Hugging Face's logo

meandyou200175
/
e5-query-sql

Sentence Similarity
sentence-transformers
Safetensors
roberta
feature-extraction
Generated from Trainer
dataset_size:10494
loss:MultipleNegativesRankingLoss
Eval Results (legacy)
text-embeddings-inference
Model card Files
xet
 Community
meandyou200175 commited on
Commit
88bb101
·
verified ·
1 Parent(s): 57304dc

Add new SentenceTransformer model

Browse files
Files changed (12) hide show
  1. .gitattributes +1 -0
  2. 1_Pooling/config.json +10 -0
  3. README.md +1127 -0
  4. config.json +27 -0
  5. config_sentence_transformers.json +10 -0
  6. model.safetensors +3 -0
  7. modules.json +20 -0
  8. sentence_bert_config.json +4 -0
  9. sentencepiece.bpe.model +3 -0
  10. special_tokens_map.json +51 -0
  11. tokenizer.json +3 -0
  12. tokenizer_config.json +55 -0
.gitattributes CHANGED
@@ -33,3 +33,4 @@ saved_model/**/* filter=lfs diff=lfs merge=lfs -text
33
  *.zip filter=lfs diff=lfs merge=lfs -text
34
  *.zst filter=lfs diff=lfs merge=lfs -text
35
  *tfevents* filter=lfs diff=lfs merge=lfs -text
 
 
33
  *.zip filter=lfs diff=lfs merge=lfs -text
34
  *.zst filter=lfs diff=lfs merge=lfs -text
35
  *tfevents* filter=lfs diff=lfs merge=lfs -text
36
+ tokenizer.json filter=lfs diff=lfs merge=lfs -text
1_Pooling/config.json ADDED
@@ -0,0 +1,10 @@
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "word_embedding_dimension": 768,
3
+ "pooling_mode_cls_token": false,
4
+ "pooling_mode_mean_tokens": true,
5
+ "pooling_mode_max_tokens": false,
6
+ "pooling_mode_mean_sqrt_len_tokens": false,
7
+ "pooling_mode_weightedmean_tokens": false,
8
+ "pooling_mode_lasttoken": false,
9
+ "include_prompt": true
10
+ }
README.md ADDED
@@ -0,0 +1,1127 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ ---
2
+ tags:
3
+ - sentence-transformers
4
+ - sentence-similarity
5
+ - feature-extraction
6
+ - generated_from_trainer
7
+ - dataset_size:10481
8
+ - loss:MultipleNegativesRankingLoss
9
+ base_model: intfloat/multilingual-e5-base
10
+ widget:
11
+ - source_sentence: mình cần máy sấy tóc công suất lớn hơn 1995W
12
+ sentences:
13
+ - 'Máy sấy tóc Philips HP8230, Công suất 1600W, 2 chế độ gió, Giá: 620.000'
14
+ - 'Máy sấy tóc Philips HP8230, Công suất 1000W, 2 chế độ gió, Giá: 620.000'
15
+ - 'Máy sấy tóc Philips HP8230, Công suất 1100W, 2 chế độ gió, Giá: 620.000'
16
+ - 'Máy sấy tóc Philips HP8230, Công suất 1800W, 2 chế độ gió, Giá: 620.000'
17
+ - Nồi chiên không dầu Philips HD9650, dung tích lớn 5.5L đủ chế biến gà nguyên con,
18
+ công suất 1700W giúp nấu chín nhanh, công nghệ Rapid Air giảm 85% lượng dầu mỡ,
19
+ vỏ ngoài phủ chống bám bẩn, khay chiên phủ chống dính, bảng điều khiển cảm ứng,
20
+ hẹn giờ 60 phút, có 7 chế độ nấu tự động, bảo hành 24 tháng, Giá 3.990.000
21
+ - 'Smart TV Samsung 43AU7000, 4K UHD, HDR10+, Giá: 7.900.000'
22
+ - 'Máy sấy tóc Philips HP8230, Công suất 1400W, 2 chế độ gió, Giá: 620.000'
23
+ - 'Máy sưởi dầu FujiE OFR4411, Công suất 1200W, 11 thanh nhiệt, Giá: 2.200.000'
24
+ - 'Máy ép chậm Kuvings EVO820, Công suất 200W, Ống tiếp nguyên liệu lớn, Giá: 7.900.000'
25
+ - 'Máy sấy tóc Philips HP8230, Công suất 1500W, 2 chế độ gió, Giá: 620.000'
26
+ - Lò nướng Sunhouse SHD4230, dung tích 35L, công suất 1500W, Giá 950.000
27
+ - 'Điều hòa Daikin 12.000 BTU (~3.52kW), độ ồn 40dB, Inverter tiết kiệm điện, Giá:
28
+ 13.200.000'
29
+ - 'Máy sấy tóc Philips HP8230, Công suất 1300W, 2 chế độ gió, Giá: 620.000'
30
+ - 'Máy sấy tóc Philips HP8230, Công suất 1700W, 2 chế độ gió, Giá: 620.000'
31
+ - 'Đồng hồ Orient Star RE-AT0101L, Automatic, Kính sapphire, Giá: 14.500.000'
32
+ - 'Máy sấy tóc Philips HP8230, Công suất 2100W, 2 chế độ gió, Giá: 620.000'
33
+ - source_sentence: có đồng hồ cơ khả năng trữ cót tối thiểu 35 giờ
34
+ sentences:
35
+ - 'Đồng hồ thông minh Huawei Watch Fit, pin 16 giờ (~960 phút), chống nước IP68,
36
+ theo dõi thể thao, Giá: 3.200.000'
37
+ - 'Đồng hồ Seiko 5 SNK809, Automatic, Trữ cót 29.0 giờ, Giá: 4.200.000'
38
+ - 'Đồng hồ Seiko 5 SNK809, Automatic, Trữ cót 25.5 giờ, Giá: 4.200.000'
39
+ - 'Đồng hồ Seiko 5 SNK809, Automatic, Trữ cót 19.1 giờ, Giá: 4.200.000'
40
+ - 'Ultrabook Dell XPS 13 Plus, RAM 32GB, SSD 1TB, Nặng 1.3kg, Giá: 24.500.000'
41
+ - 'Điều hòa Panasonic Inverter 1.5HP, Công suất 12.700 BTU, Công nghệ NanoeX, Giá:
42
+ 18.200.000'
43
+ - 'Đồng hồ Seiko 5 SNK809, Automatic, Trữ cót 31.3 giờ, Giá: 4.200.000'
44
+ - 'Đồng hồ Seiko 5 SNK809, Automatic, Trữ cót 18.6 giờ, Giá: 4.200.000'
45
+ - 'Đồng hồ Seiko 5 SNK809, Automatic, Trữ cót 40 giờ, Giá: 4.200.000'
46
+ - Ghế massage Daikiosan DK-180, công suất 120W, nhiều chế độ, Giá 3.950.000
47
+ - 'Bàn ủi Philips GC2990, công suất 1800W, đế chống dính, Giá: 680.000'
48
+ - 'Đồng hồ Seiko 5 SNK809, Automatic, Trữ cót 25.4 giờ, Giá: 4.200.000'
49
+ - 'Đồng hồ Seiko 5 SNK809, Automatic, Trữ cót 19.0 giờ, Giá: 4.200.000'
50
+ - 'Đồng hồ Seiko 5 SNK809, Automatic, Trữ cót 17.6 giờ, Giá: 4.200.000'
51
+ - 'Đồng hồ Seiko 5 SNK809, Automatic, Trữ cót 20.9 giờ, Giá: 4.200.000'
52
+ - 'Đồng hồ Seiko 5 SNK809, Automatic, Trữ cót 26.4 giờ, Giá: 4.200.000'
53
+ - source_sentence: mình cần loa karaoke công suất trên 400W, Bluetooth và giá nhỏ
54
+ hơn 14 triệu
55
+ sentences:
56
+ - 'Tủ lạnh Side by Side Samsung 564L, Inverter, Làm đá tự động, Giá: 21.500.000'
57
+ - Đèn năng lượng Sunhouse SH-SOL35, công suất 28W, pin lithium 12V, IPX6 chống nước,
58
+ Giá 670.000
59
+ - 'Loa karaoke Paramax P1000, Công suất 420W, Kết nối không dây, Giá: 15.000.000'
60
+ - 'Bếp từ Electrolux ETD29, công suất 1800W, hẹn giờ 3h, Giá: 850.000'
61
+ - 'Loa karaoke Paramax P1000, Công suất 420W, Kết nối không dây, Giá: 9.500.000'
62
+ - 'Loa karaoke Paramax P1000, Công suất 420W, Kết nối không dây, Giá: 18.000.000'
63
+ - 'Loa karaoke Paramax P1000, Công suất 420W, Kết nối không dây, Giá: 16.000.000'
64
+ - 'Ultrabook ASUS Zenbook 14 OLED, RAM 16GB, SSD 512GB, Trọng lượng 1.4kg, Giá:
65
+ 22.500.000'
66
+ - 'Loa karaoke Paramax P1000, Công suất 420W, Kết nối không dây, Giá: 19.000.000'
67
+ - 'Lò nướng Electrolux EOT40DB, Dung tích 40L, Công suất 2000W, Giá: 3.500.000'
68
+ - 'Máy tính xách tay ASUS Zenbook 14 OLED UX3402, Trọng lượng: 1.4kg, CPU: i5-1240P,
69
+ RAM 16GB, SSD 512GB, Màn OLED 2.8K, Giá: 23,990,000'
70
+ - 'Loa karaoke Paramax P1000, Công suất 420W, Kết nối không dây, Giá: 17.000.000'
71
+ - 'Ghế công thái học Sihoo M18, Tải trọng 150kg, Tựa lưng lưới, Giá: 3.800.000'
72
+ - 'Máy giặt Electrolux 9kg, công suất 1800W, cửa trước, Giá: 10.800.000'
73
+ - 'Loa karaoke Paramax P1000, Công suất 420W, Kết nối không dây, Giá: 20.000.000'
74
+ - 'Loa karaoke Paramax P1000, Công suất 420W, Kết nối không dây, Giá: 21.000.000'
75
+ - source_sentence: cho tôi balo chống nước dung tích 33L, giá dưới 900.000
76
+ sentences:
77
+ - 'Balo Nike Essentials, dung tích 25L, chống nước, Giá: 1.246.000'
78
+ - 'Balo Nike Essentials, dung tích 25L, chống nước, Giá: 1.325.000'
79
+ - 'Balo Nike Essentials, dung tích 25L, chống nước, Giá: 880.000'
80
+ - 'Sữa tươi tiệt trùng Vinamilk 1.5L, 100% sữa bò tươi, Bổ sung vitamin D3 & canxi,
81
+ Hạn dùng: 6 tháng, Giá: 58.000'
82
+ - 'Balo Nike Essentials, dung tích 25L, chống nước, Giá: 1.005.000'
83
+ - 'Balo Nike Essentials, dung tích 25L, chống nước, Giá: 1.018.000'
84
+ - 'Balo Nike Essentials, dung tích 25L, chống nước, Giá: 974.000'
85
+ - 'Balo Nike Essentials, dung tích 25L, chống nước, Giá: 1.183.000'
86
+ - 'Balo Nike Essentials, dung tích 25L, chống nước, Giá: 1.319.000'
87
+ - 'Ghế massage Daikiosan DK-180, công suất 120W, nhiều chế độ, Giá: 3.950.000'
88
+ - 'Balo Nike Essentials, dung tích 25L, chống nước, Giá: 1.242.000'
89
+ - Bình nước nóng Ferroli QQE22, dung tích 20L, điện áp 220V, Giá 1.700.000
90
+ - 'Smartphone Samsung Galaxy A34, Màn 6.6" AMOLED, Pin 5000mAh, Giá: 11.900.000'
91
+ - 'Balo Nike Essentials, dung tích 25L, chống nước, Giá: 1.285.000'
92
+ - 'Balo Nike Essentials, dung tích 25L, chống nước, Giá: 1.202.000'
93
+ - 'Máy sấy tóc Philips HP8230, Công suất 2100W, 2 tốc độ, Giá: 950.000'
94
+ - source_sentence: mình muốn điện thoại pin lớn hơn 4500mAh
95
+ sentences:
96
+ - 'Lò nướng Sunhouse SHD4240, dung tích 35L, công suất 1600W, Giá: 1.050.000'
97
+ - 'Bếp từ đôi Sunhouse SHB9108, Mặt kính cường lực, Công suất 4000W, Giá: 4.500.000'
98
+ - 'Điện thoại Samsung Galaxy M34, Pin: 3200mAh, Màn hình: 6.6" AMOLED 120Hz, Camera
99
+ 50MP OIS, RAM 8GB, Bộ nhớ: 128GB, Giá: 7.490.000'
100
+ - 'Lò vi sóng Sharp R-20A1(S), Dung tích 19L, 5 mức công suất, Giá: 1.200.000'
101
+ - 'Điện thoại Samsung Galaxy M34, Pin: 4200mAh, Màn hình: 6.6" AMOLED 120Hz, Camera
102
+ 50MP OIS, RAM 8GB, Bộ nhớ: 128GB, Giá: 7.490.000'
103
+ - 'Laptop MSI GF65 Thin, RTX 3.060, Intel i7, Màn 15.6" FHD 144Hz, Giá: 28.500.000'
104
+ - 'Điện thoại Samsung Galaxy M34, Pin: 2400mAh, Màn hình: 6.6" AMOLED 120Hz, Camera
105
+ 50MP OIS, RAM 8GB, Bộ nhớ: 128GB, Giá: 7.490.000'
106
+ - 'Điện thoại Samsung Galaxy M34, Pin: 3300mAh, Màn hình: 6.6" AMOLED 120Hz, Camera
107
+ 50MP OIS, RAM 8GB, Bộ nhớ: 128GB, Giá: 7.490.000'
108
+ - 'Điện thoại Samsung Galaxy M34, Pin: 3100mAh, Màn hình: 6.6" AMOLED 120Hz, Camera
109
+ 50MP OIS, RAM 8GB, Bộ nhớ: 128GB, Giá: 7.490.000'
110
+ - 'Điện thoại Samsung Galaxy M34, Pin: 2300mAh, Màn hình: 6.6" AMOLED 120Hz, Camera
111
+ 50MP OIS, RAM 8GB, Bộ nhớ: 128GB, Giá: 7.490.000'
112
+ - 'Điện thoại Samsung Galaxy M34, Pin: 3900mAh, Màn hình: 6.6" AMOLED 120Hz, Camera
113
+ 50MP OIS, RAM 8GB, Bộ nhớ: 128GB, Giá: 7.490.000'
114
+ - 'Điện thoại Samsung Galaxy M34, Pin: 3600mAh, Màn hình: 6.6" AMOLED 120Hz, Camera
115
+ 50MP OIS, RAM 8GB, Bộ nhớ: 128GB, Giá: 7.490.000'
116
+ - 'Ghế gaming DXRacer Formula, Tải trọng 150kg, Da PU, Giá: 6.900.000'
117
+ - 'Điện thoại Samsung Galaxy M34, Pin: 6000mAh, Màn hình: 6.6" AMOLED 120Hz, Camera
118
+ 50MP OIS, RAM 8GB, Bộ nhớ: 128GB, Giá: 7.490.000'
119
+ - 'Máy lọc nước Karofi KAD-X45, Công suất lọc 20L/h, 10 lõi lọc, Giá: 9.800.000'
120
+ - 'Nồi cơm điện Sharp 1.8L, công suất 700W, Giá: 650.000'
121
+ pipeline_tag: sentence-similarity
122
+ library_name: sentence-transformers
123
+ metrics:
124
+ - cosine_accuracy@1
125
+ - cosine_accuracy@2
126
+ - cosine_accuracy@5
127
+ - cosine_accuracy@10
128
+ - cosine_accuracy@100
129
+ - cosine_precision@1
130
+ - cosine_precision@2
131
+ - cosine_precision@5
132
+ - cosine_precision@10
133
+ - cosine_precision@100
134
+ - cosine_recall@1
135
+ - cosine_recall@2
136
+ - cosine_recall@5
137
+ - cosine_recall@10
138
+ - cosine_recall@100
139
+ - cosine_ndcg@10
140
+ - cosine_mrr@1
141
+ - cosine_mrr@2
142
+ - cosine_mrr@5
143
+ - cosine_mrr@10
144
+ - cosine_mrr@100
145
+ - cosine_map@100
146
+ model-index:
147
+ - name: SentenceTransformer based on intfloat/multilingual-e5-base
148
+ results:
149
+ - task:
150
+ type: information-retrieval
151
+ name: Information Retrieval
152
+ dataset:
153
+ name: Unknown
154
+ type: unknown
155
+ metrics:
156
+ - type: cosine_accuracy@1
157
+ value: 0.4429184549356223
158
+ name: Cosine Accuracy@1
159
+ - type: cosine_accuracy@2
160
+ value: 0.6789699570815451
161
+ name: Cosine Accuracy@2
162
+ - type: cosine_accuracy@5
163
+ value: 0.9330472103004291
164
+ name: Cosine Accuracy@5
165
+ - type: cosine_accuracy@10
166
+ value: 0.9888412017167382
167
+ name: Cosine Accuracy@10
168
+ - type: cosine_accuracy@100
169
+ value: 0.9991416309012876
170
+ name: Cosine Accuracy@100
171
+ - type: cosine_precision@1
172
+ value: 0.4429184549356223
173
+ name: Cosine Precision@1
174
+ - type: cosine_precision@2
175
+ value: 0.33948497854077253
176
+ name: Cosine Precision@2
177
+ - type: cosine_precision@5
178
+ value: 0.18660944206008587
179
+ name: Cosine Precision@5
180
+ - type: cosine_precision@10
181
+ value: 0.09888412017167382
182
+ name: Cosine Precision@10
183
+ - type: cosine_precision@100
184
+ value: 0.009991416309012876
185
+ name: Cosine Precision@100
186
+ - type: cosine_recall@1
187
+ value: 0.4429184549356223
188
+ name: Cosine Recall@1
189
+ - type: cosine_recall@2
190
+ value: 0.6789699570815451
191
+ name: Cosine Recall@2
192
+ - type: cosine_recall@5
193
+ value: 0.9330472103004291
194
+ name: Cosine Recall@5
195
+ - type: cosine_recall@10
196
+ value: 0.9888412017167382
197
+ name: Cosine Recall@10
198
+ - type: cosine_recall@100
199
+ value: 0.9991416309012876
200
+ name: Cosine Recall@100
201
+ - type: cosine_ndcg@10
202
+ value: 0.7269134630903836
203
+ name: Cosine Ndcg@10
204
+ - type: cosine_mrr@1
205
+ value: 0.4429184549356223
206
+ name: Cosine Mrr@1
207
+ - type: cosine_mrr@2
208
+ value: 0.5609442060085837
209
+ name: Cosine Mrr@2
210
+ - type: cosine_mrr@5
211
+ value: 0.6330472103004304
212
+ name: Cosine Mrr@5
213
+ - type: cosine_mrr@10
214
+ value: 0.6410307241637723
215
+ name: Cosine Mrr@10
216
+ - type: cosine_mrr@100
217
+ value: 0.6415897807425317
218
+ name: Cosine Mrr@100
219
+ - type: cosine_map@100
220
+ value: 0.6415897807425308
221
+ name: Cosine Map@100
222
+ ---
223
+
224
+ # SentenceTransformer based on intfloat/multilingual-e5-base
225
+
226
+ This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [intfloat/multilingual-e5-base](https://huggingface.co/intfloat/multilingual-e5-base). 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.
227
+
228
+ ## Model Details
229
+
230
+ ### Model Description
231
+ - **Model Type:** Sentence Transformer
232
+ - **Base model:** [intfloat/multilingual-e5-base](https://huggingface.co/intfloat/multilingual-e5-base) <!-- at revision 835193815a3936a24a0ee7dc9e3d48c1fbb19c55 -->
233
+ - **Maximum Sequence Length:** 512 tokens
234
+ - **Output Dimensionality:** 768 dimensions
235
+ - **Similarity Function:** Cosine Similarity
236
+ <!-- - **Training Dataset:** Unknown -->
237
+ <!-- - **Language:** Unknown -->
238
+ <!-- - **License:** Unknown -->
239
+
240
+ ### Model Sources
241
+
242
+ - **Documentation:** [Sentence Transformers Documentation](https://sbert.net)
243
+ - **Repository:** [Sentence Transformers on GitHub](https://github.com/UKPLab/sentence-transformers)
244
+ - **Hugging Face:** [Sentence Transformers on Hugging Face](https://huggingface.co/models?library=sentence-transformers)
245
+
246
+ ### Full Model Architecture
247
+
248
+ ```
249
+ SentenceTransformer(
250
+ (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: XLMRobertaModel
251
+ (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})
252
+ (2): Normalize()
253
+ )
254
+ ```
255
+
256
+ ## Usage
257
+
258
+ ### Direct Usage (Sentence Transformers)
259
+
260
+ First install the Sentence Transformers library:
261
+
262
+ ```bash
263
+ pip install -U sentence-transformers
264
+ ```
265
+
266
+ Then you can load this model and run inference.
267
+ ```python
268
+ from sentence_transformers import SentenceTransformer
269
+
270
+ # Download from the 🤗 Hub
271
+ model = SentenceTransformer("meandyou200175/e5-query-sql")
272
+ # Run inference
273
+ sentences = [
274
+ 'mình muốn điện thoại pin lớn hơn 4500mAh',
275
+ 'Điện thoại Samsung Galaxy M34, Pin: 6000mAh, Màn hình: 6.6" AMOLED 120Hz, Camera 50MP OIS, RAM 8GB, Bộ nhớ: 128GB, Giá: 7.490.000',
276
+ 'Điện thoại Samsung Galaxy M34, Pin: 2300mAh, Màn hình: 6.6" AMOLED 120Hz, Camera 50MP OIS, RAM 8GB, Bộ nhớ: 128GB, Giá: 7.490.000',
277
+ ]
278
+ embeddings = model.encode(sentences)
279
+ print(embeddings.shape)
280
+ # [3, 768]
281
+
282
+ # Get the similarity scores for the embeddings
283
+ similarities = model.similarity(embeddings, embeddings)
284
+ print(similarities.shape)
285
+ # [3, 3]
286
+ ```
287
+
288
+ <!--
289
+ ### Direct Usage (Transformers)
290
+
291
+ <details><summary>Click to see the direct usage in Transformers</summary>
292
+
293
+ </details>
294
+ -->
295
+
296
+ <!--
297
+ ### Downstream Usage (Sentence Transformers)
298
+
299
+ You can finetune this model on your own dataset.
300
+
301
+ <details><summary>Click to expand</summary>
302
+
303
+ </details>
304
+ -->
305
+
306
+ <!--
307
+ ### Out-of-Scope Use
308
+
309
+ *List how the model may foreseeably be misused and address what users ought not to do with the model.*
310
+ -->
311
+
312
+ ## Evaluation
313
+
314
+ ### Metrics
315
+
316
+ #### Information Retrieval
317
+
318
+ * Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
319
+
320
+ | Metric | Value |
321
+ |:---------------------|:-----------|
322
+ | cosine_accuracy@1 | 0.4429 |
323
+ | cosine_accuracy@2 | 0.679 |
324
+ | cosine_accuracy@5 | 0.933 |
325
+ | cosine_accuracy@10 | 0.9888 |
326
+ | cosine_accuracy@100 | 0.9991 |
327
+ | cosine_precision@1 | 0.4429 |
328
+ | cosine_precision@2 | 0.3395 |
329
+ | cosine_precision@5 | 0.1866 |
330
+ | cosine_precision@10 | 0.0989 |
331
+ | cosine_precision@100 | 0.01 |
332
+ | cosine_recall@1 | 0.4429 |
333
+ | cosine_recall@2 | 0.679 |
334
+ | cosine_recall@5 | 0.933 |
335
+ | cosine_recall@10 | 0.9888 |
336
+ | cosine_recall@100 | 0.9991 |
337
+ | **cosine_ndcg@10** | **0.7269** |
338
+ | cosine_mrr@1 | 0.4429 |
339
+ | cosine_mrr@2 | 0.5609 |
340
+ | cosine_mrr@5 | 0.633 |
341
+ | cosine_mrr@10 | 0.641 |
342
+ | cosine_mrr@100 | 0.6416 |
343
+ | cosine_map@100 | 0.6416 |
344
+
345
+ <!--
346
+ ## Bias, Risks and Limitations
347
+
348
+ *What are the known or foreseeable issues stemming from this model? You could also flag here known failure cases or weaknesses of the model.*
349
+ -->
350
+
351
+ <!--
352
+ ### Recommendations
353
+
354
+ *What are recommendations with respect to the foreseeable issues? For example, filtering explicit content.*
355
+ -->
356
+
357
+ ## Training Details
358
+
359
+ ### Training Dataset
360
+
361
+ #### Unnamed Dataset
362
+
363
+ * Size: 10,481 training samples
364
+ * Columns: <code>query</code>, <code>positive</code>, <code>negative_1</code>, <code>negative_2</code>, <code>negative_3</code>, <code>negative_4</code>, <code>negative_5</code>, <code>negative_6</code>, <code>negative_7</code>, <code>negative_8</code>, <code>negative_9</code>, <code>negative_10</code>, <code>negative_11</code>, <code>negative_12</code>, <code>negative_13</code>, <code>negative_14</code>, and <code>negative_15</code>
365
+ * Approximate statistics based on the first 1000 samples:
366
+ | | query | positive | negative_1 | negative_2 | negative_3 | negative_4 | negative_5 | negative_6 | negative_7 | negative_8 | negative_9 | negative_10 | negative_11 | negative_12 | negative_13 | negative_14 | negative_15 |
367
+ |:--------|:----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|
368
+ | type | string | string | string | string | string | string | string | string | string | string | string | string | string | string | string | string | string |
369
+ | details | <ul><li>min: 6 tokens</li><li>mean: 14.76 tokens</li><li>max: 28 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 28.23 tokens</li><li>max: 95 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 28.39 tokens</li><li>max: 89 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 28.58 tokens</li><li>max: 89 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 28.44 tokens</li><li>max: 89 tokens</li></ul> | <ul><li>min: 19 tokens</li><li>mean: 28.52 tokens</li><li>max: 89 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 28.29 tokens</li><li>max: 86 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 28.28 tokens</li><li>max: 86 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 28.39 tokens</li><li>max: 99 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 28.48 tokens</li><li>max: 112 tokens</li></ul> | <ul><li>min: 17 tokens</li><li>mean: 28.43 tokens</li><li>max: 86 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 28.47 tokens</li><li>max: 107 tokens</li></ul> | <ul><li>min: 17 tokens</li><li>mean: 28.15 tokens</li><li>max: 112 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 28.31 tokens</li><li>max: 112 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 28.18 tokens</li><li>max: 112 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 28.09 tokens</li><li>max: 89 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 27.97 tokens</li><li>max: 89 tokens</li></ul> |
370
+ * Samples:
371
+ | query | positive | negative_1 | negative_2 | negative_3 | negative_4 | negative_5 | negative_6 | negative_7 | negative_8 | negative_9 | negative_10 | negative_11 | negative_12 | negative_13 | negative_14 | negative_15 |
372
+ |:----------------------------------------------------------------------|:------------------------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------------------------|
373
+ | <code>có loa bluetooth công suất lớn hơn 32W không</code> | <code>Loa JBL Charge 5, Công suất 40W, Pin 20h, Kháng nước IP67, Bluetooth 5.1, Giá: 3.990.000</code> | <code>Loa JBL Charge 5, Công suất 28.1W, Pin 20h, Kháng nước IP67, Bluetooth 5.1, Giá: 3.990.000</code> | <code>Loa JBL Charge 5, Công suất 23.2W, Pin 20h, Kháng nước IP67, Bluetooth 5.1, Giá: 3.990.000</code> | <code>Loa JBL Charge 5, Công suất 25.8W, Pin 20h, Kháng nước IP67, Bluetooth 5.1, Giá: 3.990.000</code> | <code>Loa JBL Charge 5, Công suất 20.0W, Pin 20h, Kháng nước IP67, Bluetooth 5.1, Giá: 3.990.000</code> | <code>Loa JBL Charge 5, Công suất 26.3W, Pin 20h, Kháng nước IP67, Bluetooth 5.1, Giá: 3.990.000</code> | <code>Loa JBL Charge 5, Công suất 20.2W, Pin 20h, Kháng nước IP67, Bluetooth 5.1, Giá: 3.990.000</code> | <code>Loa JBL Charge 5, Công suất 19.6W, Pin 20h, Kháng nước IP67, Bluetooth 5.1, Giá: 3.990.000</code> | <code>Loa JBL Charge 5, Công suất 24.3W, Pin 20h, Kháng nước IP67, Bluetooth 5.1, Giá: 3.990.000</code> | <code>Loa JBL Charge 5, Công suất 27.8W, Pin 20h, Kháng nước IP67, Bluetooth 5.1, Giá: 3.990.000</code> | <code>Loa JBL Charge 5, Công suất 18.2W, Pin 20h, Kháng nước IP67, Bluetooth 5.1, Giá: 3.990.000</code> | <code>Máy sấy tóc Braun HD385, công suất 1600W, 2 tốc độ, Giá: 420.000</code> | <code>Ghế massage Daikiosan DK-180, công suất 120W, nhiều chế độ, Giá: 3.950.000</code> | <code>Xe máy điện VinFast Theon S, Vận tốc tối đa 90km/h, Pin LFP, Giá: 49.000.000</code> | <code>Chuột Logitech G305, DPI 12.000, pin 250h, Giá: 950.000</code> | <code>Đèn năng lượng mặt trời Sunhouse SH-SOL30, công suất 25W, pin lithium 12V, Giá: 650.000</code> |
374
+ | <code>mình cần smartwatch hỗ trợ eSIM và giá nhỏ hơn 14 triệu</code> | <code>Apple Watch SE 2.023 GPS+Cellular, Hỗ trợ eSIM, Giá: 7.900.000</code> | <code>Apple Watch SE 2.023 GPS+Cellular, Hỗ trợ eSIM, Giá: 21.000.000</code> | <code>Apple Watch SE 2.023 GPS+Cellular, Hỗ trợ eSIM, Giá: 20.000.000</code> | <code>Apple Watch SE 2.023 GPS+Cellular, Hỗ trợ eSIM, Giá: 19.000.000</code> | <code>Apple Watch SE 2.023 GPS+Cellular, Hỗ trợ eSIM, Giá: 18.000.000</code> | <code>Apple Watch SE 2.023 GPS+Cellular, Hỗ trợ eSIM, Giá: 17.000.000</code> | <code>Apple Watch SE 2.023 GPS+Cellular, Hỗ trợ eSIM, Giá: 16.000.000</code> | <code>Apple Watch SE 2.023 GPS+Cellular, Hỗ trợ eSIM, Giá: 15.000.000</code> | <code>Vali kéo Samsonite Aronite 20", Trọng lượng 2.3kg, ABS, Giá: 2.800.000</code> | <code>Loa vi tính Microlab M108, 2.1 kênh, Công suất 11W, Giá: 1.200.000</code> | <code>Loa kéo Temeisheng SL15-06, Công suất 250W, Bluetooth, Kèm 2 micro, Giá: 3.500.000</code> | <code>Ghế massage Daikiosan DK-180, công suất 120W, nhiều chế độ, Giá: 3.950.000</code> | <code>Tablet Samsung Galaxy Tab A8, Màn hình 10.5 inch, RAM 4GB, ROM 64GB, Giá: 6.200.000</code> | <code>Máy lọc nước Karofi Optimus Plus, Công suất 20L/h, 10 lõi lọc, Giá: 8.900.000</code> | <code>Card đồ họa NVIDIA RTX 3.060 Ti, 8GB GDDR6, Giá: 9.800.000</code> | <code>Xe đạp road Giant TCR Advanced 2, Khung carbon, Nặng 8.6kg, Giá: 38.000.000</code> |
375
+ | <code>Cho mình bàn ủi khô công suất lớn hơn 700W được không ạ?</code> | <code>Bàn ủi khô Tefal FV1020, công suất 1000W, Giá: 380.000</code> | <code>Bàn ủi khô Tefal FV1020, công suất 640W, Giá: 380.000</code> | <code>Bàn ủi khô Tefal FV1020, công suất 620W, Giá: 380.000</code> | <code>Bàn ủi kh�� Tefal FV1020, công suất 590W, Giá: 380.000</code> | <code>Bàn ủi khô Tefal FV1020, công suất 400W, Giá: 380.000</code> | <code>Bàn ủi khô Tefal FV1020, công suất 480W, Giá: 380.000</code> | <code>Bàn ủi khô Tefal FV1020, công suất 370W, Giá: 380.000</code> | <code>Bàn ủi khô Tefal FV1020, công suất 600W, Giá: 380.000</code> | <code>Bàn ủi khô Tefal FV1020, công suất 540W, Giá: 380.000</code> | <code>Bàn ủi khô Tefal FV1020, công suất 560W, Giá: 380.000</code> | <code>Bàn ủi khô Tefal FV1020, công suất 430W, Giá: 380.000</code> | <code>Nồi áp suất điện Sunhouse SH1540, dung tích 7L, công suất 1300W, khóa an toàn, tuổi thọ 5 năm, Giá 1.070.000</code> | <code>Bàn phím Logitech K380, Kết nối Bluetooth, Nhỏ gọn, Giá: 1.200.000</code> | <code>Máy in laser HP M15w, tốc độ 19 trang/phút, kết nối Wifi, Giá: 2.950.000</code> | <code>Ghế văn phòng IKEA Markus, xoay 360°, chịu lực 120kg, Giá: 1.450.000</code> | <code>Quạt điều hòa Sunhouse SHD7727, Công suất 120W, Bình nước 35L, Giá: 3.900.000</code> |
376
+ * Loss: [<code>MultipleNegativesRankingLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters:
377
+ ```json
378
+ {
379
+ "scale": 20.0,
380
+ "similarity_fct": "cos_sim"
381
+ }
382
+ ```
383
+
384
+ ### Evaluation Dataset
385
+
386
+ #### Unnamed Dataset
387
+
388
+ * Size: 1,165 evaluation samples
389
+ * Columns: <code>query</code>, <code>positive</code>, <code>negative_1</code>, <code>negative_2</code>, <code>negative_3</code>, <code>negative_4</code>, <code>negative_5</code>, <code>negative_6</code>, <code>negative_7</code>, <code>negative_8</code>, <code>negative_9</code>, <code>negative_10</code>, <code>negative_11</code>, <code>negative_12</code>, <code>negative_13</code>, <code>negative_14</code>, and <code>negative_15</code>
390
+ * Approximate statistics based on the first 1000 samples:
391
+ | | query | positive | negative_1 | negative_2 | negative_3 | negative_4 | negative_5 | negative_6 | negative_7 | negative_8 | negative_9 | negative_10 | negative_11 | negative_12 | negative_13 | negative_14 | negative_15 |
392
+ |:--------|:----------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|
393
+ | type | string | string | string | string | string | string | string | string | string | string | string | string | string | string | string | string | string |
394
+ | details | <ul><li>min: 6 tokens</li><li>mean: 14.98 tokens</li><li>max: 28 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 28.32 tokens</li><li>max: 112 tokens</li></ul> | <ul><li>min: 19 tokens</li><li>mean: 28.54 tokens</li><li>max: 112 tokens</li></ul> | <ul><li>min: 19 tokens</li><li>mean: 28.58 tokens</li><li>max: 112 tokens</li></ul> | <ul><li>min: 19 tokens</li><li>mean: 28.6 tokens</li><li>max: 112 tokens</li></ul> | <ul><li>min: 19 tokens</li><li>mean: 28.58 tokens</li><li>max: 112 tokens</li></ul> | <ul><li>min: 19 tokens</li><li>mean: 28.76 tokens</li><li>max: 112 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 28.7 tokens</li><li>max: 112 tokens</li></ul> | <ul><li>min: 19 tokens</li><li>mean: 28.59 tokens</li><li>max: 112 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 28.52 tokens</li><li>max: 86 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 28.54 tokens</li><li>max: 86 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 28.45 tokens</li><li>max: 86 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 27.97 tokens</li><li>max: 89 tokens</li></ul> | <ul><li>min: 19 tokens</li><li>mean: 27.92 tokens</li><li>max: 112 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 28.4 tokens</li><li>max: 112 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 28.38 tokens</li><li>max: 112 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 28.11 tokens</li><li>max: 112 tokens</li></ul> |
395
+ * Samples:
396
+ | query | positive | negative_1 | negative_2 | negative_3 | negative_4 | negative_5 | negative_6 | negative_7 | negative_8 | negative_9 | negative_10 | negative_11 | negative_12 | negative_13 | negative_14 | negative_15 |
397
+ |:---------------------------------------------------------------------|:----------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------------------|
398
+ | <code>Nồi chiên không dầu công suất nhỏ hơn 1960W</code> | <code>Nồi chiên không dầu Philips HD9220, công suất 1400W, dung tích 5L, Giá 1.450.000</code> | <code>Nồi chiên không dầu Philips HD9220, công suất 2500W, dung tích 5L, Giá 1.450.000</code> | <code>Nồi chiên không dầu Philips HD9220, công suất 2100W, dung tích 5L, Giá 1.450.000</code> | <code>Nồi chiên không dầu Philips HD9220, công suất 2700W, dung tích 5L, Giá 1.450.000</code> | <code>Nồi chiên không dầu Philips HD9220, công suất 2300W, dung tích 5L, Giá 1.450.000</code> | <code>Nồi chiên không dầu Philips HD9220, công suất 2900W, dung tích 5L, Giá 1.450.000</code> | <code>Nồi chiên không dầu Philips HD9220, công suất 2800W, dung tích 5L, Giá 1.450.000</code> | <code>Nồi chiên không dầu Philips HD9220, công suất 2400W, dung tích 5L, Giá 1.450.000</code> | <code>Nồi chiên không dầu Philips HD9220, công suất 2600W, dung tích 5L, Giá 1.450.000</code> | <code>Lò vi sóng Sharp R-20A1(S), Dung tích 19L, 5 mức công suất, Giá: 1.200.000</code> | <code>Ghế thư giãn OSIM uDivine, công suất 150W, nhiều chế độ massage, Giá 5.200.000</code> | <code>Tủ đông Alaska BCD-3.568, Dung tích 360L, 2 ngăn đông-mát, Giá: 9.500.000</code> | <code>Máy xay cầm tay Philips, công suất 450W, nhiều phụ kiện, Giá: 890.000</code> | <code>Vali kéo Samsonite S’Cure, Dung tích 75L, Nhựa Polypropylene, Giá: 3.800.000</code> | <code>Bếp từ Midea MI-T2117DC, Công suất 2100W, 8 chế độ nấu, Giá: 1.750.000</code> | <code>Tủ lạnh Samsung Inverter 635L, Side by Side, Công nghệ Twin Cooling, Giá: 21.500.000</code> |
399
+ | <code>mình cần bình nóng lạnh dung tích nhỏ hơn 18 lít</code> | <code>Bình nóng lạnh Ariston Andris2 15L, Công suất 2500W, Giá: 2.600.000</code> | <code>Bình nóng lạnh Ariston Andris2 25.3L, Công suất 2500W, Giá: 2.600.000</code> | <code>Bình nóng lạnh Ariston Andris2 19.5L, Công suất 2500W, Giá: 2.600.000</code> | <code>Bình nóng lạnh Ariston Andris2 25.5L, Công suất 2500W, Giá: 2.600.000</code> | <code>Bình nóng lạnh Ariston Andris2 26.3L, Công suất 2500W, Giá: 2.600.000</code> | <code>Bình nóng lạnh Ariston Andris2 21.6L, Công suất 2500W, Giá: 2.600.000</code> | <code>Bình nóng lạnh Ariston Andris2 22.6L, Công suất 2500W, Giá: 2.600.000</code> | <code>Bình nóng lạnh Ariston Andris2 19.1L, Công suất 2500W, Giá: 2.600.000</code> | <code>Bình nóng lạnh Ariston Andris2 23.8L, Công suất 2500W, Giá: 2.600.000</code> | <code>Bình nóng lạnh Ariston Andris2 21.2L, Công suất 2500W, Giá: 2.600.000</code> | <code>Bình nóng lạnh Ariston Andris2 21.5L, Công suất 2500W, Giá: 2.600.000</code> | <code>Ghế công thái học Sihoo M18, Tải trọng 150kg, Tựa lưng lưới, Giá: 3.800.000</code> | <code>Ghế massage Daikiosan DK-180, công suất 120W, nhiều chế độ, Giá 3.950.000</code> | <code>Bàn là hơi nước Philips GC4880, công suất 1500W, Giá 700.000</code> | <code>Máy hút bụi Panasonic MC-CG525, Công suất 1800W, Độ ồn 65dB, Túi bụi 2L, Giá: 7.500.000</code> | <code>Máy sấy tóc Philips HP8232, 2000W, 3 chế độ nhiệt, Giá: 880.000</code> |
400
+ | <code>Shop ơi, bếp từ công suất lớn hơn 1540W còn hàng không?</code> | <code>Bếp từ Sunhouse SHD6146, công suất 2200W, hẹn giờ 3h, Giá: 950.000</code> | <code>Bếp từ Sunhouse SHD6146, công suất 1100W, hẹn giờ 3h, Giá: 950.000</code> | <code>Bếp từ Sunhouse SHD6146, công suất 900W, hẹn giờ 3h, Giá: 950.000</code> | <code>Bếp từ Sunhouse SHD6146, công suất 1500W, hẹn giờ 3h, Giá: 950.000</code> | <code>Bếp từ Sunhouse SHD6146, công suất 970W, hẹn giờ 3h, Giá: 950.000</code> | <code>Bếp từ Sunhouse SHD6146, công suất 880W, hẹn giờ 3h, Giá: 950.000</code> | <code>Bếp từ Sunhouse SHD6146, công suất 1200W, hẹn giờ 3h, Giá: 950.000</code> | <code>Bếp từ Sunhouse SHD6146, công suất 780W, hẹn giờ 3h, Giá: 950.000</code> | <code>Bếp từ Sunhouse SHD6146, công suất 1400W, hẹn giờ 3h, Giá: 950.000</code> | <code>Bếp từ Sunhouse SHD6146, công suất 840W, hẹn giờ 3h, Giá: 950.000</code> | <code>Bếp từ Sunhouse SHD6146, công suất 830W, hẹn giờ 3h, Giá: 950.000</code> | <code>Robot hút bụi Xiaomi S10+, Pin 5200mAh, Lực hút 4000Pa, Điều khiển qua app, Tự động đổ rác, Giá: 9.900.000</code> | <code>Lò nướng Sanaky VH-5099S2D, Dung tích 50L, Công suất 2000W, Giá: 2.900.000</code> | <code>Smart TV Samsung UA43T6500, 43 inch Full HD, HDR, Giá: 8.900.000</code> | <code>Ghế massage toàn thân Okia X6, 12 chế độ massage, Con lăn 4D, Massage nhiệt, Giá: 28.500.000</code> | <code>Thang nhôm Nikawa NK-38, Cao 3.8m, Tải trọng 120kg, Giá: 2.400.000</code> |
401
+ * Loss: [<code>MultipleNegativesRankingLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters:
402
+ ```json
403
+ {
404
+ "scale": 20.0,
405
+ "similarity_fct": "cos_sim"
406
+ }
407
+ ```
408
+
409
+ ### Training Hyperparameters
410
+ #### Non-Default Hyperparameters
411
+
412
+ - `eval_strategy`: steps
413
+ - `per_device_train_batch_size`: 2
414
+ - `per_device_eval_batch_size`: 2
415
+ - `learning_rate`: 2e-05
416
+ - `num_train_epochs`: 10
417
+ - `warmup_ratio`: 0.1
418
+ - `fp16`: True
419
+ - `batch_sampler`: no_duplicates
420
+
421
+ #### All Hyperparameters
422
+ <details><summary>Click to expand</summary>
423
+
424
+ - `overwrite_output_dir`: False
425
+ - `do_predict`: False
426
+ - `eval_strategy`: steps
427
+ - `prediction_loss_only`: True
428
+ - `per_device_train_batch_size`: 2
429
+ - `per_device_eval_batch_size`: 2
430
+ - `per_gpu_train_batch_size`: None
431
+ - `per_gpu_eval_batch_size`: None
432
+ - `gradient_accumulation_steps`: 1
433
+ - `eval_accumulation_steps`: None
434
+ - `torch_empty_cache_steps`: None
435
+ - `learning_rate`: 2e-05
436
+ - `weight_decay`: 0.0
437
+ - `adam_beta1`: 0.9
438
+ - `adam_beta2`: 0.999
439
+ - `adam_epsilon`: 1e-08
440
+ - `max_grad_norm`: 1.0
441
+ - `num_train_epochs`: 10
442
+ - `max_steps`: -1
443
+ - `lr_scheduler_type`: linear
444
+ - `lr_scheduler_kwargs`: {}
445
+ - `warmup_ratio`: 0.1
446
+ - `warmup_steps`: 0
447
+ - `log_level`: passive
448
+ - `log_level_replica`: warning
449
+ - `log_on_each_node`: True
450
+ - `logging_nan_inf_filter`: True
451
+ - `save_safetensors`: True
452
+ - `save_on_each_node`: False
453
+ - `save_only_model`: False
454
+ - `restore_callback_states_from_checkpoint`: False
455
+ - `no_cuda`: False
456
+ - `use_cpu`: False
457
+ - `use_mps_device`: False
458
+ - `seed`: 42
459
+ - `data_seed`: None
460
+ - `jit_mode_eval`: False
461
+ - `use_ipex`: False
462
+ - `bf16`: False
463
+ - `fp16`: True
464
+ - `fp16_opt_level`: O1
465
+ - `half_precision_backend`: auto
466
+ - `bf16_full_eval`: False
467
+ - `fp16_full_eval`: False
468
+ - `tf32`: None
469
+ - `local_rank`: 0
470
+ - `ddp_backend`: None
471
+ - `tpu_num_cores`: None
472
+ - `tpu_metrics_debug`: False
473
+ - `debug`: []
474
+ - `dataloader_drop_last`: False
475
+ - `dataloader_num_workers`: 0
476
+ - `dataloader_prefetch_factor`: None
477
+ - `past_index`: -1
478
+ - `disable_tqdm`: False
479
+ - `remove_unused_columns`: True
480
+ - `label_names`: None
481
+ - `load_best_model_at_end`: False
482
+ - `ignore_data_skip`: False
483
+ - `fsdp`: []
484
+ - `fsdp_min_num_params`: 0
485
+ - `fsdp_config`: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
486
+ - `fsdp_transformer_layer_cls_to_wrap`: None
487
+ - `accelerator_config`: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
488
+ - `deepspeed`: None
489
+ - `label_smoothing_factor`: 0.0
490
+ - `optim`: adamw_torch
491
+ - `optim_args`: None
492
+ - `adafactor`: False
493
+ - `group_by_length`: False
494
+ - `length_column_name`: length
495
+ - `ddp_find_unused_parameters`: None
496
+ - `ddp_bucket_cap_mb`: None
497
+ - `ddp_broadcast_buffers`: False
498
+ - `dataloader_pin_memory`: True
499
+ - `dataloader_persistent_workers`: False
500
+ - `skip_memory_metrics`: True
501
+ - `use_legacy_prediction_loop`: False
502
+ - `push_to_hub`: False
503
+ - `resume_from_checkpoint`: None
504
+ - `hub_model_id`: None
505
+ - `hub_strategy`: every_save
506
+ - `hub_private_repo`: None
507
+ - `hub_always_push`: False
508
+ - `gradient_checkpointing`: False
509
+ - `gradient_checkpointing_kwargs`: None
510
+ - `include_inputs_for_metrics`: False
511
+ - `include_for_metrics`: []
512
+ - `eval_do_concat_batches`: True
513
+ - `fp16_backend`: auto
514
+ - `push_to_hub_model_id`: None
515
+ - `push_to_hub_organization`: None
516
+ - `mp_parameters`:
517
+ - `auto_find_batch_size`: False
518
+ - `full_determinism`: False
519
+ - `torchdynamo`: None
520
+ - `ray_scope`: last
521
+ - `ddp_timeout`: 1800
522
+ - `torch_compile`: False
523
+ - `torch_compile_backend`: None
524
+ - `torch_compile_mode`: None
525
+ - `include_tokens_per_second`: False
526
+ - `include_num_input_tokens_seen`: False
527
+ - `neftune_noise_alpha`: None
528
+ - `optim_target_modules`: None
529
+ - `batch_eval_metrics`: False
530
+ - `eval_on_start`: False
531
+ - `use_liger_kernel`: False
532
+ - `eval_use_gather_object`: False
533
+ - `average_tokens_across_devices`: False
534
+ - `prompts`: None
535
+ - `batch_sampler`: no_duplicates
536
+ - `multi_dataset_batch_sampler`: proportional
537
+
538
+ </details>
539
+
540
+ ### Training Logs
541
+ <details><summary>Click to expand</summary>
542
+
543
+ | Epoch | Step | Training Loss | Validation Loss | cosine_ndcg@10 |
544
+ |:------:|:-----:|:-------------:|:---------------:|:--------------:|
545
+ | -1 | -1 | - | - | 0.3637 |
546
+ | 0.0191 | 100 | 2.9002 | - | - |
547
+ | 0.0382 | 200 | 2.7698 | - | - |
548
+ | 0.0572 | 300 | 2.5157 | - | - |
549
+ | 0.0763 | 400 | 2.2458 | - | - |
550
+ | 0.0954 | 500 | 2.1617 | - | - |
551
+ | 0.1145 | 600 | 2.0503 | - | - |
552
+ | 0.1336 | 700 | 2.0278 | - | - |
553
+ | 0.1526 | 800 | 1.8854 | - | - |
554
+ | 0.1717 | 900 | 1.6857 | - | - |
555
+ | 0.1908 | 1000 | 1.4558 | 1.2384 | 0.3814 |
556
+ | 0.2099 | 1100 | 1.3841 | - | - |
557
+ | 0.2290 | 1200 | 1.387 | - | - |
558
+ | 0.2480 | 1300 | 1.0758 | - | - |
559
+ | 0.2671 | 1400 | 0.9779 | - | - |
560
+ | 0.2862 | 1500 | 0.9291 | - | - |
561
+ | 0.3053 | 1600 | 1.0014 | - | - |
562
+ | 0.3244 | 1700 | 0.8784 | - | - |
563
+ | 0.3434 | 1800 | 1.183 | - | - |
564
+ | 0.3625 | 1900 | 1.1871 | - | - |
565
+ | 0.3816 | 2000 | 0.9489 | 0.8386 | 0.4113 |
566
+ | 0.4007 | 2100 | 0.8987 | - | - |
567
+ | 0.4198 | 2200 | 0.8872 | - | - |
568
+ | 0.4388 | 2300 | 0.7813 | - | - |
569
+ | 0.4579 | 2400 | 0.7183 | - | - |
570
+ | 0.4770 | 2500 | 0.735 | - | - |
571
+ | 0.4961 | 2600 | 0.8109 | - | - |
572
+ | 0.5152 | 2700 | 0.8004 | - | - |
573
+ | 0.5342 | 2800 | 0.8441 | - | - |
574
+ | 0.5533 | 2900 | 0.7384 | - | - |
575
+ | 0.5724 | 3000 | 0.663 | 0.5824 | 0.4368 |
576
+ | 0.5915 | 3100 | 0.7848 | - | - |
577
+ | 0.6106 | 3200 | 0.6514 | - | - |
578
+ | 0.6297 | 3300 | 0.653 | - | - |
579
+ | 0.6487 | 3400 | 0.6173 | - | - |
580
+ | 0.6678 | 3500 | 0.6518 | - | - |
581
+ | 0.6869 | 3600 | 0.7082 | - | - |
582
+ | 0.7060 | 3700 | 0.5296 | - | - |
583
+ | 0.7251 | 3800 | 0.6401 | - | - |
584
+ | 0.7441 | 3900 | 0.5686 | - | - |
585
+ | 0.7632 | 4000 | 0.5174 | 0.4623 | 0.4648 |
586
+ | 0.7823 | 4100 | 0.509 | - | - |
587
+ | 0.8014 | 4200 | 0.5451 | - | - |
588
+ | 0.8205 | 4300 | 0.6529 | - | - |
589
+ | 0.8395 | 4400 | 0.606 | - | - |
590
+ | 0.8586 | 4500 | 0.4703 | - | - |
591
+ | 0.8777 | 4600 | 0.3871 | - | - |
592
+ | 0.8968 | 4700 | 0.3694 | - | - |
593
+ | 0.9159 | 4800 | 0.6052 | - | - |
594
+ | 0.9349 | 4900 | 0.4994 | - | - |
595
+ | 0.9540 | 5000 | 0.5295 | 0.3654 | 0.4861 |
596
+ | 0.9731 | 5100 | 0.376 | - | - |
597
+ | 0.9922 | 5200 | 0.4518 | - | - |
598
+ | 1.0113 | 5300 | 0.3663 | - | - |
599
+ | 1.0303 | 5400 | 0.3017 | - | - |
600
+ | 1.0494 | 5500 | 0.4057 | - | - |
601
+ | 1.0685 | 5600 | 0.4226 | - | - |
602
+ | 1.0876 | 5700 | 0.3324 | - | - |
603
+ | 1.1067 | 5800 | 0.4388 | - | - |
604
+ | 1.1257 | 5900 | 0.355 | - | - |
605
+ | 1.1448 | 6000 | 0.3096 | 0.2949 | 0.4998 |
606
+ | 1.1639 | 6100 | 0.3714 | - | - |
607
+ | 1.1830 | 6200 | 0.4176 | - | - |
608
+ | 1.2021 | 6300 | 0.3608 | - | - |
609
+ | 1.2211 | 6400 | 0.2537 | - | - |
610
+ | 1.2402 | 6500 | 0.2933 | - | - |
611
+ | 1.2593 | 6600 | 0.3628 | - | - |
612
+ | 1.2784 | 6700 | 0.3228 | - | - |
613
+ | 1.2975 | 6800 | 0.3201 | - | - |
614
+ | 1.3165 | 6900 | 0.295 | - | - |
615
+ | 1.3356 | 7000 | 0.2497 | 0.2894 | 0.5251 |
616
+ | 1.3547 | 7100 | 0.3158 | - | - |
617
+ | 1.3738 | 7200 | 0.2045 | - | - |
618
+ | 1.3929 | 7300 | 0.2642 | - | - |
619
+ | 1.4119 | 7400 | 0.218 | - | - |
620
+ | 1.4310 | 7500 | 0.3238 | - | - |
621
+ | 1.4501 | 7600 | 0.3502 | - | - |
622
+ | 1.4692 | 7700 | 0.2702 | - | - |
623
+ | 1.4883 | 7800 | 0.2072 | - | - |
624
+ | 1.5073 | 7900 | 0.3926 | - | - |
625
+ | 1.5264 | 8000 | 0.2409 | 0.2043 | 0.5424 |
626
+ | 1.5455 | 8100 | 0.1817 | - | - |
627
+ | 1.5646 | 8200 | 0.3148 | - | - |
628
+ | 1.5837 | 8300 | 0.2869 | - | - |
629
+ | 1.6027 | 8400 | 0.2168 | - | - |
630
+ | 1.6218 | 8500 | 0.277 | - | - |
631
+ | 1.6409 | 8600 | 0.2506 | - | - |
632
+ | 1.6600 | 8700 | 0.1996 | - | - |
633
+ | 1.6791 | 8800 | 0.346 | - | - |
634
+ | 1.6981 | 8900 | 0.2516 | - | - |
635
+ | 1.7172 | 9000 | 0.182 | 0.2149 | 0.5575 |
636
+ | 1.7363 | 9100 | 0.2312 | - | - |
637
+ | 1.7554 | 9200 | 0.1164 | - | - |
638
+ | 1.7745 | 9300 | 0.2421 | - | - |
639
+ | 1.7936 | 9400 | 0.1071 | - | - |
640
+ | 1.8126 | 9500 | 0.2316 | - | - |
641
+ | 1.8317 | 9600 | 0.2069 | - | - |
642
+ | 1.8508 | 9700 | 0.1207 | - | - |
643
+ | 1.8699 | 9800 | 0.2211 | - | - |
644
+ | 1.8890 | 9900 | 0.2875 | - | - |
645
+ | 1.9080 | 10000 | 0.1653 | 0.1839 | 0.5875 |
646
+ | 1.9271 | 10100 | 0.1615 | - | - |
647
+ | 1.9462 | 10200 | 0.2546 | - | - |
648
+ | 1.9653 | 10300 | 0.2376 | - | - |
649
+ | 1.9844 | 10400 | 0.198 | - | - |
650
+ | 2.0034 | 10500 | 0.1437 | - | - |
651
+ | 2.0225 | 10600 | 0.1432 | - | - |
652
+ | 2.0416 | 10700 | 0.1624 | - | - |
653
+ | 2.0607 | 10800 | 0.1634 | - | - |
654
+ | 2.0798 | 10900 | 0.1494 | - | - |
655
+ | 2.0988 | 11000 | 0.1308 | 0.1630 | 0.5969 |
656
+ | 2.1179 | 11100 | 0.1971 | - | - |
657
+ | 2.1370 | 11200 | 0.1994 | - | - |
658
+ | 2.1561 | 11300 | 0.0917 | - | - |
659
+ | 2.1752 | 11400 | 0.1407 | - | - |
660
+ | 2.1942 | 11500 | 0.2446 | - | - |
661
+ | 2.2133 | 11600 | 0.1318 | - | - |
662
+ | 2.2324 | 11700 | 0.1562 | - | - |
663
+ | 2.2515 | 11800 | 0.1345 | - | - |
664
+ | 2.2706 | 11900 | 0.1431 | - | - |
665
+ | 2.2896 | 12000 | 0.1341 | 0.1446 | 0.6071 |
666
+ | 2.3087 | 12100 | 0.0826 | - | - |
667
+ | 2.3278 | 12200 | 0.1532 | - | - |
668
+ | 2.3469 | 12300 | 0.1266 | - | - |
669
+ | 2.3660 | 12400 | 0.2304 | - | - |
670
+ | 2.3850 | 12500 | 0.0947 | - | - |
671
+ | 2.4041 | 12600 | 0.1291 | - | - |
672
+ | 2.4232 | 12700 | 0.129 | - | - |
673
+ | 2.4423 | 12800 | 0.1299 | - | - |
674
+ | 2.4614 | 12900 | 0.179 | - | - |
675
+ | 2.4804 | 13000 | 0.1856 | 0.1182 | 0.6270 |
676
+ | 2.4995 | 13100 | 0.0704 | - | - |
677
+ | 2.5186 | 13200 | 0.085 | - | - |
678
+ | 2.5377 | 13300 | 0.1547 | - | - |
679
+ | 2.5568 | 13400 | 0.1329 | - | - |
680
+ | 2.5758 | 13500 | 0.1767 | - | - |
681
+ | 2.5949 | 13600 | 0.1046 | - | - |
682
+ | 2.6140 | 13700 | 0.1207 | - | - |
683
+ | 2.6331 | 13800 | 0.1126 | - | - |
684
+ | 2.6522 | 13900 | 0.1371 | - | - |
685
+ | 2.6712 | 14000 | 0.1373 | 0.0932 | 0.6377 |
686
+ | 2.6903 | 14100 | 0.142 | - | - |
687
+ | 2.7094 | 14200 | 0.1317 | - | - |
688
+ | 2.7285 | 14300 | 0.1129 | - | - |
689
+ | 2.7476 | 14400 | 0.0837 | - | - |
690
+ | 2.7666 | 14500 | 0.0973 | - | - |
691
+ | 2.7857 | 14600 | 0.1089 | - | - |
692
+ | 2.8048 | 14700 | 0.0929 | - | - |
693
+ | 2.8239 | 14800 | 0.1577 | - | - |
694
+ | 2.8430 | 14900 | 0.1123 | - | - |
695
+ | 2.8620 | 15000 | 0.0825 | 0.0941 | 0.6393 |
696
+ | 2.8811 | 15100 | 0.1417 | - | - |
697
+ | 2.9002 | 15200 | 0.1413 | - | - |
698
+ | 2.9193 | 15300 | 0.2006 | - | - |
699
+ | 2.9384 | 15400 | 0.0738 | - | - |
700
+ | 2.9575 | 15500 | 0.116 | - | - |
701
+ | 2.9765 | 15600 | 0.1135 | - | - |
702
+ | 2.9956 | 15700 | 0.1559 | - | - |
703
+ | 3.0147 | 15800 | 0.1266 | - | - |
704
+ | 3.0338 | 15900 | 0.1405 | - | - |
705
+ | 3.0529 | 16000 | 0.1126 | 0.0995 | 0.6431 |
706
+ | 3.0719 | 16100 | 0.0478 | - | - |
707
+ | 3.0910 | 16200 | 0.0298 | - | - |
708
+ | 3.1101 | 16300 | 0.0358 | - | - |
709
+ | 3.1292 | 16400 | 0.0869 | - | - |
710
+ | 3.1483 | 16500 | 0.1412 | - | - |
711
+ | 3.1673 | 16600 | 0.0785 | - | - |
712
+ | 3.1864 | 16700 | 0.104 | - | - |
713
+ | 3.2055 | 16800 | 0.0714 | - | - |
714
+ | 3.2246 | 16900 | 0.0596 | - | - |
715
+ | 3.2437 | 17000 | 0.1005 | 0.0846 | 0.6388 |
716
+ | 3.2627 | 17100 | 0.0325 | - | - |
717
+ | 3.2818 | 17200 | 0.1003 | - | - |
718
+ | 3.3009 | 17300 | 0.0558 | - | - |
719
+ | 3.3200 | 17400 | 0.086 | - | - |
720
+ | 3.3391 | 17500 | 0.0395 | - | - |
721
+ | 3.3581 | 17600 | 0.0816 | - | - |
722
+ | 3.3772 | 17700 | 0.0526 | - | - |
723
+ | 3.3963 | 17800 | 0.0834 | - | - |
724
+ | 3.4154 | 17900 | 0.1064 | - | - |
725
+ | 3.4345 | 18000 | 0.0941 | 0.0879 | 0.6481 |
726
+ | 3.4535 | 18100 | 0.0531 | - | - |
727
+ | 3.4726 | 18200 | 0.102 | - | - |
728
+ | 3.4917 | 18300 | 0.1312 | - | - |
729
+ | 3.5108 | 18400 | 0.1262 | - | - |
730
+ | 3.5299 | 18500 | 0.1064 | - | - |
731
+ | 3.5489 | 18600 | 0.1216 | - | - |
732
+ | 3.5680 | 18700 | 0.0668 | - | - |
733
+ | 3.5871 | 18800 | 0.0761 | - | - |
734
+ | 3.6062 | 18900 | 0.0594 | - | - |
735
+ | 3.6253 | 19000 | 0.074 | 0.1028 | 0.6509 |
736
+ | 3.6443 | 19100 | 0.0646 | - | - |
737
+ | 3.6634 | 19200 | 0.0875 | - | - |
738
+ | 3.6825 | 19300 | 0.1077 | - | - |
739
+ | 3.7016 | 19400 | 0.078 | - | - |
740
+ | 3.7207 | 19500 | 0.0483 | - | - |
741
+ | 3.7397 | 19600 | 0.0232 | - | - |
742
+ | 3.7588 | 19700 | 0.0526 | - | - |
743
+ | 3.7779 | 19800 | 0.0283 | - | - |
744
+ | 3.7970 | 19900 | 0.0692 | - | - |
745
+ | 3.8161 | 20000 | 0.0889 | 0.0783 | 0.6539 |
746
+ | 3.8351 | 20100 | 0.0566 | - | - |
747
+ | 3.8542 | 20200 | 0.0813 | - | - |
748
+ | 3.8733 | 20300 | 0.1046 | - | - |
749
+ | 3.8924 | 20400 | 0.0841 | - | - |
750
+ | 3.9115 | 20500 | 0.0223 | - | - |
751
+ | 3.9305 | 20600 | 0.0894 | - | - |
752
+ | 3.9496 | 20700 | 0.0272 | - | - |
753
+ | 3.9687 | 20800 | 0.0646 | - | - |
754
+ | 3.9878 | 20900 | 0.0435 | - | - |
755
+ | 4.0069 | 21000 | 0.0478 | 0.0732 | 0.6639 |
756
+ | 4.0259 | 21100 | 0.0409 | - | - |
757
+ | 4.0450 | 21200 | 0.0398 | - | - |
758
+ | 4.0641 | 21300 | 0.0453 | - | - |
759
+ | 4.0832 | 21400 | 0.0524 | - | - |
760
+ | 4.1023 | 21500 | 0.0971 | - | - |
761
+ | 4.1214 | 21600 | 0.0227 | - | - |
762
+ | 4.1404 | 21700 | 0.0293 | - | - |
763
+ | 4.1595 | 21800 | 0.104 | - | - |
764
+ | 4.1786 | 21900 | 0.0499 | - | - |
765
+ | 4.1977 | 22000 | 0.0349 | 0.0947 | 0.6649 |
766
+ | 4.2168 | 22100 | 0.0501 | - | - |
767
+ | 4.2358 | 22200 | 0.0184 | - | - |
768
+ | 4.2549 | 22300 | 0.0595 | - | - |
769
+ | 4.2740 | 22400 | 0.0608 | - | - |
770
+ | 4.2931 | 22500 | 0.0521 | - | - |
771
+ | 4.3122 | 22600 | 0.0555 | - | - |
772
+ | 4.3312 | 22700 | 0.0394 | - | - |
773
+ | 4.3503 | 22800 | 0.0281 | - | - |
774
+ | 4.3694 | 22900 | 0.0413 | - | - |
775
+ | 4.3885 | 23000 | 0.0264 | 0.0596 | 0.6739 |
776
+ | 4.4076 | 23100 | 0.0451 | - | - |
777
+ | 4.4266 | 23200 | 0.0427 | - | - |
778
+ | 4.4457 | 23300 | 0.0436 | - | - |
779
+ | 4.4648 | 23400 | 0.0232 | - | - |
780
+ | 4.4839 | 23500 | 0.0696 | - | - |
781
+ | 4.5030 | 23600 | 0.031 | - | - |
782
+ | 4.5220 | 23700 | 0.0397 | - | - |
783
+ | 4.5411 | 23800 | 0.0417 | - | - |
784
+ | 4.5602 | 23900 | 0.0346 | - | - |
785
+ | 4.5793 | 24000 | 0.0359 | 0.0780 | 0.6636 |
786
+ | 4.5984 | 24100 | 0.0819 | - | - |
787
+ | 4.6174 | 24200 | 0.0221 | - | - |
788
+ | 4.6365 | 24300 | 0.047 | - | - |
789
+ | 4.6556 | 24400 | 0.0523 | - | - |
790
+ | 4.6747 | 24500 | 0.0356 | - | - |
791
+ | 4.6938 | 24600 | 0.0381 | - | - |
792
+ | 4.7128 | 24700 | 0.0524 | - | - |
793
+ | 4.7319 | 24800 | 0.0744 | - | - |
794
+ | 4.7510 | 24900 | 0.0636 | - | - |
795
+ | 4.7701 | 25000 | 0.0487 | 0.0491 | 0.6754 |
796
+ | 4.7892 | 25100 | 0.0555 | - | - |
797
+ | 4.8082 | 25200 | 0.0361 | - | - |
798
+ | 4.8273 | 25300 | 0.0573 | - | - |
799
+ | 4.8464 | 25400 | 0.0639 | - | - |
800
+ | 4.8655 | 25500 | 0.0233 | - | - |
801
+ | 4.8846 | 25600 | 0.0364 | - | - |
802
+ | 4.9036 | 25700 | 0.0389 | - | - |
803
+ | 4.9227 | 25800 | 0.0185 | - | - |
804
+ | 4.9418 | 25900 | 0.0286 | - | - |
805
+ | 4.9609 | 26000 | 0.0473 | 0.0599 | 0.6830 |
806
+ | 4.9800 | 26100 | 0.066 | - | - |
807
+ | 4.9990 | 26200 | 0.0261 | - | - |
808
+ | 5.0181 | 26300 | 0.0144 | - | - |
809
+ | 5.0372 | 26400 | 0.0453 | - | - |
810
+ | 5.0563 | 26500 | 0.0116 | - | - |
811
+ | 5.0754 | 26600 | 0.0429 | - | - |
812
+ | 5.0944 | 26700 | 0.034 | - | - |
813
+ | 5.1135 | 26800 | 0.0211 | - | - |
814
+ | 5.1326 | 26900 | 0.018 | - | - |
815
+ | 5.1517 | 27000 | 0.0255 | 0.0565 | 0.6798 |
816
+ | 5.1708 | 27100 | 0.0422 | - | - |
817
+ | 5.1898 | 27200 | 0.0237 | - | - |
818
+ | 5.2089 | 27300 | 0.0279 | - | - |
819
+ | 5.2280 | 27400 | 0.0583 | - | - |
820
+ | 5.2471 | 27500 | 0.0215 | - | - |
821
+ | 5.2662 | 27600 | 0.0195 | - | - |
822
+ | 5.2853 | 27700 | 0.0709 | - | - |
823
+ | 5.3043 | 27800 | 0.0722 | - | - |
824
+ | 5.3234 | 27900 | 0.0159 | - | - |
825
+ | 5.3425 | 28000 | 0.0667 | 0.0430 | 0.6825 |
826
+ | 5.3616 | 28100 | 0.0299 | - | - |
827
+ | 5.3807 | 28200 | 0.0238 | - | - |
828
+ | 5.3997 | 28300 | 0.0349 | - | - |
829
+ | 5.4188 | 28400 | 0.0495 | - | - |
830
+ | 5.4379 | 28500 | 0.0105 | - | - |
831
+ | 5.4570 | 28600 | 0.0215 | - | - |
832
+ | 5.4761 | 28700 | 0.0345 | - | - |
833
+ | 5.4951 | 28800 | 0.0658 | - | - |
834
+ | 5.5142 | 28900 | 0.038 | - | - |
835
+ | 5.5333 | 29000 | 0.0237 | 0.0503 | 0.6830 |
836
+ | 5.5524 | 29100 | 0.0364 | - | - |
837
+ | 5.5715 | 29200 | 0.0127 | - | - |
838
+ | 5.5905 | 29300 | 0.0328 | - | - |
839
+ | 5.6096 | 29400 | 0.0332 | - | - |
840
+ | 5.6287 | 29500 | 0.0477 | - | - |
841
+ | 5.6478 | 29600 | 0.0211 | - | - |
842
+ | 5.6669 | 29700 | 0.0469 | - | - |
843
+ | 5.6859 | 29800 | 0.081 | - | - |
844
+ | 5.7050 | 29900 | 0.0428 | - | - |
845
+ | 5.7241 | 30000 | 0.0248 | 0.0554 | 0.6835 |
846
+ | 5.7432 | 30100 | 0.0502 | - | - |
847
+ | 5.7623 | 30200 | 0.0314 | - | - |
848
+ | 5.7813 | 30300 | 0.0361 | - | - |
849
+ | 5.8004 | 30400 | 0.0358 | - | - |
850
+ | 5.8195 | 30500 | 0.0372 | - | - |
851
+ | 5.8386 | 30600 | 0.0248 | - | - |
852
+ | 5.8577 | 30700 | 0.0417 | - | - |
853
+ | 5.8767 | 30800 | 0.0535 | - | - |
854
+ | 5.8958 | 30900 | 0.0497 | - | - |
855
+ | 5.9149 | 31000 | 0.0342 | 0.0416 | 0.6991 |
856
+ | 5.9340 | 31100 | 0.0534 | - | - |
857
+ | 5.9531 | 31200 | 0.043 | - | - |
858
+ | 5.9721 | 31300 | 0.0354 | - | - |
859
+ | 5.9912 | 31400 | 0.0773 | - | - |
860
+ | 6.0103 | 31500 | 0.0282 | - | - |
861
+ | 6.0294 | 31600 | 0.0069 | - | - |
862
+ | 6.0485 | 31700 | 0.0189 | - | - |
863
+ | 6.0675 | 31800 | 0.0113 | - | - |
864
+ | 6.0866 | 31900 | 0.0221 | - | - |
865
+ | 6.1057 | 32000 | 0.0135 | 0.0455 | 0.6993 |
866
+ | 6.1248 | 32100 | 0.0032 | - | - |
867
+ | 6.1439 | 32200 | 0.0489 | - | - |
868
+ | 6.1629 | 32300 | 0.018 | - | - |
869
+ | 6.1820 | 32400 | 0.0047 | - | - |
870
+ | 6.2011 | 32500 | 0.076 | - | - |
871
+ | 6.2202 | 32600 | 0.0475 | - | - |
872
+ | 6.2393 | 32700 | 0.0103 | - | - |
873
+ | 6.2583 | 32800 | 0.0132 | - | - |
874
+ | 6.2774 | 32900 | 0.0165 | - | - |
875
+ | 6.2965 | 33000 | 0.0264 | 0.0463 | 0.6982 |
876
+ | 6.3156 | 33100 | 0.016 | - | - |
877
+ | 6.3347 | 33200 | 0.0435 | - | - |
878
+ | 6.3537 | 33300 | 0.0678 | - | - |
879
+ | 6.3728 | 33400 | 0.0162 | - | - |
880
+ | 6.3919 | 33500 | 0.0052 | - | - |
881
+ | 6.4110 | 33600 | 0.0421 | - | - |
882
+ | 6.4301 | 33700 | 0.0207 | - | - |
883
+ | 6.4492 | 33800 | 0.0297 | - | - |
884
+ | 6.4682 | 33900 | 0.0323 | - | - |
885
+ | 6.4873 | 34000 | 0.0173 | 0.0400 | 0.6964 |
886
+ | 6.5064 | 34100 | 0.0247 | - | - |
887
+ | 6.5255 | 34200 | 0.0379 | - | - |
888
+ | 6.5446 | 34300 | 0.0222 | - | - |
889
+ | 6.5636 | 34400 | 0.0228 | - | - |
890
+ | 6.5827 | 34500 | 0.0237 | - | - |
891
+ | 6.6018 | 34600 | 0.0054 | - | - |
892
+ | 6.6209 | 34700 | 0.009 | - | - |
893
+ | 6.6400 | 34800 | 0.0019 | - | - |
894
+ | 6.6590 | 34900 | 0.0333 | - | - |
895
+ | 6.6781 | 35000 | 0.0084 | 0.0492 | 0.7048 |
896
+ | 6.6972 | 35100 | 0.0223 | - | - |
897
+ | 6.7163 | 35200 | 0.0226 | - | - |
898
+ | 6.7354 | 35300 | 0.0558 | - | - |
899
+ | 6.7544 | 35400 | 0.0176 | - | - |
900
+ | 6.7735 | 35500 | 0.019 | - | - |
901
+ | 6.7926 | 35600 | 0.008 | - | - |
902
+ | 6.8117 | 35700 | 0.0263 | - | - |
903
+ | 6.8308 | 35800 | 0.0241 | - | - |
904
+ | 6.8498 | 35900 | 0.0389 | - | - |
905
+ | 6.8689 | 36000 | 0.0526 | 0.0372 | 0.7045 |
906
+ | 6.8880 | 36100 | 0.014 | - | - |
907
+ | 6.9071 | 36200 | 0.0075 | - | - |
908
+ | 6.9262 | 36300 | 0.0228 | - | - |
909
+ | 6.9452 | 36400 | 0.0348 | - | - |
910
+ | 6.9643 | 36500 | 0.0173 | - | - |
911
+ | 6.9834 | 36600 | 0.0674 | - | - |
912
+ | 7.0025 | 36700 | 0.0135 | - | - |
913
+ | 7.0216 | 36800 | 0.0207 | - | - |
914
+ | 7.0406 | 36900 | 0.0083 | - | - |
915
+ | 7.0597 | 37000 | 0.023 | 0.0428 | 0.7033 |
916
+ | 7.0788 | 37100 | 0.0068 | - | - |
917
+ | 7.0979 | 37200 | 0.0389 | - | - |
918
+ | 7.1170 | 37300 | 0.0255 | - | - |
919
+ | 7.1360 | 37400 | 0.035 | - | - |
920
+ | 7.1551 | 37500 | 0.0411 | - | - |
921
+ | 7.1742 | 37600 | 0.0331 | - | - |
922
+ | 7.1933 | 37700 | 0.0186 | - | - |
923
+ | 7.2124 | 37800 | 0.0089 | - | - |
924
+ | 7.2314 | 37900 | 0.0171 | - | - |
925
+ | 7.2505 | 38000 | 0.0193 | 0.0434 | 0.6983 |
926
+ | 7.2696 | 38100 | 0.0112 | - | - |
927
+ | 7.2887 | 38200 | 0.0317 | - | - |
928
+ | 7.3078 | 38300 | 0.0069 | - | - |
929
+ | 7.3268 | 38400 | 0.0198 | - | - |
930
+ | 7.3459 | 38500 | 0.0039 | - | - |
931
+ | 7.3650 | 38600 | 0.0221 | - | - |
932
+ | 7.3841 | 38700 | 0.0206 | - | - |
933
+ | 7.4032 | 38800 | 0.0511 | - | - |
934
+ | 7.4222 | 38900 | 0.0262 | - | - |
935
+ | 7.4413 | 39000 | 0.0171 | 0.0387 | 0.7101 |
936
+ | 7.4604 | 39100 | 0.001 | - | - |
937
+ | 7.4795 | 39200 | 0.007 | - | - |
938
+ | 7.4986 | 39300 | 0.0559 | - | - |
939
+ | 7.5176 | 39400 | 0.0204 | - | - |
940
+ | 7.5367 | 39500 | 0.0089 | - | - |
941
+ | 7.5558 | 39600 | 0.0174 | - | - |
942
+ | 7.5749 | 39700 | 0.0213 | - | - |
943
+ | 7.5940 | 39800 | 0.0436 | - | - |
944
+ | 7.6131 | 39900 | 0.0165 | - | - |
945
+ | 7.6321 | 40000 | 0.006 | 0.0417 | 0.7082 |
946
+ | 7.6512 | 40100 | 0.0028 | - | - |
947
+ | 7.6703 | 40200 | 0.0081 | - | - |
948
+ | 7.6894 | 40300 | 0.0042 | - | - |
949
+ | 7.7085 | 40400 | 0.0076 | - | - |
950
+ | 7.7275 | 40500 | 0.0237 | - | - |
951
+ | 7.7466 | 40600 | 0.0142 | - | - |
952
+ | 7.7657 | 40700 | 0.0046 | - | - |
953
+ | 7.7848 | 40800 | 0.0088 | - | - |
954
+ | 7.8039 | 40900 | 0.0124 | - | - |
955
+ | 7.8229 | 41000 | 0.0157 | 0.0385 | 0.7126 |
956
+ | 7.8420 | 41100 | 0.0033 | - | - |
957
+ | 7.8611 | 41200 | 0.0029 | - | - |
958
+ | 7.8802 | 41300 | 0.0189 | - | - |
959
+ | 7.8993 | 41400 | 0.0325 | - | - |
960
+ | 7.9183 | 41500 | 0.0146 | - | - |
961
+ | 7.9374 | 41600 | 0.0044 | - | - |
962
+ | 7.9565 | 41700 | 0.0196 | - | - |
963
+ | 7.9756 | 41800 | 0.0118 | - | - |
964
+ | 7.9947 | 41900 | 0.0099 | - | - |
965
+ | 8.0137 | 42000 | 0.0059 | 0.0355 | 0.7134 |
966
+ | 8.0328 | 42100 | 0.0243 | - | - |
967
+ | 8.0519 | 42200 | 0.0046 | - | - |
968
+ | 8.0710 | 42300 | 0.0128 | - | - |
969
+ | 8.0901 | 42400 | 0.0159 | - | - |
970
+ | 8.1091 | 42500 | 0.0079 | - | - |
971
+ | 8.1282 | 42600 | 0.0074 | - | - |
972
+ | 8.1473 | 42700 | 0.0139 | - | - |
973
+ | 8.1664 | 42800 | 0.0106 | - | - |
974
+ | 8.1855 | 42900 | 0.0249 | - | - |
975
+ | 8.2045 | 43000 | 0.0126 | 0.0294 | 0.7159 |
976
+ | 8.2236 | 43100 | 0.0042 | - | - |
977
+ | 8.2427 | 43200 | 0.0202 | - | - |
978
+ | 8.2618 | 43300 | 0.0171 | - | - |
979
+ | 8.2809 | 43400 | 0.0165 | - | - |
980
+ | 8.2999 | 43500 | 0.0353 | - | - |
981
+ | 8.3190 | 43600 | 0.0068 | - | - |
982
+ | 8.3381 | 43700 | 0.0508 | - | - |
983
+ | 8.3572 | 43800 | 0.0247 | - | - |
984
+ | 8.3763 | 43900 | 0.0107 | - | - |
985
+ | 8.3953 | 44000 | 0.0158 | 0.0245 | 0.7228 |
986
+ | 8.4144 | 44100 | 0.021 | - | - |
987
+ | 8.4335 | 44200 | 0.0058 | - | - |
988
+ | 8.4526 | 44300 | 0.0292 | - | - |
989
+ | 8.4717 | 44400 | 0.0089 | - | - |
990
+ | 8.4907 | 44500 | 0.0091 | - | - |
991
+ | 8.5098 | 44600 | 0.0106 | - | - |
992
+ | 8.5289 | 44700 | 0.0116 | - | - |
993
+ | 8.5480 | 44800 | 0.0261 | - | - |
994
+ | 8.5671 | 44900 | 0.0182 | - | - |
995
+ | 8.5861 | 45000 | 0.0117 | 0.0261 | 0.7256 |
996
+ | 8.6052 | 45100 | 0.0044 | - | - |
997
+ | 8.6243 | 45200 | 0.0338 | - | - |
998
+ | 8.6434 | 45300 | 0.0131 | - | - |
999
+ | 8.6625 | 45400 | 0.0106 | - | - |
1000
+ | 8.6815 | 45500 | 0.0026 | - | - |
1001
+ | 8.7006 | 45600 | 0.0076 | - | - |
1002
+ | 8.7197 | 45700 | 0.009 | - | - |
1003
+ | 8.7388 | 45800 | 0.0174 | - | - |
1004
+ | 8.7579 | 45900 | 0.0059 | - | - |
1005
+ | 8.7770 | 46000 | 0.0324 | 0.0340 | 0.7227 |
1006
+ | 8.7960 | 46100 | 0.0361 | - | - |
1007
+ | 8.8151 | 46200 | 0.0043 | - | - |
1008
+ | 8.8342 | 46300 | 0.0236 | - | - |
1009
+ | 8.8533 | 46400 | 0.0065 | - | - |
1010
+ | 8.8724 | 46500 | 0.0058 | - | - |
1011
+ | 8.8914 | 46600 | 0.0034 | - | - |
1012
+ | 8.9105 | 46700 | 0.015 | - | - |
1013
+ | 8.9296 | 46800 | 0.0096 | - | - |
1014
+ | 8.9487 | 46900 | 0.0223 | - | - |
1015
+ | 8.9678 | 47000 | 0.0109 | 0.0306 | 0.7234 |
1016
+ | 8.9868 | 47100 | 0.0137 | - | - |
1017
+ | 9.0059 | 47200 | 0.0013 | - | - |
1018
+ | 9.0250 | 47300 | 0.0158 | - | - |
1019
+ | 9.0441 | 47400 | 0.0047 | - | - |
1020
+ | 9.0632 | 47500 | 0.019 | - | - |
1021
+ | 9.0822 | 47600 | 0.0024 | - | - |
1022
+ | 9.1013 | 47700 | 0.0022 | - | - |
1023
+ | 9.1204 | 47800 | 0.0002 | - | - |
1024
+ | 9.1395 | 47900 | 0.0264 | - | - |
1025
+ | 9.1586 | 48000 | 0.0109 | 0.0309 | 0.7271 |
1026
+ | 9.1776 | 48100 | 0.0215 | - | - |
1027
+ | 9.1967 | 48200 | 0.0017 | - | - |
1028
+ | 9.2158 | 48300 | 0.0026 | - | - |
1029
+ | 9.2349 | 48400 | 0.0167 | - | - |
1030
+ | 9.2540 | 48500 | 0.0144 | - | - |
1031
+ | 9.2730 | 48600 | 0.0113 | - | - |
1032
+ | 9.2921 | 48700 | 0.0081 | - | - |
1033
+ | 9.3112 | 48800 | 0.0008 | - | - |
1034
+ | 9.3303 | 48900 | 0.0139 | - | - |
1035
+ | 9.3494 | 49000 | 0.0015 | 0.0335 | 0.7310 |
1036
+ | 9.3684 | 49100 | 0.0124 | - | - |
1037
+ | 9.3875 | 49200 | 0.0202 | - | - |
1038
+ | 9.4066 | 49300 | 0.0252 | - | - |
1039
+ | 9.4257 | 49400 | 0.0105 | - | - |
1040
+ | 9.4448 | 49500 | 0.0008 | - | - |
1041
+ | 9.4638 | 49600 | 0.0144 | - | - |
1042
+ | 9.4829 | 49700 | 0.0004 | - | - |
1043
+ | 9.5020 | 49800 | 0.017 | - | - |
1044
+ | 9.5211 | 49900 | 0.0321 | - | - |
1045
+ | 9.5402 | 50000 | 0.0032 | 0.0350 | 0.7301 |
1046
+ | 9.5592 | 50100 | 0.0092 | - | - |
1047
+ | 9.5783 | 50200 | 0.0015 | - | - |
1048
+ | 9.5974 | 50300 | 0.0099 | - | - |
1049
+ | 9.6165 | 50400 | 0.003 | - | - |
1050
+ | 9.6356 | 50500 | 0.0174 | - | - |
1051
+ | 9.6546 | 50600 | 0.017 | - | - |
1052
+ | 9.6737 | 50700 | 0.0178 | - | - |
1053
+ | 9.6928 | 50800 | 0.0023 | - | - |
1054
+ | 9.7119 | 50900 | 0.0033 | - | - |
1055
+ | 9.7310 | 51000 | 0.0307 | 0.0326 | 0.7247 |
1056
+ | 9.7500 | 51100 | 0.003 | - | - |
1057
+ | 9.7691 | 51200 | 0.0196 | - | - |
1058
+ | 9.7882 | 51300 | 0.0076 | - | - |
1059
+ | 9.8073 | 51400 | 0.0025 | - | - |
1060
+ | 9.8264 | 51500 | 0.0192 | - | - |
1061
+ | 9.8454 | 51600 | 0.0028 | - | - |
1062
+ | 9.8645 | 51700 | 0.001 | - | - |
1063
+ | 9.8836 | 51800 | 0.0038 | - | - |
1064
+ | 9.9027 | 51900 | 0.0247 | - | - |
1065
+ | 9.9218 | 52000 | 0.0098 | 0.0331 | 0.7269 |
1066
+ | 9.9409 | 52100 | 0.0096 | - | - |
1067
+ | 9.9599 | 52200 | 0.0129 | - | - |
1068
+ | 9.9790 | 52300 | 0.0169 | - | - |
1069
+ | 9.9981 | 52400 | 0.0189 | - | - |
1070
+
1071
+ </details>
1072
+
1073
+ ### Framework Versions
1074
+ - Python: 3.11.13
1075
+ - Sentence Transformers: 4.1.0
1076
+ - Transformers: 4.52.4
1077
+ - PyTorch: 2.6.0+cu124
1078
+ - Accelerate: 1.8.1
1079
+ - Datasets: 3.6.0
1080
+ - Tokenizers: 0.21.2
1081
+
1082
+ ## Citation
1083
+
1084
+ ### BibTeX
1085
+
1086
+ #### Sentence Transformers
1087
+ ```bibtex
1088
+ @inproceedings{reimers-2019-sentence-bert,
1089
+ title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",
1090
+ author = "Reimers, Nils and Gurevych, Iryna",
1091
+ booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing",
1092
+ month = "11",
1093
+ year = "2019",
1094
+ publisher = "Association for Computational Linguistics",
1095
+ url = "https://arxiv.org/abs/1908.10084",
1096
+ }
1097
+ ```
1098
+
1099
+ #### MultipleNegativesRankingLoss
1100
+ ```bibtex
1101
+ @misc{henderson2017efficient,
1102
+ title={Efficient Natural Language Response Suggestion for Smart Reply},
1103
+ 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},
1104
+ year={2017},
1105
+ eprint={1705.00652},
1106
+ archivePrefix={arXiv},
1107
+ primaryClass={cs.CL}
1108
+ }
1109
+ ```
1110
+
1111
+ <!--
1112
+ ## Glossary
1113
+
1114
+ *Clearly define terms in order to be accessible across audiences.*
1115
+ -->
1116
+
1117
+ <!--
1118
+ ## Model Card Authors
1119
+
1120
+ *Lists the people who create the model card, providing recognition and accountability for the detailed work that goes into its construction.*
1121
+ -->
1122
+
1123
+ <!--
1124
+ ## Model Card Contact
1125
+
1126
+ *Provides a way for people who have updates to the Model Card, suggestions, or questions, to contact the Model Card authors.*
1127
+ -->
config.json ADDED
@@ -0,0 +1,27 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "architectures": [
3
+ "XLMRobertaModel"
4
+ ],
5
+ "attention_probs_dropout_prob": 0.1,
6
+ "bos_token_id": 0,
7
+ "classifier_dropout": null,
8
+ "eos_token_id": 2,
9
+ "hidden_act": "gelu",
10
+ "hidden_dropout_prob": 0.1,
11
+ "hidden_size": 768,
12
+ "initializer_range": 0.02,
13
+ "intermediate_size": 3072,
14
+ "layer_norm_eps": 1e-05,
15
+ "max_position_embeddings": 514,
16
+ "model_type": "xlm-roberta",
17
+ "num_attention_heads": 12,
18
+ "num_hidden_layers": 12,
19
+ "output_past": true,
20
+ "pad_token_id": 1,
21
+ "position_embedding_type": "absolute",
22
+ "torch_dtype": "float32",
23
+ "transformers_version": "4.52.4",
24
+ "type_vocab_size": 1,
25
+ "use_cache": true,
26
+ "vocab_size": 250002
27
+ }
config_sentence_transformers.json ADDED
@@ -0,0 +1,10 @@
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "__version__": {
3
+ "sentence_transformers": "4.1.0",
4
+ "transformers": "4.52.4",
5
+ "pytorch": "2.6.0+cu124"
6
+ },
7
+ "prompts": {},
8
+ "default_prompt_name": null,
9
+ "similarity_fn_name": "cosine"
10
+ }
model.safetensors ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:f45143445c9574deaedcac3b5020996e3f0e3c2dd3bf5f0edae3dad9b17c36b2
3
+ size 1112197096
modules.json ADDED
@@ -0,0 +1,20 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ [
2
+ {
3
+ "idx": 0,
4
+ "name": "0",
5
+ "path": "",
6
+ "type": "sentence_transformers.models.Transformer"
7
+ },
8
+ {
9
+ "idx": 1,
10
+ "name": "1",
11
+ "path": "1_Pooling",
12
+ "type": "sentence_transformers.models.Pooling"
13
+ },
14
+ {
15
+ "idx": 2,
16
+ "name": "2",
17
+ "path": "2_Normalize",
18
+ "type": "sentence_transformers.models.Normalize"
19
+ }
20
+ ]
sentence_bert_config.json ADDED
@@ -0,0 +1,4 @@
 
 
 
 
 
1
+ {
2
+ "max_seq_length": 512,
3
+ "do_lower_case": false
4
+ }
sentencepiece.bpe.model ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:cfc8146abe2a0488e9e2a0c56de7952f7c11ab059eca145a0a727afce0db2865
3
+ size 5069051
special_tokens_map.json ADDED
@@ -0,0 +1,51 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "bos_token": {
3
+ "content": "<s>",
4
+ "lstrip": false,
5
+ "normalized": false,
6
+ "rstrip": false,
7
+ "single_word": false
8
+ },
9
+ "cls_token": {
10
+ "content": "<s>",
11
+ "lstrip": false,
12
+ "normalized": false,
13
+ "rstrip": false,
14
+ "single_word": false
15
+ },
16
+ "eos_token": {
17
+ "content": "</s>",
18
+ "lstrip": false,
19
+ "normalized": false,
20
+ "rstrip": false,
21
+ "single_word": false
22
+ },
23
+ "mask_token": {
24
+ "content": "<mask>",
25
+ "lstrip": true,
26
+ "normalized": false,
27
+ "rstrip": false,
28
+ "single_word": false
29
+ },
30
+ "pad_token": {
31
+ "content": "<pad>",
32
+ "lstrip": false,
33
+ "normalized": false,
34
+ "rstrip": false,
35
+ "single_word": false
36
+ },
37
+ "sep_token": {
38
+ "content": "</s>",
39
+ "lstrip": false,
40
+ "normalized": false,
41
+ "rstrip": false,
42
+ "single_word": false
43
+ },
44
+ "unk_token": {
45
+ "content": "<unk>",
46
+ "lstrip": false,
47
+ "normalized": false,
48
+ "rstrip": false,
49
+ "single_word": false
50
+ }
51
+ }
tokenizer.json ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:883b037111086fd4dfebbbc9b7cee11e1517b5e0c0514879478661440f137085
3
+ size 17082987
tokenizer_config.json ADDED
@@ -0,0 +1,55 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "added_tokens_decoder": {
3
+ "0": {
4
+ "content": "<s>",
5
+ "lstrip": false,
6
+ "normalized": false,
7
+ "rstrip": false,
8
+ "single_word": false,
9
+ "special": true
10
+ },
11
+ "1": {
12
+ "content": "<pad>",
13
+ "lstrip": false,
14
+ "normalized": false,
15
+ "rstrip": false,
16
+ "single_word": false,
17
+ "special": true
18
+ },
19
+ "2": {
20
+ "content": "</s>",
21
+ "lstrip": false,
22
+ "normalized": false,
23
+ "rstrip": false,
24
+ "single_word": false,
25
+ "special": true
26
+ },
27
+ "3": {
28
+ "content": "<unk>",
29
+ "lstrip": false,
30
+ "normalized": false,
31
+ "rstrip": false,
32
+ "single_word": false,
33
+ "special": true
34
+ },
35
+ "250001": {
36
+ "content": "<mask>",
37
+ "lstrip": true,
38
+ "normalized": false,
39
+ "rstrip": false,
40
+ "single_word": false,
41
+ "special": true
42
+ }
43
+ },
44
+ "bos_token": "<s>",
45
+ "clean_up_tokenization_spaces": true,
46
+ "cls_token": "<s>",
47
+ "eos_token": "</s>",
48
+ "extra_special_tokens": {},
49
+ "mask_token": "<mask>",
50
+ "model_max_length": 512,
51
+ "pad_token": "<pad>",
52
+ "sep_token": "</s>",
53
+ "tokenizer_class": "XLMRobertaTokenizer",
54
+ "unk_token": "<unk>"
55
+ }