila odškodnina plačana.<br>(5) Določba prvega odstavka tega člena ne posega v pravila o odgovornosti za škodo, ki izvira od nevarne stvari ali nevarne dejavnosti.</code> | <code>Oškodovanec lahko vedno zahteva odškonino tako od delodajalca kot od delavca, njuna odgovornost je solidarna.</code> | <code>1.0</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
],
"matryoshka_weights": [
1
],
"n_dims_per_step": -1
}
```
### Evaluation Dataset
#### Unnamed Dataset
* Size: 62 evaluation samples
* Columns: <code>anchor</code>, <code>positive</code>, and <code>label</code>
* Approximate statistics based on the first 62 samples:
| | anchor | positive | label |
|:--------|:------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:--------------------------------------------------------------|
| type | string | string | float |
| details | <ul><li>min: 2 tokens</li><li>mean: 105.61 tokens</li><li>max: 313 tokens</li></ul> | <ul><li>min: 22 tokens</li><li>mean: 63.13 tokens</li><li>max: 187 tokens</li></ul> | <ul><li>min: 1.0</li><li>mean: 1.0</li><li>max: 1.0</li></ul> |
* Samples:
| anchor | positive | label |
|:-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------------------------|:-----------------|
| <code>(1) Posest je neposredna dejanska oblast nad stvarjo (neposredna posest).<br>(2) Posest ima tudi tisti, ki izvršuje dejansko oblast nad stvarjo prek koga drugega, ki<br>ima neposredno posest iz kakršnegakoli pravnega naslova (posredna posest).</code> | <code>Posameznik lahko isto stvar istočasno poseduje neposredno in posredno.</code> | <code>1.0</code> |
| <code>(1) Posest je neposredna dejanska oblast nad stvarjo (neposredna posest).<br>(2) Posest ima tudi tisti, ki izvršuje dejansko oblast nad stvarjo prek koga drugega, ki<br>ima neposredno posest iz kakršnegakoli pravnega naslova (posredna posest).</code> | <code>Posameznik lahko isto stvar istočasno poseduje neposredno in posredno.</code> | <code>1.0</code> |
| <code>Upravljavec videonadzornega sistema, ki izvaja videonadzor javnih površin, mora v primeru, ko videonadzorni sistem posname dogodek, ki ogroža zdravje ali življenje posameznika, o tem nemudoma obvestiti policijo ali drug pristojni subjekt.</code> | <code>Upravljavec videonadzora ni dolžan obvestiti policije, če posnetek pokaže nevaren dogodek.<br></code> | <code>1.0</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
],
"matryoshka_weights": [
1
],
"n_dims_per_step": -1
}
```
### Training Hyperparameters
#### Non-Default Hyperparameters
- `eval_strategy`: steps
- `per_device_train_batch_size`: 16
- `per_device_eval_batch_size`: 16
- `warmup_ratio`: 0.1
- `bf16`: True
- `batch_sampler`: no_duplicates
#### All Hyperparameters
<details><summary>Click to expand</summary>
- `overwrite_output_dir`: False
- `do_predict`: False
- `eval_strategy`: steps
- `prediction_loss_only`: True
- `per_device_train_batch_size`: 16
- `per_device_eval_batch_size`: 16
- `gradient_accumulation_steps`: 1
- `eval_accumulation_steps`: None
- `torch_empty_cache_steps`: None
- `learning_rate`: 5e-05
- `weight_decay`: 0.0
- `adam_beta1`: 0.9
- `adam_beta2`: 0.999
- `adam_epsilon`: 1e-08
- `max_grad_norm`: 1.0
- `num_train_epochs`: 3
- `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
- `use_cpu`: False
- `seed`: 42
- `data_seed`: None
- `jit_mode_eval`: False
- `bf16`: True
- `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
- `debug`: []
- `dataloader_drop_last`: False
- `dataloader_num_workers`: 0
- `dataloader_prefetch_factor`: None
- `past_index`: -1
- `disable_tqdm`: False
- `remove_unused_columns`: True
- `label_names`: None
- `load_best_model_at_end`: False
- `ignore_data_skip`: False
- `fsdp`: []
- `fsdp_config`: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': 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
- `deepspeed`: None
- `label_smoothing_factor`: 0.0
- `optim`: adamw_torch_fused
- `optim_args`: None
- `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`: True
- `dataloader_persistent_workers`: False
- `skip_memory_metrics`: True
- `use_legacy_prediction_loop`: False
- `push_to_hub`: False
- `resume_from_checkpoint`: None
- `hub_model_id`: None
- `hub_strategy`: every_save
- `hub_private_repo`: None
- `hub_always_push`: False
- `hub_revision`: None
- `gradient_checkpointing`: False
- `gradient_checkpointing_kwargs`: None
- `include_for_metrics`: []
- `eval_do_concat_batches`: True
- `mp_parameters`:
- `auto_find_batch_size`: False
- `full_determinism`: False
- `ray_scope`: last
- `ddp_timeout`: 1800
- `torch_compile`: False
- `torch_compile_backend`: None
- `torch_compile_mode`: None
- `include_tokens_per_second`: False
- `include_num_input_tokens_seen`: no
- `neftune_noise_alpha`: None
- `optim_target_modules`: None
- `batch_eval_metrics`: False
- `eval_on_start`: False
- `use_liger_kernel`: False
- `liger_kernel_config`: None
- `eval_use_gather_object`: False
- `average_tokens_across_devices`: True
- `prompts`: None
- `batch_sampler`: no_duplicates
- `multi_dataset_batch_sampler`: proportional
- `router_mapping`: {}
- `learning_rate_mapping`: {}
</details>
### Training Logs
| Epoch | Step | Training Loss | Validation Loss | validation-dev_spearman_cosine |
|:------:|:----:|:-------------:|:---------------:|:------------------------------:|
| 0.3378 | 25 | - | 0.3447 | 0.0390 |
| 0.6757 | 50 | - | 0.2570 | -0.0466 |
| 1.0135 | 75 | - | 0.2282 | -0.0269 |
| 1.3514 | 100 | 0.3073 | 0.1797 | 0.0677 |
| 1.6892 | 125 | - | 0.2085 | 0.0184 |
| 2.0270 | 150 | - | 0.1725 | 0.0479 |
| 2.3649 | 175 | - | 0.1636 | 0.0183 |
| 2.7027 | 200 | 0.0371 | 0.1707 | 0.0193 |
### Framework Versions
- Python: 3.10.12
- Sentence Transformers: 5.1.2
- Transformers: 4.57.0.dev0
- PyTorch: 2.9.0+cu128
- Accelerate: 1.10.1
- Datasets: 4.1.1
- Tokenizers: 0.22.1
## Citation
### BibTeX
#### Sentence Transformers
```bibtex
@inproceedings{reimers-2019-sentence-bert,
title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",
author = "Reimers, Nils and Gurevych, Iryna",
booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing",
month = "11",
year = "2019",
publisher = "Association for Computational Linguistics",
url = "https://arxiv.org/abs/1908.10084",
}
```
#### 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.*
--> |