--- tags: - sentence-transformers - sentence-similarity - feature-extraction - generated_from_trainer - dataset_size:10494 - loss:MultipleNegativesRankingLoss base_model: vinai/phobert-base-v2 widget: - source_sentence: tôi cần bếp từ công suất lớn hơn 1870W sentences: - 'Bếp điện từ Sunhouse SHD6862, 980W, mặt kính chịu lực, Giá: 2.200.000' - 'Bếp điện từ Sunhouse SHD6862, 1500W, mặt kính chịu lực, Giá: 2.200.000' - 'Bếp điện từ Sunhouse SHD6862, 1400W, mặt kính chịu lực, Giá: 2.200.000' - 'Bếp điện từ Sunhouse SHD6862, 1100W, mặt kính chịu lực, Giá: 2.200.000' - 'Màn hình Dell UltraSharp U2720Q, 27", 4K UHD, Giá: 11.500.000' - 'Máy xay sinh tố cầm tay Braun MQ520, công suất 600W, 2 cối, Giá: 880.000' - 'Bếp điện từ Sunhouse SHD6862, 1300W, mặt kính chịu lực, Giá: 2.200.000' - 'Bình nóng lạnh Ariston Andris2 15L, Công suất 2500W, Giá: 2.600.000' - 'Loa Bluetooth Sony SRS-XP500, công suất 120W, pin 20h, Giá: 5.800.000' - 'Bếp điện từ Sunhouse SHD6862, 1600W, mặt kính chịu lực, Giá: 2.200.000' - 'Xe máy điện VinFast Theon S, Tốc độ tối đa 90km/h, Pin 3500W, Giá: 63.000.000' - 'Máy ảnh Canon PowerShot G7X Mark III, Trọng lượng 300g, 20.1MP, Giá: 15.500.000' - 'Bếp điện từ Sunhouse SHD6862, 1000W, mặt kính chịu lực, Giá: 2.200.000' - 'Bếp điện từ Sunhouse SHD6862, 1200W, mặt kính chịu lực, Giá: 2.200.000' - 'Bếp điện từ Sunhouse SHD6862, 1800W, mặt kính chịu lực, Giá: 2.200.000' - 'Bếp điện từ Sunhouse SHD6862, 2200W, mặt kính chịu lực, Giá: 2.200.000' - source_sentence: có tủ lạnh dung tích ít nhất 319 lít sentences: - 'Bàn là hơi nước Philips GC2990, công suất 1800W, Giá: 680.000' - 'Tủ lạnh Hitachi Inverter R-FVX450PGV9, Dung tích 180L, Ngăn đá trên, Công nghệ Inverter, Giá: 14.900.000' - 'Tủ lạnh Hitachi Inverter R-FVX450PGV9, Dung tích 160L, Ngăn đá trên, Công nghệ Inverter, Giá: 14.900.000' - 'Tủ lạnh Hitachi Inverter R-FVX450PGV9, Dung tích 200L, Ngăn đá trên, Công nghệ Inverter, Giá: 14.900.000' - 'Xe điện Anbico AP1500, Tốc độ 45km/h, Nặng 48kg, Pin Lithium, Giá: 14.200.000' - 'Sofa nỉ cao cấp nhập khẩu, dài 2.1m, khung gỗ sồi, Giá: 14.800.000' - 'Tủ lạnh Hitachi Inverter R-FVX450PGV9, Dung tích 250L, Ngăn đá trên, Công nghệ Inverter, Giá: 14.900.000' - 'Tủ lạnh Hitachi Inverter R-FVX450PGV9, Dung tích 230L, Ngăn đá trên, Công nghệ Inverter, Giá: 14.900.000' - 'Tủ lạnh Hitachi Inverter R-FVX450PGV9, Dung tích 456L, Ngăn đá trên, Công nghệ Inverter, Giá: 14.900.000' - 'Máy xay Philips HR2115, công suất 515W, cối 1.5L, Giá: 1.203.000' - 'Camera hành trình Vietmap C65, Độ phân giải 4K, Góc rộng 170°, Giá: 3.800.000' - 'Tủ lạnh Hitachi Inverter R-FVX450PGV9, Dung tích 240L, Ngăn đá trên, Công nghệ Inverter, Giá: 14.900.000' - 'Tủ lạnh Hitachi Inverter R-FVX450PGV9, Dung tích 290L, Ngăn đá trên, Công nghệ Inverter, Giá: 14.900.000' - 'Tủ lạnh Hitachi Inverter R-FVX450PGV9, Dung tích 170L, Ngăn đá trên, Công nghệ Inverter, Giá: 14.900.000' - 'Tủ lạnh Hitachi Inverter R-FVX450PGV9, Dung tích 300L, Ngăn đá trên, Công nghệ Inverter, Giá: 14.900.000' - 'Laptop HP Pavilion 15, RAM 16GB, SSD 512GB, Intel Core i5, Giá: 18.900.000' - source_sentence: mình cần máy bơm nước công suất tối thiểu 100W sentences: - 'Tủ lạnh Sanaky 250L, 2 ngăn đông - mát, Inverter tiết kiệm điện, Giá: 7.800.000' - 'Máy bơm Panasonic GP-250JXK, Công suất 93.2W, Đẩy cao 32m, Giá: 2.500.000' - 'Máy bơm Panasonic GP-250JXK, Công suất 80.5W, Đẩy cao 32m, Giá: 2.500.000' - 'Xe điện Giant Momentum iLike, Tốc độ 45km/h, Nặng 52kg, Pin Lithium, Giá: 18.500.000' - 'Máy bơm Panasonic GP-250JXK, Công suất 250W, Đẩy cao 32m, Giá: 2.500.000' - 'Máy bơm Panasonic GP-250JXK, Công suất 90.7W, Đẩy cao 32m, Giá: 2.500.000' - 'Máy bơm Panasonic GP-250JXK, Công suất 94.2W, Đẩy cao 32m, Giá: 2.500.000' - 'Máy bơm Panasonic GP-250JXK, Công suất 59.7W, Đẩy cao 32m, Giá: 2.500.000' - 'Máy bơm Panasonic GP-250JXK, Công suất 76.4W, Đẩy cao 32m, Giá: 2.500.000' - 'Smartwatch Huawei Watch GT 3, Màn hình AMOLED 1.6", Pin 14 ngày, Giá: 5.500.000' - 'Tủ lạnh Samsung Inverter RT35K5982SL, Dung tích 360L, Công nghệ Twin Cooling Plus, Giá: 10.900.000' - 'Máy bơm Panasonic GP-250JXK, Công suất 85.0W, Đẩy cao 32m, Giá: 2.500.000' - 'Máy sấy tóc Panasonic EH-ND11, 1800W, chế độ ion âm, Giá: 780.000' - 'Máy bơm Panasonic GP-250JXK, Công suất 63.4W, Đẩy cao 32m, Giá: 2.500.000' - 'Máy bơm Panasonic GP-250JXK, Công suất 62.9W, Đẩy cao 32m, Giá: 2.500.000' - 'Máy bơm Panasonic GP-250JXK, Công suất 95.0W, Đẩy cao 32m, Giá: 2.500.000' - source_sentence: mình cần máy ảnh nặng nhỏ hơn 684g sentences: - 'Máy ảnh Canon EOS M50 Mark II, 24.1MP, Nặng 920g, Lens kit 15-45mm, Giá: 17.800.000' - 'Máy ảnh Canon EOS M50 Mark II, 24.1MP, Nặng 740g, Lens kit 15-45mm, Giá: 17.800.000' - 'Máy ảnh Canon EOS M50 Mark II, 24.1MP, Nặng 580g, Lens kit 15-45mm, Giá: 17.800.000' - 'Kem dưỡng ẩm Hada Labo Gokujyun 50g, Chứa hyaluronic acid, Không hương liệu, Dành cho da khô, Xuất xứ: Nhật Bản, Giá: 295.000' - 'Máy ảnh Canon EOS M50 Mark II, 24.1MP, Nặng 980g, Lens kit 15-45mm, Giá: 17.800.000' - 'Máy ảnh Canon EOS M50 Mark II, 24.1MP, Nặng 910g, Lens kit 15-45mm, Giá: 17.800.000' - 'Máy ảnh Canon EOS M50 Mark II, 24.1MP, Nặng 960g, Lens kit 15-45mm, Giá: 17.800.000' - 'Máy ảnh Canon EOS M50 Mark II, 24.1MP, Nặng 930g, Lens kit 15-45mm, Giá: 17.800.000' - 'Máy ảnh Canon EOS M50 Mark II, 24.1MP, Nặng 890g, Lens kit 15-45mm, Giá: 17.800.000' - 'Tủ lạnh LG Inverter GR-B22FTL, Dung tích 450L, Công nghệ Linear Cooling, Giá: 13.500.000' - 'Máy ảnh Canon EOS M50 Mark II, 24.1MP, Nặng 940g, Lens kit 15-45mm, Giá: 17.800.000' - 'Bàn phím Akko 3068B Plus, Switch Akko V3, Tuổi thọ 60 triệu lần nhấn, Giá: 2.200.000' - 'Tủ lạnh Toshiba Inverter GR-RT500, Dung tích 500L, Ngăn đông lớn, Giá: 12.900.000' - 'Máy ảnh Canon EOS M50 Mark II, 24.1MP, Nặng 1000g, Lens kit 15-45mm, Giá: 17.800.000' - 'Máy ảnh Canon EOS M50 Mark II, 24.1MP, Nặng 990g, Lens kit 15-45mm, Giá: 17.800.000' - Ổ cắm thông minh Xiaomi Mi Power Strip, chịu tải 2500W, 6 ổ cắm, WiFi, Giá 390.000 - source_sentence: Cho mình ghế massage Daikiosan công suất nhỏ hơn 158W có không ạ? sentences: - 'Smartphone Xiaomi Redmi Note 12, RAM 6GB, ROM 128GB, pin 5000mAh, Giá: 4.790.000' - 'Xe côn tay Yamaha TFX 150, Động cơ 155cc, Phun xăng điện tử, Giá: 55.000.000' - 'Ghế massage Daikiosan DK-180, công suất 180W, nhiều chế độ, Giá: 3.950.000' - 'Ghế massage Daikiosan DK-200, công suất 140W, nhiều chế độ, Giá: 4.250.000' - 'Ghế massage Daikiosan DK-180, công suất 230W, nhiều chế độ, Giá: 3.950.000' - 'Loa Sony SRS-XB23, công suất 25W, pin 12h, chống nước IP67, Giá: 3.200.000' - 'Son dưỡng môi Vaseline Lip Therapy, Trọng lượng: 7g, Thành phần: petroleum jelly, Mùi: hoa hồng, Xuất xứ: Mỹ, Giá: 95.000' - 'Ghế massage Daikiosan DK-180, công suất 220W, nhiều chế độ, Giá: 3.950.000' - 'Ghế massage Daikiosan DK-180, công suất 240W, nhiều chế độ, Giá: 3.950.000' - 'Ghế massage Daikiosan DK-180, công suất 210W, nhiều chế độ, Giá: 3.950.000' - 'Ghế massage Daikiosan DK-180, công suất 170W, nhiều chế độ, Giá: 3.950.000' - 'Ghế massage Daikiosan DK-180, công suất 200W, nhiều chế độ, Giá: 3.950.000' - 'Robot hút bụi Ecovacs Deebot N79S, lực hút 3000Pa, pin 5200mAh, Giá: 7.250.000' - 'Ghế massage Daikiosan DK-180, công suất 120W, nhiều chế độ, Giá: 3.950.000' - 'Máy giặt Electrolux Inverter EWF9024BDWB, 9kg, Công nghệ UltraMix, Giá: 10.500.000' - 'Loa Soundbar Samsung HW-T420, công suất 120W, bluetooth, Giá: 2.450.000' pipeline_tag: sentence-similarity library_name: sentence-transformers metrics: - cosine_accuracy@1 - cosine_accuracy@2 - cosine_accuracy@5 - cosine_accuracy@10 - cosine_accuracy@100 - cosine_precision@1 - cosine_precision@2 - cosine_precision@5 - cosine_precision@10 - cosine_precision@100 - cosine_recall@1 - cosine_recall@2 - cosine_recall@5 - cosine_recall@10 - cosine_recall@100 - cosine_ndcg@10 - cosine_mrr@1 - cosine_mrr@2 - cosine_mrr@5 - cosine_mrr@10 - cosine_mrr@100 - cosine_map@100 model-index: - name: SentenceTransformer based on vinai/phobert-base-v2 results: - task: type: information-retrieval name: Information Retrieval dataset: name: Unknown type: unknown metrics: - type: cosine_accuracy@1 value: 0.5257289879931389 name: Cosine Accuracy@1 - type: cosine_accuracy@2 value: 0.7530017152658662 name: Cosine Accuracy@2 - type: cosine_accuracy@5 value: 0.9562607204116638 name: Cosine Accuracy@5 - type: cosine_accuracy@10 value: 0.9931389365351629 name: Cosine Accuracy@10 - type: cosine_accuracy@100 value: 0.9965694682675815 name: Cosine Accuracy@100 - type: cosine_precision@1 value: 0.5257289879931389 name: Cosine Precision@1 - type: cosine_precision@2 value: 0.3765008576329331 name: Cosine Precision@2 - type: cosine_precision@5 value: 0.19125214408233276 name: Cosine Precision@5 - type: cosine_precision@10 value: 0.0993138936535163 name: Cosine Precision@10 - type: cosine_precision@100 value: 0.009965694682675816 name: Cosine Precision@100 - type: cosine_recall@1 value: 0.5257289879931389 name: Cosine Recall@1 - type: cosine_recall@2 value: 0.7530017152658662 name: Cosine Recall@2 - type: cosine_recall@5 value: 0.9562607204116638 name: Cosine Recall@5 - type: cosine_recall@10 value: 0.9931389365351629 name: Cosine Recall@10 - type: cosine_recall@100 value: 0.9965694682675815 name: Cosine Recall@100 - type: cosine_ndcg@10 value: 0.776023945219392 name: Cosine Ndcg@10 - type: cosine_mrr@1 value: 0.5257289879931389 name: Cosine Mrr@1 - type: cosine_mrr@2 value: 0.6393653516295026 name: Cosine Mrr@2 - type: cosine_mrr@5 value: 0.6983704974271029 name: Cosine Mrr@5 - type: cosine_mrr@10 value: 0.7039832285115316 name: Cosine Mrr@10 - type: cosine_mrr@100 value: 0.7042308189713864 name: Cosine Mrr@100 - type: cosine_map@100 value: 0.704230818971385 name: Cosine Map@100 --- # SentenceTransformer based on vinai/phobert-base-v2 This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [vinai/phobert-base-v2](https://huggingface.co/vinai/phobert-base-v2). It maps sentences & paragraphs to a 768-dimensional dense vector space and can be used for semantic textual similarity, semantic search, paraphrase mining, text classification, clustering, and more. ## Model Details ### Model Description - **Model Type:** Sentence Transformer - **Base model:** [vinai/phobert-base-v2](https://huggingface.co/vinai/phobert-base-v2) - **Maximum Sequence Length:** 256 tokens - **Output Dimensionality:** 768 dimensions - **Similarity Function:** Cosine Similarity ### Model Sources - **Documentation:** [Sentence Transformers Documentation](https://sbert.net) - **Repository:** [Sentence Transformers on GitHub](https://github.com/UKPLab/sentence-transformers) - **Hugging Face:** [Sentence Transformers on Hugging Face](https://huggingface.co/models?library=sentence-transformers) ### Full Model Architecture ``` SentenceTransformer( (0): Transformer({'max_seq_length': 256, 'do_lower_case': False}) with Transformer model: RobertaModel (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("meandyou200175/e5-query-sql") # Run inference sentences = [ 'Cho mình ghế massage Daikiosan công suất nhỏ hơn 158W có không ạ?', 'Ghế massage Daikiosan DK-180, công suất 120W, nhiều chế độ, Giá: 3.950.000', 'Ghế massage Daikiosan DK-180, công suất 210W, nhiều chế độ, Giá: 3.950.000', ] embeddings = model.encode(sentences) print(embeddings.shape) # [3, 768] # Get the similarity scores for the embeddings similarities = model.similarity(embeddings, embeddings) print(similarities.shape) # [3, 3] ``` ## Evaluation ### Metrics #### Information Retrieval * Evaluated with [InformationRetrievalEvaluator](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator) | Metric | Value | |:---------------------|:----------| | cosine_accuracy@1 | 0.5257 | | cosine_accuracy@2 | 0.753 | | cosine_accuracy@5 | 0.9563 | | cosine_accuracy@10 | 0.9931 | | cosine_accuracy@100 | 0.9966 | | cosine_precision@1 | 0.5257 | | cosine_precision@2 | 0.3765 | | cosine_precision@5 | 0.1913 | | cosine_precision@10 | 0.0993 | | cosine_precision@100 | 0.01 | | cosine_recall@1 | 0.5257 | | cosine_recall@2 | 0.753 | | cosine_recall@5 | 0.9563 | | cosine_recall@10 | 0.9931 | | cosine_recall@100 | 0.9966 | | **cosine_ndcg@10** | **0.776** | | cosine_mrr@1 | 0.5257 | | cosine_mrr@2 | 0.6394 | | cosine_mrr@5 | 0.6984 | | cosine_mrr@10 | 0.704 | | cosine_mrr@100 | 0.7042 | | cosine_map@100 | 0.7042 | ## Training Details ### Training Dataset #### Unnamed Dataset * Size: 10,494 training samples * Columns: 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, and negative_15 * Approximate statistics based on the first 1000 samples: | | 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 | |:--------|:---------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------| | type | string | string | string | string | string | string | string | string | string | string | string | string | string | string | string | string | string | | details | | | | | | | | | | | | | | | | | | * Samples: | 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 | |:----------------------------------------------------------------------|:-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------| | Máy hút ẩm công suất 34L/ngày và độ ồn nhỏ hơn 45dB | Máy hút ẩm Sharp DW-J27FV-S, công suất hút 25L/ngày, độ ồn chỉ 38dB vận hành êm ái, lọc HEPA loại bỏ bụi mịn, khử mùi bằng than hoạt tính, bình chứa 4L, có chế độ sấy quần áo, bánh xe di chuyển linh hoạt, bảo hành 24 tháng, Giá 8.790.000 | Máy hút ẩm Sharp DW-J27FV-S, công suất hút 41.8L/ngày, độ ồn chỉ 38dB vận hành êm ái, lọc HEPA loại bỏ bụi mịn, khử mùi bằng than hoạt tính, bình chứa 4L, có chế độ sấy quần áo, bánh xe di chuyển linh hoạt, bảo hành 24 tháng, Giá 8.790.000 | Máy hút ẩm Sharp DW-J27FV-S, công suất hút 39.8L/ngày, độ ồn chỉ 38dB vận hành êm ái, lọc HEPA loại bỏ bụi mịn, khử mùi bằng than hoạt tính, bình chứa 4L, có chế độ sấy quần áo, bánh xe di chuyển linh hoạt, bảo hành 24 tháng, Giá 8.790.000 | Máy hút ẩm Sharp DW-J27FV-S, công suất hút 44.9L/ngày, độ ồn chỉ 38dB vận hành êm ái, lọc HEPA loại bỏ bụi mịn, khử mùi bằng than hoạt tính, bình chứa 4L, có chế độ sấy quần áo, bánh xe di chuyển linh hoạt, bảo hành 24 tháng, Giá 8.790.000 | Máy hút ẩm Sharp DW-J27FV-S, công suất hút 45.6L/ngày, độ ồn chỉ 38dB vận hành êm ái, lọc HEPA loại bỏ bụi mịn, khử mùi bằng than hoạt tính, bình chứa 4L, có chế độ sấy quần áo, bánh xe di chuyển linh hoạt, bảo hành 24 tháng, Giá 8.790.000 | Máy hút ẩm Sharp DW-J27FV-S, công suất hút 43.7L/ngày, độ ồn chỉ 38dB vận hành êm ái, lọc HEPA loại bỏ bụi mịn, khử mùi bằng than hoạt tính, bình chứa 4L, có chế độ sấy quần áo, bánh xe di chuyển linh hoạt, bảo hành 24 tháng, Giá 8.790.000 | Máy hút ẩm Sharp DW-J27FV-S, công suất hút 37.2L/ngày, độ ồn chỉ 38dB vận hành êm ái, lọc HEPA loại bỏ bụi mịn, khử mùi bằng than hoạt tính, bình chứa 4L, có chế độ sấy quần áo, bánh xe di chuyển linh hoạt, bảo hành 24 tháng, Giá 8.790.000 | Máy hút ẩm Sharp DW-J27FV-S, công suất hút 41.5L/ngày, độ ồn chỉ 38dB vận hành êm ái, lọc HEPA loại bỏ bụi mịn, khử mùi bằng than hoạt tính, bình chứa 4L, có chế độ sấy quần áo, bánh xe di chuyển linh hoạt, bảo hành 24 tháng, Giá 8.790.000 | Máy hút ẩm Sharp DW-J27FV-S, công suất hút 42.6L/ngày, độ ồn chỉ 38dB vận hành êm ái, lọc HEPA loại bỏ bụi mịn, khử mùi bằng than hoạt tính, bình chứa 4L, có chế độ sấy quần áo, bánh xe di chuyển linh hoạt, bảo hành 24 tháng, Giá 8.790.000 | Máy hút ẩm Sharp DW-J27FV-S, công suất hút 43.8L/ngày, độ ồn chỉ 38dB vận hành êm ái, lọc HEPA loại bỏ bụi mịn, khử mùi bằng than hoạt tính, bình chứa 4L, có chế độ sấy quần áo, bánh xe di chuyển linh hoạt, bảo hành 24 tháng, Giá 8.790.000 | Máy hút ẩm Sharp DW-J27FV-S, công suất hút 39.7L/ngày, độ ồn chỉ 38dB vận hành êm ái, lọc HEPA loại bỏ bụi mịn, khử mùi bằng than hoạt tính, bình chứa 4L, có chế độ sấy quần áo, bánh xe di chuyển linh hoạt, bảo hành 24 tháng, Giá 8.790.000 | Máy giặt LG Inverter 9kg, Lồng ngang, Giặt hơi nước, Giá: 9.500.000 | Máy lọc nước Sunhouse SHA8810, công suất lọc 10L/h, 8 lõi lọc, Giá: 6.500.000 | Ghế văn phòng Noble WB-205, xoay 360°, tựa lưng cao, chịu lực 160kg, Giá: 2.450.000 | Ghế gấp Inox bọc nệm, Tải trọng 100kg, Giá: 650.000 | Quạt điều hòa Sunhouse SHD7725, Lưu lượng 5.500 m³/h, Bình nước 50L, Giá: 4.900.000 | | Cho mình bàn ủi khô công suất lớn hơn 750W được không ạ? | Bàn ủi khô Tefal FV1020, công suất 1000W, Giá: 380.000 | Bàn ủi khô Tefal FV1020, công suất 690W, Giá: 380.000 | Bàn ủi khô Tefal FV1020, công suất 580W, Giá: 380.000 | Bàn ủi khô Tefal FV1020, công suất 460W, Giá: 380.000 | Bàn ủi khô Tefal FV1020, công suất 660W, Giá: 380.000 | Bàn ủi khô Tefal FV1020, công suất 610W, Giá: 380.000 | Bàn ủi khô Tefal FV1020, công suất 440W, Giá: 380.000 | Bàn ủi khô Tefal FV1020, công suất 620W, Giá: 380.000 | Bàn ủi khô Tefal FV1020, công suất 510W, Giá: 380.000 | Bàn ủi khô Tefal FV1020, công suất 540W, Giá: 380.000 | Bàn ủi khô Tefal FV1020, công suất 430W, Giá: 380.000 | Máy lọc Kangaroo KG111, công suất 25L/h, 9 lõi lọc, vòi nhựa ABS, Giá 7.550.000 | Màn hình Samsung Odyssey Neo G9, 49 inch, 240Hz, 2K, Giá: 42.000.000 | Máy sấy tóc Philips HP8230, Công suất 2100W, 2 chế độ gió, Giá: 620.000 | Robot hút bụi Ecovacs Deebot T10, Pin 5200mAh, Hút 5000Pa, Giá: 12.900.000 | Loa kéo Sansui SA2-12, Công suất 600W, Kèm micro, Giá: 4.900.000 | | mình cần tủ rượu dung tích lớn hơn 56 chai | Tủ ướp rượu Kadeka KS140TL, Sức chứa 140 chai, Kính chống UV, Inverter, Giá: 28.500.000 | Tủ ướp rượu Kadeka KS140TL, Sức chứa 39.1 chai, Kính chống UV, Inverter, Giá: 28.500.000 | Tủ ướp rượu Kadeka KS140TL, Sức chứa 51.7 chai, Kính chống UV, Inverter, Giá: 28.500.000 | Tủ ướp rượu Kadeka KS140TL, Sức chứa 29.9 chai, Kính chống UV, Inverter, Giá: 28.500.000 | Tủ ướp rượu Kadeka KS140TL, Sức chứa 49.4 chai, Kính chống UV, Inverter, Giá: 28.500.000 | Tủ ướp rượu Kadeka KS140TL, Sức chứa 46.6 chai, Kính chống UV, Inverter, Giá: 28.500.000 | Tủ ướp rượu Kadeka KS140TL, Sức chứa 37.7 chai, Kính chống UV, Inverter, Giá: 28.500.000 | Tủ ướp rượu Kadeka KS140TL, Sức chứa 50.2 chai, Kính chống UV, Inverter, Giá: 28.500.000 | Tủ ướp rượu Kadeka KS140TL, Sức chứa 51.5 chai, Kính chống UV, Inverter, Giá: 28.500.000 | Tủ ướp rượu Kadeka KS140TL, Sức chứa 34.2 chai, Kính chống UV, Inverter, Giá: 28.500.000 | Tủ ướp rượu Kadeka KS140TL, Sức chứa 42.1 chai, Kính chống UV, Inverter, Giá: 28.500.000 | Nồi áp suất điện Philips HD2137, dung tích 6L, công suất 1000W, Giá: 1.755.000 | Máy sấy tóc Panasonic EH-ND11, công suất 1600W, 2 tốc độ, Giá: 450.000 | Tủ quần áo gỗ MDF 3 cánh, Cao 2m, Rộng 1m6, Giá: 6.500.000 | Máy sấy Electrolux EDH802, công suất 2000W, sức chứa 8kg, Giá: 12.500.000 | Bàn học gỗ MDF, Rộng 1m2, Ngăn kéo bên, Giá: 2.400.000 | * Loss: [MultipleNegativesRankingLoss](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters: ```json { "scale": 20.0, "similarity_fct": "cos_sim" } ``` ### Evaluation Dataset #### Unnamed Dataset * Size: 1,166 evaluation samples * Columns: 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, and negative_15 * Approximate statistics based on the first 1000 samples: | | 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 | |:--------|:----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------| | type | string | string | string | string | string | string | string | string | string | string | string | string | string | string | string | string | string | | details | | | | | | | | | | | | | | | | | | * Samples: | 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 | |:------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------------------------------| | tôi muốn xe đạp thể thao khung carbon dưới 14kg | Xe đạp Giant TCR Advanced 2, Khung carbon, Trọng lượng: 8.5kg, Groupset Shimano 105, Giá: 42,900,000 | Xe đạp Giant TCR Advanced 2, Khung carbon, Trọng lượng: 19.2kg, Groupset Shimano 105, Giá: 42,900,000 | Xe đạp Giant TCR Advanced 2, Khung carbon, Trọng lượng: 19.7kg, Groupset Shimano 105, Giá: 42,900,000 | Xe đạp Giant TCR Advanced 2, Khung carbon, Trọng lượng: 16.1kg, Groupset Shimano 105, Giá: 42,900,000 | Xe đạp Giant TCR Advanced 2, Khung carbon, Trọng lượng: 19.8kg, Groupset Shimano 105, Giá: 42,900,000 | Xe đạp Giant TCR Advanced 2, Khung carbon, Trọng lượng: 16.6kg, Groupset Shimano 105, Giá: 42,900,000 | Xe đạp Giant TCR Advanced 2, Khung carbon, Trọng lượng: 19.4kg, Groupset Shimano 105, Giá: 42,900,000 | Xe đạp Giant TCR Advanced 2, Khung carbon, Trọng lượng: 15.7kg, Groupset Shimano 105, Giá: 42,900,000 | Xe đạp Giant TCR Advanced 2, Khung carbon, Trọng lượng: 15.3kg, Groupset Shimano 105, Giá: 42,900,000 | Xe đạp Giant TCR Advanced 2, Khung carbon, Trọng lượng: 17.9kg, Groupset Shimano 105, Giá: 42,900,000 | Xe đạp Giant TCR Advanced 2, Khung carbon, Trọng lượng: 16.4kg, Groupset Shimano 105, Giá: 42,900,000 | Bếp từ Sunhouse SHD6017, Công suất: 1400W, Mặt kính chịu lực, 8 chế độ nấu, Giá: 899,000 | Quạt bàn Midea FZ40-15DB, công suất 60W, 3 tốc độ, Giá: 350.000 | Máy lọc không khí Coway AP-1009CH, Diện tích phòng 33m2, Lọc HEPA, Giá: 4.200.000 | Máy chiếu ViewSonic PA503X, Tuổi thọ 15.000h, Độ sáng 3.800 Lumens, Giá: 9.900.000 | Bếp từ đôi Kangaroo KG499N, Công suất 2200W, Mặt kính Schott, Giá: 4.200.000 | | mình cần máy in tốc độ trên 25 trang/phút và giá nhỏ hơn 9 triệu | Máy in HP LaserJet Pro M404dn, Tốc độ 30 trang/phút, Kết nối LAN, Giá: 6.800.000 | Máy in HP LaserJet Pro M404dn, Tốc độ 30 trang/phút, Kết nối LAN, Giá: 11.000.000 | Máy in HP LaserJet Pro M404dn, Tốc độ 30 trang/phút, Kết nối LAN, Giá: 13.000.000 | Máy in HP LaserJet Pro M404dn, Tốc độ 30 trang/phút, Kết nối LAN, Giá: 12.000.000 | Máy in HP LaserJet Pro M404dn, Tốc độ 30 trang/phút, Kết nối LAN, Giá: 9.968.000 | Máy in HP LaserJet Pro M404dn, Tốc độ 30 trang/phút, Kết nối LAN, Giá: 9.979.000 | Máy in HP LaserJet Pro M404dn, Tốc độ 30 trang/phút, Kết nối LAN, Giá: 10.000.000 | Máy in HP LaserJet Pro M404dn, Tốc độ 30 trang/phút, Kết nối LAN, Giá: 9.467.000 | Balo laptop Xiaomi 15.6 inch, chống nước, nhiều ngăn, Giá: 980.000 | Máy lọc nước Karofi KAQ-U95, Công suất 780W, 10 lõi lọc, Giá: 6.500.000 | Máy sấy tóc Panasonic EH-ND64, Công suất 1600W, 3 mức gió, Giá: 750.000 | Tủ lạnh Samsung Inverter RT35K5982SL, Dung tích 360L, Công nghệ Twin Cooling Plus, Giá: 10.900.000 | Máy ảnh Canon EOS M50 Mark II, Trọng lượng: 387g, Cảm biến APS-C 24.1MP, Quay 4K, Màn hình xoay lật, Giá: 15,900,000 | Đèn năng lượng mặt trời Sunhouse SH-SOL28, công suất 28W, pin lithium 12V, Giá 650.000 | Điện thoại Samsung Galaxy M14, pin 6000mAh, màn hình 6.6 inch, RAM 6GB, ROM 128GB, Giá 4.290.000 | Giày Converse Chuck Taylor 1970s High, Canvas, Giá: 1.850.000 | | Máy lọc nước công suất nhỏ hơn 1445W | Máy lọc nước Karofi KSI90, công suất 850W, 9 lõi lọc, tiết kiệm điện, Giá 3.790.000 | Máy lọc nước Karofi KSI90, công suất 1900W, 9 lõi lọc, tiết kiệm điện, Giá 3.790.000 | Máy lọc nước Karofi KSI90, công suất 2000W, 9 lõi lọc, tiết kiệm điện, Giá 3.790.000 | Máy lọc nước Karofi KSI90, công suất 1600W, 9 lõi lọc, tiết kiệm điện, Giá 3.790.000 | Máy lọc nước Karofi KSI90, công suất 1500W, 9 lõi lọc, tiết kiệm điện, Giá 3.790.000 | Máy lọc nước Karofi KSI90, công suất 1700W, 9 lõi lọc, tiết kiệm điện, Giá 3.790.000 | Máy lọc nước Karofi KSI90, công suất 2100W, 9 lõi lọc, tiết kiệm điện, Giá 3.790.000 | Máy xay Philips HR2056, Cối 0.7L, 4 cánh thép, Giá: 650.000 | Loa JBL PartyBox 110, Công suất 160W, Chống nước IPX4, Giá: 8.500.000 | Lò vi sóng Electrolux 25L, công suất 900W, chức năng rã đông, Giá: 3.500.000 | Đèn năng lượng mặt trời Sunhouse SH-SOL30, công suất 25W, pin lithium 12V, Giá: 650.000 | Loa Sony SRS-XB23, công suất 25W, pin 12h, chống nước IP67, Giá: 3.200.000 | Máy sấy tóc Panasonic EH-ND11, 1900W, chế độ ion âm, Giá: 785.000 | Sofa nỉ nhập khẩu, Chiều dài 2m2, 3 chỗ ngồi, Giá: 11.500.000 | Tủ đông Alaska BCD-3.568, Dung tích 360L, 2 ngăn đông-mát, Giá: 9.500.000 | Gạo ST25 túi 5kg, Hạt dài, dẻo, thơm tự nhiên, Xuất xứ: Sóc Trăng, Chứng nhận OCOP, Giá: 240.000 | * Loss: [MultipleNegativesRankingLoss](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters: ```json { "scale": 20.0, "similarity_fct": "cos_sim" } ``` ### Training Hyperparameters #### Non-Default Hyperparameters - `eval_strategy`: steps - `learning_rate`: 2e-05 - `num_train_epochs`: 10 - `warmup_ratio`: 0.1 - `fp16`: True - `batch_sampler`: no_duplicates #### All Hyperparameters
Click to expand - `overwrite_output_dir`: False - `do_predict`: False - `eval_strategy`: steps - `prediction_loss_only`: True - `per_device_train_batch_size`: 8 - `per_device_eval_batch_size`: 8 - `per_gpu_train_batch_size`: None - `per_gpu_eval_batch_size`: None - `gradient_accumulation_steps`: 1 - `eval_accumulation_steps`: None - `torch_empty_cache_steps`: None - `learning_rate`: 2e-05 - `weight_decay`: 0.0 - `adam_beta1`: 0.9 - `adam_beta2`: 0.999 - `adam_epsilon`: 1e-08 - `max_grad_norm`: 1.0 - `num_train_epochs`: 10 - `max_steps`: -1 - `lr_scheduler_type`: linear - `lr_scheduler_kwargs`: {} - `warmup_ratio`: 0.1 - `warmup_steps`: 0 - `log_level`: passive - `log_level_replica`: warning - `log_on_each_node`: True - `logging_nan_inf_filter`: True - `save_safetensors`: True - `save_on_each_node`: False - `save_only_model`: False - `restore_callback_states_from_checkpoint`: False - `no_cuda`: False - `use_cpu`: False - `use_mps_device`: False - `seed`: 42 - `data_seed`: None - `jit_mode_eval`: False - `use_ipex`: False - `bf16`: False - `fp16`: True - `fp16_opt_level`: O1 - `half_precision_backend`: auto - `bf16_full_eval`: False - `fp16_full_eval`: False - `tf32`: None - `local_rank`: 0 - `ddp_backend`: None - `tpu_num_cores`: None - `tpu_metrics_debug`: False - `debug`: [] - `dataloader_drop_last`: False - `dataloader_num_workers`: 0 - `dataloader_prefetch_factor`: None - `past_index`: -1 - `disable_tqdm`: False - `remove_unused_columns`: True - `label_names`: None - `load_best_model_at_end`: False - `ignore_data_skip`: False - `fsdp`: [] - `fsdp_min_num_params`: 0 - `fsdp_config`: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False} - `fsdp_transformer_layer_cls_to_wrap`: None - `accelerator_config`: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None} - `deepspeed`: None - `label_smoothing_factor`: 0.0 - `optim`: adamw_torch - `optim_args`: None - `adafactor`: False - `group_by_length`: False - `length_column_name`: length - `ddp_find_unused_parameters`: None - `ddp_bucket_cap_mb`: None - `ddp_broadcast_buffers`: False - `dataloader_pin_memory`: 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 - `gradient_checkpointing`: False - `gradient_checkpointing_kwargs`: None - `include_inputs_for_metrics`: False - `include_for_metrics`: [] - `eval_do_concat_batches`: True - `fp16_backend`: auto - `push_to_hub_model_id`: None - `push_to_hub_organization`: None - `mp_parameters`: - `auto_find_batch_size`: False - `full_determinism`: False - `torchdynamo`: None - `ray_scope`: last - `ddp_timeout`: 1800 - `torch_compile`: False - `torch_compile_backend`: None - `torch_compile_mode`: None - `include_tokens_per_second`: False - `include_num_input_tokens_seen`: False - `neftune_noise_alpha`: None - `optim_target_modules`: None - `batch_eval_metrics`: False - `eval_on_start`: False - `use_liger_kernel`: False - `eval_use_gather_object`: False - `average_tokens_across_devices`: False - `prompts`: None - `batch_sampler`: no_duplicates - `multi_dataset_batch_sampler`: proportional
### Training Logs
Click to expand | Epoch | Step | Training Loss | Validation Loss | cosine_ndcg@10 | |:------:|:-----:|:-------------:|:---------------:|:--------------:| | -1 | -1 | - | - | 0.1885 | | 0.0762 | 100 | 3.4564 | - | - | | 0.1524 | 200 | 2.4965 | - | - | | 0.2287 | 300 | 2.4147 | - | - | | 0.3049 | 400 | 2.2799 | - | - | | 0.3811 | 500 | 1.9016 | - | - | | 0.4573 | 600 | 1.6222 | - | - | | 0.5335 | 700 | 1.5005 | - | - | | 0.6098 | 800 | 1.2556 | - | - | | 0.6860 | 900 | 1.2152 | - | - | | 0.7622 | 1000 | 1.0514 | 0.7850 | 0.5380 | | 0.8384 | 1100 | 0.9779 | - | - | | 0.9146 | 1200 | 0.7901 | - | - | | 0.9909 | 1300 | 0.8193 | - | - | | 1.0671 | 1400 | 0.6562 | - | - | | 1.1433 | 1500 | 0.5943 | - | - | | 1.2195 | 1600 | 0.6152 | - | - | | 1.2957 | 1700 | 0.497 | - | - | | 1.3720 | 1800 | 0.5094 | - | - | | 1.4482 | 1900 | 0.3873 | - | - | | 1.5244 | 2000 | 0.3555 | 0.3186 | 0.6475 | | 1.6006 | 2100 | 0.3265 | - | - | | 1.6768 | 2200 | 0.3788 | - | - | | 1.7530 | 2300 | 0.3472 | - | - | | 1.8293 | 2400 | 0.341 | - | - | | 1.9055 | 2500 | 0.3419 | - | - | | 1.9817 | 2600 | 0.3228 | - | - | | 2.0579 | 2700 | 0.3064 | - | - | | 2.1341 | 2800 | 0.2423 | - | - | | 2.2104 | 2900 | 0.2225 | - | - | | 2.2866 | 3000 | 0.2204 | 0.2283 | 0.6909 | | 2.3628 | 3100 | 0.2097 | - | - | | 2.4390 | 3200 | 0.2072 | - | - | | 2.5152 | 3300 | 0.2057 | - | - | | 2.5915 | 3400 | 0.2142 | - | - | | 2.6677 | 3500 | 0.1964 | - | - | | 2.7439 | 3600 | 0.1807 | - | - | | 2.8201 | 3700 | 0.1822 | - | - | | 2.8963 | 3800 | 0.1836 | - | - | | 2.9726 | 3900 | 0.1889 | - | - | | 3.0488 | 4000 | 0.1487 | 0.1836 | 0.7172 | | 3.125 | 4100 | 0.1519 | - | - | | 3.2012 | 4200 | 0.1684 | - | - | | 3.2774 | 4300 | 0.1211 | - | - | | 3.3537 | 4400 | 0.1554 | - | - | | 3.4299 | 4500 | 0.1421 | - | - | | 3.5061 | 4600 | 0.1339 | - | - | | 3.5823 | 4700 | 0.1324 | - | - | | 3.6585 | 4800 | 0.138 | - | - | | 3.7348 | 4900 | 0.1181 | - | - | | 3.8110 | 5000 | 0.139 | 0.1709 | 0.7259 | | 3.8872 | 5100 | 0.1284 | - | - | | 3.9634 | 5200 | 0.1172 | - | - | | 4.0396 | 5300 | 0.0993 | - | - | | 4.1159 | 5400 | 0.1183 | - | - | | 4.1921 | 5500 | 0.0865 | - | - | | 4.2683 | 5600 | 0.0926 | - | - | | 4.3445 | 5700 | 0.0973 | - | - | | 4.4207 | 5800 | 0.1106 | - | - | | 4.4970 | 5900 | 0.1024 | - | - | | 4.5732 | 6000 | 0.0842 | 0.1439 | 0.7421 | | 4.6494 | 6100 | 0.0927 | - | - | | 4.7256 | 6200 | 0.0867 | - | - | | 4.8018 | 6300 | 0.1022 | - | - | | 4.8780 | 6400 | 0.1124 | - | - | | 4.9543 | 6500 | 0.0839 | - | - | | 5.0305 | 6600 | 0.1063 | - | - | | 5.1067 | 6700 | 0.0764 | - | - | | 5.1829 | 6800 | 0.0687 | - | - | | 5.2591 | 6900 | 0.0863 | - | - | | 5.3354 | 7000 | 0.0804 | 0.1185 | 0.7501 | | 5.4116 | 7100 | 0.0726 | - | - | | 5.4878 | 7200 | 0.0627 | - | - | | 5.5640 | 7300 | 0.0644 | - | - | | 5.6402 | 7400 | 0.0682 | - | - | | 5.7165 | 7500 | 0.0713 | - | - | | 5.7927 | 7600 | 0.0753 | - | - | | 5.8689 | 7700 | 0.0815 | - | - | | 5.9451 | 7800 | 0.0663 | - | - | | 6.0213 | 7900 | 0.083 | - | - | | 6.0976 | 8000 | 0.0682 | 0.1262 | 0.7626 | | 6.1738 | 8100 | 0.0711 | - | - | | 6.25 | 8200 | 0.0581 | - | - | | 6.3262 | 8300 | 0.0655 | - | - | | 6.4024 | 8400 | 0.0612 | - | - | | 6.4787 | 8500 | 0.0714 | - | - | | 6.5549 | 8600 | 0.0509 | - | - | | 6.6311 | 8700 | 0.0486 | - | - | | 6.7073 | 8800 | 0.0456 | - | - | | 6.7835 | 8900 | 0.0724 | - | - | | 6.8598 | 9000 | 0.0596 | 0.1049 | 0.7675 | | 6.9360 | 9100 | 0.0424 | - | - | | 7.0122 | 9200 | 0.0617 | - | - | | 7.0884 | 9300 | 0.0484 | - | - | | 7.1646 | 9400 | 0.0506 | - | - | | 7.2409 | 9500 | 0.0561 | - | - | | 7.3171 | 9600 | 0.0502 | - | - | | 7.3933 | 9700 | 0.0357 | - | - | | 7.4695 | 9800 | 0.0476 | - | - | | 7.5457 | 9900 | 0.0379 | - | - | | 7.6220 | 10000 | 0.0455 | 0.1063 | 0.7706 | | 7.6982 | 10100 | 0.0479 | - | - | | 7.7744 | 10200 | 0.0605 | - | - | | 7.8506 | 10300 | 0.0486 | - | - | | 7.9268 | 10400 | 0.0591 | - | - | | 8.0030 | 10500 | 0.0445 | - | - | | 8.0793 | 10600 | 0.0369 | - | - | | 8.1555 | 10700 | 0.041 | - | - | | 8.2317 | 10800 | 0.0449 | - | - | | 8.3079 | 10900 | 0.0387 | - | - | | 8.3841 | 11000 | 0.0263 | 0.1080 | 0.7706 | | 8.4604 | 11100 | 0.0248 | - | - | | 8.5366 | 11200 | 0.0475 | - | - | | 8.6128 | 11300 | 0.056 | - | - | | 8.6890 | 11400 | 0.0401 | - | - | | 8.7652 | 11500 | 0.043 | - | - | | 8.8415 | 11600 | 0.0447 | - | - | | 8.9177 | 11700 | 0.0461 | - | - | | 8.9939 | 11800 | 0.0436 | - | - | | 9.0701 | 11900 | 0.0373 | - | - | | 9.1463 | 12000 | 0.0498 | 0.1015 | 0.7761 | | 9.2226 | 12100 | 0.0284 | - | - | | 9.2988 | 12200 | 0.0421 | - | - | | 9.375 | 12300 | 0.0327 | - | - | | 9.4512 | 12400 | 0.0476 | - | - | | 9.5274 | 12500 | 0.0381 | - | - | | 9.6037 | 12600 | 0.0377 | - | - | | 9.6799 | 12700 | 0.0449 | - | - | | 9.7561 | 12800 | 0.0344 | - | - | | 9.8323 | 12900 | 0.0249 | - | - | | 9.9085 | 13000 | 0.0411 | 0.0993 | 0.7760 | | 9.9848 | 13100 | 0.0466 | - | - |
### Framework Versions - Python: 3.11.13 - Sentence Transformers: 4.1.0 - Transformers: 4.52.4 - PyTorch: 2.6.0+cu124 - Accelerate: 1.8.1 - Datasets: 3.6.0 - Tokenizers: 0.21.2 ## Citation ### BibTeX #### Sentence Transformers ```bibtex @inproceedings{reimers-2019-sentence-bert, title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks", author = "Reimers, Nils and Gurevych, Iryna", booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing", month = "11", year = "2019", publisher = "Association for Computational Linguistics", url = "https://arxiv.org/abs/1908.10084", } ``` #### 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} } ```