Add new SentenceTransformer model

.gitattributes

@@ -33,3 +33,4 @@ saved_model/**/* filter=lfs diff=lfs merge=lfs -text
 *.zip filter=lfs diff=lfs merge=lfs -text
 *.zst filter=lfs diff=lfs merge=lfs -text
 *tfevents* filter=lfs diff=lfs merge=lfs -text
+tokenizer.json filter=lfs diff=lfs merge=lfs -text

1_Pooling/config.json

@@ -0,0 +1,10 @@
+{
+    "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
+}

2_Dense/config.json

@@ -0,0 +1,6 @@
+{
+    "in_features": 768,
+    "out_features": 3072,
+    "bias": false,
+    "activation_function": "torch.nn.modules.linear.Identity"
+}

2_Dense/model.safetensors

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:3138b4ac67adac1e30e26168c96dd9a27dbb02432802de959ae47e3731332bd1
+size 9437272

3_Dense/config.json

@@ -0,0 +1,6 @@
+{
+    "in_features": 3072,
+    "out_features": 768,
+    "bias": false,
+    "activation_function": "torch.nn.modules.linear.Identity"
+}

3_Dense/model.safetensors

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:d46ef9c9e167ea70b798d8eace9539baff74ccb3820a0d62d2b41e71a0250926
+size 9437272

README.md

@@ -0,0 +1,716 @@
+---
+tags:
+- sentence-transformers
+- sentence-similarity
+- feature-extraction
+- dense
+- generated_from_trainer
+- dataset_size:97975
+- loss:MultipleNegativesRankingLoss
+base_model: google/embeddinggemma-300m
+widget:
+- source_sentence: 'task: classification | query: Trong bài viết này chúng ta sẽ thảo
+    luận: Lợi ích của năng lượng mặt trời trong trường học. Năng lượng mặt trời là
+    nguồn tài nguyên đầy hứa hẹn và có giá trị cao cho tương lai, với xu hướng sử
+    dụng loại năng lượng này ngày càng tăng, một số trường học đang tìm cách sử dụng
+    nguồn năng lượng này hiệu quả hơn. Câu hỏi đặt ra là tại sao các trường học lại
+    tìm kiếm sự chuyển đổi này? và làm thế nào năng lượng mặt trời có thể được sử
+    dụng trong trường học? Năm 2020, Hoa Kỳ đã ghi nhận tổng cộng 7300 k-12 trường
+    học sử dụng tấm pin mặt trời để tạo ra điện, với mức tăng trưởng hàng năm là 24%
+    từ năm 2017 đến năm 2020. Việc lắp đặt tấm pin mặt trời trong trường học có thể
+    giúp: Giúp các học khu giảm chi phí hóa đơn tiền điện. Mang lại một môi trường
+    sạch sẽ cho học sinh. Nâng cao nhận thức về năng lượng tái tạo. Tận d'
+  sentences:
+  - trông người đã thấy hãm tài
+  - Sức khỏe - Đời sống
+  - Khoa học môi trường
+- source_sentence: "task: classification | query: Vitaco chuẩn bị bán gần 19 triệu\
+    \ cổ phần\r\nNgày 9/12 tới, Công ty Vận tải Xăng dầu (Vitaco) tổ chức bán đấu\
+    \ giá gần 19 triệu cổ phần qua Trung tâm giao dịch chứng khoán TP HCM và Hà Nội,\
+    \ với giá khởi điểm 10.200 đồng/cổ phần.\r\nTheo Trung tâm giao dịch chứng khoán\
+    \ TP HCM, các pháp nhân, thể nhân có nhu cầu tham gia mua cổ phần của Vitaco phải\
+    \ nộp hồ sơ đăng ký theo mẫu và đúng thời hạn. Số lượng cổ phần đăng ký mua tối\
+    \ thiểu là 500. Mệnh giá 10.000 đồng/cổ phần.\r\nCông ty Vận tải Xăng dầu Vitaco,\
+    \ có trụ sở chính tại số 12 đường Lê Duẩn, quận 1, TP HCM. Vốn điều lệ của Vitaco\
+    \ hiện nay là 400 tỷ đồng. Vitaco kinh doanh các sản phẩm xăng dầu bằng đường\
+    \ biển, ngoại thương, cung ứng vật tư, đại lý tàu biển, vệ sinh... và dịch vụ\
+    \ môi giới hàng hải."
+  sentences:
+  - Kinh doanh quốc tế
+  - Chứng khoán
+  - bặm miệng lại
+- source_sentence: "task: classification | query: Nhật Bản học tập kinh nghiệm điều\
+    \ trị cúm gia cầm của VN\r\nTrung tâm Y tế Quốc tế Nhật Bản đã quyết định hợp\
+    \ tác với Bệnh viện Bạch Mai (Hà Nội) về chẩn đoán và điều trị cho các bệnh nhân\
+    \ nhiễm virút cúm gia cầm thông qua truyền hình trực tiếp trên Internet, đồng\
+    \ thời cử các bác sĩ, chuyên gia y tế đến thực tập tại bệnh viện Bạch Mai. Nhằm\
+    \ đối phó với dịch cúm gia cầm thể mới, Trung tâm Y tế Quốc tế Nhật Bản được chỉ\
+    \ định là nơi chuyên chữa trị cho các bệnh nhân nhiễm virút cúm gia cầm. Tuy có\
+    \ nhiều trang thiết bị hiện đại, nhưng nhân viên của Trung tâm vẫn còn thiếu kinh\
+    \ nghiệm thực tế. Thông qua hợp tác với bệnh viện Bạch Mai, Trung tâm hy vọng\
+    \ sẽ đào tạo được một đội ngũ nhân viên có kinh nghiệm thực tế, có thể xử lý nhanh\
+    \ khi Nhật Bản có nhiều người bị nhiễm virút cúm gia cầm."
+  sentences:
+  - Cúm gà
+  - phục hồi lại nguyên trạng
+  - '"Mỗi lần nắng mới hắt bên song, Xao xác, gà trưa gáy não nùng."'
+- source_sentence: 'task: sentence similarity | query: phần nước đậm đặc, tinh tuý
+    nhất do vắt, ép, ngâm hoặc nấu lần đầu mà có'
+  sentences:
+  - Giải trí; Âm nhạc
+  - tóc bỏ lơi
+  - nước cốt trầu
+- source_sentence: 'task: sentence similarity | query: tập hợp 500 tờ giấy hay 20
+    thếp giấy, làm thành đơn vị để tính số lượng giấy'
+  sentences:
+  - bầu không khí nặng nề
+  - Tổ chức toàn cầu
+  - in hết hai ram giấy
+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 google/embeddinggemma-300m
+  results:
+  - task:
+      type: information-retrieval
+      name: Information Retrieval
+    dataset:
+      name: Unknown
+      type: unknown
+    metrics:
+    - type: cosine_accuracy@1
+      value: 0.13612565445026178
+      name: Cosine Accuracy@1
+    - type: cosine_accuracy@2
+      value: 0.1806741985854689
+      name: Cosine Accuracy@2
+    - type: cosine_accuracy@5
+      value: 0.2604941673555617
+      name: Cosine Accuracy@5
+    - type: cosine_accuracy@10
+      value: 0.3390281987691742
+      name: Cosine Accuracy@10
+    - type: cosine_accuracy@100
+      value: 0.7170019289060348
+      name: Cosine Accuracy@100
+    - type: cosine_precision@1
+      value: 0.13612565445026178
+      name: Cosine Precision@1
+    - type: cosine_precision@2
+      value: 0.09033709929273445
+      name: Cosine Precision@2
+    - type: cosine_precision@5
+      value: 0.05209883347111234
+      name: Cosine Precision@5
+    - type: cosine_precision@10
+      value: 0.03390281987691743
+      name: Cosine Precision@10
+    - type: cosine_precision@100
+      value: 0.007170019289060347
+      name: Cosine Precision@100
+    - type: cosine_recall@1
+      value: 0.13612565445026178
+      name: Cosine Recall@1
+    - type: cosine_recall@2
+      value: 0.1806741985854689
+      name: Cosine Recall@2
+    - type: cosine_recall@5
+      value: 0.2604941673555617
+      name: Cosine Recall@5
+    - type: cosine_recall@10
+      value: 0.3390281987691742
+      name: Cosine Recall@10
+    - type: cosine_recall@100
+      value: 0.7170019289060348
+      name: Cosine Recall@100
+    - type: cosine_ndcg@10
+      value: 0.22552433960734286
+      name: Cosine Ndcg@10
+    - type: cosine_mrr@1
+      value: 0.13612565445026178
+      name: Cosine Mrr@1
+    - type: cosine_mrr@2
+      value: 0.15839992651786533
+      name: Cosine Mrr@2
+    - type: cosine_mrr@5
+      value: 0.1801919720767884
+      name: Cosine Mrr@5
+    - type: cosine_mrr@10
+      value: 0.19070534830385946
+      name: Cosine Mrr@10
+    - type: cosine_mrr@100
+      value: 0.20385519306962407
+      name: Cosine Mrr@100
+    - type: cosine_map@100
+      value: 0.20385519306962605
+      name: Cosine Map@100
+---
+
+# SentenceTransformer based on google/embeddinggemma-300m
+
+This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [google/embeddinggemma-300m](https://huggingface.co/google/embeddinggemma-300m). 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:** [google/embeddinggemma-300m](https://huggingface.co/google/embeddinggemma-300m) <!-- at revision 57c266a740f537b4dc058e1b0cda161fd15afa75 -->
+- **Maximum Sequence Length:** 2048 tokens
+- **Output Dimensionality:** 768 dimensions
+- **Similarity Function:** Cosine Similarity
+<!-- - **Training Dataset:** Unknown -->
+<!-- - **Language:** Unknown -->
+<!-- - **License:** Unknown -->
+
+### Model Sources
+
+- **Documentation:** [Sentence Transformers Documentation](https://sbert.net)
+- **Repository:** [Sentence Transformers on GitHub](https://github.com/huggingface/sentence-transformers)
+- **Hugging Face:** [Sentence Transformers on Hugging Face](https://huggingface.co/models?library=sentence-transformers)
+
+### Full Model Architecture
+
+```
+SentenceTransformer(
+  (0): Transformer({'max_seq_length': 2048, 'do_lower_case': False, 'architecture': 'Gemma3TextModel'})
+  (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})
+  (2): Dense({'in_features': 768, 'out_features': 3072, 'bias': False, 'activation_function': 'torch.nn.modules.linear.Identity'})
+  (3): Dense({'in_features': 3072, 'out_features': 768, 'bias': False, 'activation_function': 'torch.nn.modules.linear.Identity'})
+  (4): Normalize()
+)
+```
+
+## 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/gemma_topic_modal")
+# Run inference
+queries = [
+    "task: sentence similarity | query: t\u1eadp h\u1ee3p 500 t\u1edd gi\u1ea5y hay 20 th\u1ebfp gi\u1ea5y, l\u00e0m th\u00e0nh \u0111\u01a1n v\u1ecb \u0111\u1ec3 t\u00ednh s\u1ed1 l\u01b0\u1ee3ng gi\u1ea5y",
+]
+documents = [
+    'in hết hai ram giấy',
+    'Tổ chức toàn cầu',
+    'bầu không khí nặng nề',
+]
+query_embeddings = model.encode_query(queries)
+document_embeddings = model.encode_document(documents)
+print(query_embeddings.shape, document_embeddings.shape)
+# [1, 768] [3, 768]
+
+# Get the similarity scores for the embeddings
+similarities = model.similarity(query_embeddings, document_embeddings)
+print(similarities)
+# tensor([[ 0.4646,  0.0266, -0.0251]])
+```
+
+<!--
+### Direct Usage (Transformers)
+
+<details><summary>Click to see the direct usage in Transformers</summary>
+
+</details>
+-->
+
+<!--
+### Downstream Usage (Sentence Transformers)
+
+You can finetune this model on your own dataset.
+
+<details><summary>Click to expand</summary>
+
+</details>
+-->
+
+<!--
+### Out-of-Scope Use
+
+*List how the model may foreseeably be misused and address what users ought not to do with the model.*
+-->
+
+## Evaluation
+
+### Metrics
+
+#### Information Retrieval
+
+* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
+
+| Metric               | Value      |
+|:---------------------|:-----------|
+| cosine_accuracy@1    | 0.1361     |
+| cosine_accuracy@2    | 0.1807     |
+| cosine_accuracy@5    | 0.2605     |
+| cosine_accuracy@10   | 0.339      |
+| cosine_accuracy@100  | 0.717      |
+| cosine_precision@1   | 0.1361     |
+| cosine_precision@2   | 0.0903     |
+| cosine_precision@5   | 0.0521     |
+| cosine_precision@10  | 0.0339     |
+| cosine_precision@100 | 0.0072     |
+| cosine_recall@1      | 0.1361     |
+| cosine_recall@2      | 0.1807     |
+| cosine_recall@5      | 0.2605     |
+| cosine_recall@10     | 0.339      |
+| cosine_recall@100    | 0.717      |
+| **cosine_ndcg@10**   | **0.2255** |
+| cosine_mrr@1         | 0.1361     |
+| cosine_mrr@2         | 0.1584     |
+| cosine_mrr@5         | 0.1802     |
+| cosine_mrr@10        | 0.1907     |
+| cosine_mrr@100       | 0.2039     |
+| cosine_map@100       | 0.2039     |
+
+<!--
+## Bias, Risks and Limitations
+
+*What are the known or foreseeable issues stemming from this model? You could also flag here known failure cases or weaknesses of the model.*
+-->
+
+<!--
+### Recommendations
+
+*What are recommendations with respect to the foreseeable issues? For example, filtering explicit content.*
+-->
+
+## Training Details
+
+### Training Dataset
+
+#### Unnamed Dataset
+
+* Size: 97,975 training samples
+* Columns: <code>anchor</code> and <code>positive</code>
+* Approximate statistics based on the first 1000 samples:
+  |         | anchor                                                                               | positive                                                                         |
+  |:--------|:-------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------|
+  | type    | string                                                                               | string                                                                           |
+  | details | <ul><li>min: 11 tokens</li><li>mean: 137.68 tokens</li><li>max: 301 tokens</li></ul> | <ul><li>min: 3 tokens</li><li>mean: 8.56 tokens</li><li>max: 39 tokens</li></ul> |
+* Samples:
+  | anchor                                                                                                    | positive                                                  |
+  |:----------------------------------------------------------------------------------------------------------|:----------------------------------------------------------|
+  | <code>task: sentence similarity \| query: luống</code>                                                    | <code>trồng mấy liếp rau</code>                           |
+  | <code>task: sentence similarity \| query: không còn có quan hệ tình cảm và tình dục, do bất hoà</code>    | <code>vợ chồng sống li thân</code>                        |
+  | <code>task: sentence similarity \| query: đánh bật khỏi một vị trí, một địa vị nào đó để chiếm lấy</code> | <code>Nhật hất cẳng Pháp ở chiến trường Đông Dương</code> |
+* Loss: [<code>MultipleNegativesRankingLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters:
+  ```json
+  {
+      "scale": 20.0,
+      "similarity_fct": "cos_sim",
+      "gather_across_devices": false
+  }
+  ```
+
+### Evaluation Dataset
+
+#### Unnamed Dataset
+
+* Size: 10,887 evaluation samples
+* Columns: <code>anchor</code> and <code>positive</code>
+* Approximate statistics based on the first 1000 samples:
+  |         | anchor                                                                               | positive                                                                         |
+  |:--------|:-------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------|
+  | type    | string                                                                               | string                                                                           |
+  | details | <ul><li>min: 10 tokens</li><li>mean: 130.94 tokens</li><li>max: 350 tokens</li></ul> | <ul><li>min: 3 tokens</li><li>mean: 8.25 tokens</li><li>max: 36 tokens</li></ul> |
+* Samples:
+  | anchor                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                           | positive                         |
+  |:-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------|
+  | <code>task: sentence similarity \| query: dải phù sa ở dọc sông hay cửa sông</code>                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                              | <code>doi cát</code>             |
+  | <code>task: classification \| query: Theo hãng phân tích JP Morgan, Apple khả năng kỳ vọng Phố Wall quý 2, bất chấp vấn đề chuỗi cung ứng biến động kinh tế vĩ mô. Cụ thể, ghi gửi đầu tư, phân tích Samik Chatterjee JP Morgan hay, "không lo lắng Phố Wall" báo cáo doanh thu Apple – dự kiến công bố 28/7. Mặc rủi ro trung hạn, hy vọng doanh thu doanh iPhone mẽ.  iPhone 13 Series "đắt hàng". Nhà phân tích định, chuỗi cung ứng cải thiện yếu kém nhu cầu dự đoán, Apple doanh thu 4 - 8 tỷ USD 3 (tháng 4 – 6). Phố Wall dự kiến, "Nhà Táo" báo cáo doanh thu 82 tỷ USD quý 2, tương đương kỳ vọng 82,1 tỷ USD Chatterjee. Thêm nữa, phân tích hay, phân khúc sản phẩm Mac thể ảnh hưởng cung cấp. Mặt khác, quý nhất, Chatterjee doanh thu dự kiến khiêm tốn. Ông tốc độ trưởng Mac iPad khả năng chi tiêu tiêu xuống.  iPhone 11 giá Việt Nam.</code> | <code>Sức khỏe - Đời sống</code> |
+  | <code>task: classification \| query: Khó thống nhất việc hiệp thương giá bán than
  <br>Cuộc họp do Bộ Tài chính chủ trì với sự tham gia của Bộ Công nghiệp, Tổng công ty Than Việt Nam (TVN) cuối tuần qua đã đi đến kết luận TVN sẽ tiến hành hiệp thương về giá với các đơn vị tiêu thụ lớn trong vòng 15 ngày tới. 
  <br>Trong trường hợp hai bên mua bán không hiệp thương được thì cơ quan hữu trách sẽ có những biện pháp giải quyết. Trước đó, các cơ quan hữu trách đã yêu cầu TVN trong thời gian hiệp thương về giá vẫn phải đảm bảo cung cấp đủ than cho các hộ tiêu thụ lớn với mức giá tạm tính theo giá của quý IV năm nay.
  <br>Bình luận về việc hiệp thương giá giữa TVN và các hộ tiêu thụ lớn, các chuyên gia cho rằng khó có thể đi đến kết quả thống nhất bởi quyền lợi mỗi bên rất khác nhau.</code>                                          | <code>Kinh doanh</code>          |
+* Loss: [<code>MultipleNegativesRankingLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters:
+  ```json
+  {
+      "scale": 20.0,
+      "similarity_fct": "cos_sim",
+      "gather_across_devices": false
+  }
+  ```
+
+### Training Hyperparameters
+#### Non-Default Hyperparameters
+
+- `eval_strategy`: steps
+- `per_device_train_batch_size`: 32
+- `per_device_eval_batch_size`: 32
+- `learning_rate`: 2e-05
+- `num_train_epochs`: 5
+- `warmup_ratio`: 0.1
+- `fp16`: True
+- `batch_sampler`: no_duplicates
+
+#### All Hyperparameters
+<details><summary>Click to expand</summary>
+
+- `overwrite_output_dir`: False
+- `do_predict`: False
+- `eval_strategy`: steps
+- `prediction_loss_only`: True
+- `per_device_train_batch_size`: 32
+- `per_device_eval_batch_size`: 32
+- `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`: 5
+- `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}
+- `parallelism_config`: None
+- `deepspeed`: None
+- `label_smoothing_factor`: 0.0
+- `optim`: adamw_torch_fused
+- `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
+- `hub_revision`: None
+- `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
+- `liger_kernel_config`: None
+- `eval_use_gather_object`: False
+- `average_tokens_across_devices`: False
+- `prompts`: None
+- `batch_sampler`: no_duplicates
+- `multi_dataset_batch_sampler`: proportional
+- `router_mapping`: {}
+- `learning_rate_mapping`: {}
+
+</details>
+
+### Training Logs
+<details><summary>Click to expand</summary>
+
+| Epoch  | Step  | Training Loss | Validation Loss | cosine_ndcg@10 |
+|:------:|:-----:|:-------------:|:---------------:|:--------------:|
+| 0.0327 | 100   | 1.8498        | -               | -              |
+| 0.0653 | 200   | 1.0175        | -               | -              |
+| 0.0980 | 300   | 0.7418        | -               | -              |
+| 0.1306 | 400   | 0.6431        | -               | -              |
+| 0.1633 | 500   | 0.6181        | -               | -              |
+| 0.1960 | 600   | 0.5806        | -               | -              |
+| 0.2286 | 700   | 0.6151        | -               | -              |
+| 0.2613 | 800   | 0.5552        | -               | -              |
+| 0.2939 | 900   | 0.5811        | -               | -              |
+| 0.3266 | 1000  | 0.6113        | -               | -              |
+| 0.3592 | 1100  | 0.6057        | -               | -              |
+| 0.3919 | 1200  | 0.6167        | -               | -              |
+| 0.4246 | 1300  | 0.6254        | -               | -              |
+| 0.4572 | 1400  | 0.6138        | -               | -              |
+| 0.4899 | 1500  | 0.6281        | -               | -              |
+| 0.5225 | 1600  | 0.6567        | -               | -              |
+| 0.5552 | 1700  | 0.6276        | -               | -              |
+| 0.5879 | 1800  | 0.6779        | -               | -              |
+| 0.6205 | 1900  | 0.6172        | -               | -              |
+| 0.6532 | 2000  | 0.6295        | -               | -              |
+| 0.6858 | 2100  | 0.6065        | -               | -              |
+| 0.7185 | 2200  | 0.5892        | -               | -              |
+| 0.7511 | 2300  | 0.6015        | -               | -              |
+| 0.7838 | 2400  | 0.5633        | -               | -              |
+| 0.8165 | 2500  | 0.5123        | -               | -              |
+| 0.8491 | 2600  | 0.5389        | -               | -              |
+| 0.8818 | 2700  | 0.5092        | -               | -              |
+| 0.9144 | 2800  | 0.5297        | -               | -              |
+| 0.9471 | 2900  | 0.5423        | -               | -              |
+| 0.9798 | 3000  | 0.5261        | -               | -              |
+| 1.0124 | 3100  | 0.4951        | -               | -              |
+| 1.0451 | 3200  | 0.4157        | -               | -              |
+| 1.0777 | 3300  | 0.3943        | -               | -              |
+| 1.1104 | 3400  | 0.4216        | -               | -              |
+| 1.1430 | 3500  | 0.4047        | -               | -              |
+| 1.1757 | 3600  | 0.3904        | -               | -              |
+| 1.2084 | 3700  | 0.383         | -               | -              |
+| 1.2410 | 3800  | 0.4125        | -               | -              |
+| 1.2737 | 3900  | 0.3971        | -               | -              |
+| 1.3063 | 4000  | 0.4039        | -               | -              |
+| 1.3390 | 4100  | 0.3879        | -               | -              |
+| 1.3717 | 4200  | 0.3985        | -               | -              |
+| 1.4043 | 4300  | 0.405         | -               | -              |
+| 1.4370 | 4400  | 0.3616        | -               | -              |
+| 1.4696 | 4500  | 0.3866        | -               | -              |
+| 1.5023 | 4600  | 0.3941        | -               | -              |
+| 1.5349 | 4700  | 0.3875        | -               | -              |
+| 1.5676 | 4800  | 0.3697        | -               | -              |
+| 1.6003 | 4900  | 0.3829        | -               | -              |
+| 1.6329 | 5000  | 0.3939        | 0.4345          | 0.1848         |
+| 1.6656 | 5100  | 0.3656        | -               | -              |
+| 1.6982 | 5200  | 0.3564        | -               | -              |
+| 1.7309 | 5300  | 0.3925        | -               | -              |
+| 1.7636 | 5400  | 0.371         | -               | -              |
+| 1.7962 | 5500  | 0.3624        | -               | -              |
+| 1.8289 | 5600  | 0.3683        | -               | -              |
+| 1.8615 | 5700  | 0.3805        | -               | -              |
+| 1.8942 | 5800  | 0.3601        | -               | -              |
+| 1.9268 | 5900  | 0.3365        | -               | -              |
+| 1.9595 | 6000  | 0.3538        | -               | -              |
+| 1.9922 | 6100  | 0.3602        | -               | -              |
+| 2.0248 | 6200  | 0.2514        | -               | -              |
+| 2.0575 | 6300  | 0.2195        | -               | -              |
+| 2.0901 | 6400  | 0.2327        | -               | -              |
+| 2.1228 | 6500  | 0.2233        | -               | -              |
+| 2.1555 | 6600  | 0.2073        | -               | -              |
+| 2.1881 | 6700  | 0.242         | -               | -              |
+| 2.2208 | 6800  | 0.2427        | -               | -              |
+| 2.2534 | 6900  | 0.232         | -               | -              |
+| 2.2861 | 7000  | 0.239         | -               | -              |
+| 2.3187 | 7100  | 0.2219        | -               | -              |
+| 2.3514 | 7200  | 0.2481        | -               | -              |
+| 2.3841 | 7300  | 0.2252        | -               | -              |
+| 2.4167 | 7400  | 0.2339        | -               | -              |
+| 2.4494 | 7500  | 0.2243        | -               | -              |
+| 2.4820 | 7600  | 0.223         | -               | -              |
+| 2.5147 | 7700  | 0.2383        | -               | -              |
+| 2.5474 | 7800  | 0.2269        | -               | -              |
+| 2.5800 | 7900  | 0.2237        | -               | -              |
+| 2.6127 | 8000  | 0.2331        | -               | -              |
+| 2.6453 | 8100  | 0.2056        | -               | -              |
+| 2.6780 | 8200  | 0.2438        | -               | -              |
+| 2.7106 | 8300  | 0.2241        | -               | -              |
+| 2.7433 | 8400  | 0.2172        | -               | -              |
+| 2.7760 | 8500  | 0.2155        | -               | -              |
+| 2.8086 | 8600  | 0.2312        | -               | -              |
+| 2.8413 | 8700  | 0.2091        | -               | -              |
+| 2.8739 | 8800  | 0.2284        | -               | -              |
+| 2.9066 | 8900  | 0.2303        | -               | -              |
+| 2.9393 | 9000  | 0.2068        | -               | -              |
+| 2.9719 | 9100  | 0.2095        | -               | -              |
+| 3.0046 | 9200  | 0.1915        | -               | -              |
+| 3.0372 | 9300  | 0.1496        | -               | -              |
+| 3.0699 | 9400  | 0.1416        | -               | -              |
+| 3.1025 | 9500  | 0.1309        | -               | -              |
+| 3.1352 | 9600  | 0.1436        | -               | -              |
+| 3.1679 | 9700  | 0.1527        | -               | -              |
+| 3.2005 | 9800  | 0.1426        | -               | -              |
+| 3.2332 | 9900  | 0.1405        | -               | -              |
+| 3.2658 | 10000 | 0.1395        | 0.4000          | 0.2179         |
+| 3.2985 | 10100 | 0.1337        | -               | -              |
+| 3.3312 | 10200 | 0.1356        | -               | -              |
+| 3.3638 | 10300 | 0.1336        | -               | -              |
+| 3.3965 | 10400 | 0.1274        | -               | -              |
+| 3.4291 | 10500 | 0.1246        | -               | -              |
+| 3.4618 | 10600 | 0.1294        | -               | -              |
+| 3.4944 | 10700 | 0.1355        | -               | -              |
+| 3.5271 | 10800 | 0.1323        | -               | -              |
+| 3.5598 | 10900 | 0.1342        | -               | -              |
+| 3.5924 | 11000 | 0.1576        | -               | -              |
+| 3.6251 | 11100 | 0.1318        | -               | -              |
+| 3.6577 | 11200 | 0.1317        | -               | -              |
+| 3.6904 | 11300 | 0.1232        | -               | -              |
+| 3.7231 | 11400 | 0.1307        | -               | -              |
+| 3.7557 | 11500 | 0.1315        | -               | -              |
+| 3.7884 | 11600 | 0.13          | -               | -              |
+| 3.8210 | 11700 | 0.1234        | -               | -              |
+| 3.8537 | 11800 | 0.1164        | -               | -              |
+| 3.8863 | 11900 | 0.1322        | -               | -              |
+| 3.9190 | 12000 | 0.128         | -               | -              |
+| 3.9517 | 12100 | 0.1301        | -               | -              |
+| 3.9843 | 12200 | 0.1227        | -               | -              |
+| 4.0170 | 12300 | 0.0951        | -               | -              |
+| 4.0496 | 12400 | 0.0983        | -               | -              |
+| 4.0823 | 12500 | 0.091         | -               | -              |
+| 4.1150 | 12600 | 0.0744        | -               | -              |
+| 4.1476 | 12700 | 0.0815        | -               | -              |
+| 4.1803 | 12800 | 0.0833        | -               | -              |
+| 4.2129 | 12900 | 0.0738        | -               | -              |
+| 4.2456 | 13000 | 0.0749        | -               | -              |
+| 4.2782 | 13100 | 0.0656        | -               | -              |
+| 4.3109 | 13200 | 0.0812        | -               | -              |
+| 4.3436 | 13300 | 0.0948        | -               | -              |
+| 4.3762 | 13400 | 0.098         | -               | -              |
+| 4.4089 | 13500 | 0.0828        | -               | -              |
+| 4.4415 | 13600 | 0.0896        | -               | -              |
+| 4.4742 | 13700 | 0.0817        | -               | -              |
+| 4.5069 | 13800 | 0.0771        | -               | -              |
+| 4.5395 | 13900 | 0.0742        | -               | -              |
+| 4.5722 | 14000 | 0.0718        | -               | -              |
+| 4.6048 | 14100 | 0.0868        | -               | -              |
+| 4.6375 | 14200 | 0.0902        | -               | -              |
+| 4.6702 | 14300 | 0.0682        | -               | -              |
+| 4.7028 | 14400 | 0.0784        | -               | -              |
+| 4.7355 | 14500 | 0.0813        | -               | -              |
+| 4.7681 | 14600 | 0.0796        | -               | -              |
+| 4.8008 | 14700 | 0.0797        | -               | -              |
+| 4.8334 | 14800 | 0.0742        | -               | -              |
+| 4.8661 | 14900 | 0.073         | -               | -              |
+| 4.8988 | 15000 | 0.0693        | 0.3748          | 0.2255         |
+| 4.9314 | 15100 | 0.0765        | -               | -              |
+| 4.9641 | 15200 | 0.0675        | -               | -              |
+| 4.9967 | 15300 | 0.0801        | -               | -              |
+
+</details>
+
+### Framework Versions
+- Python: 3.12.6
+- Sentence Transformers: 5.1.2
+- Transformers: 4.56.0
+- PyTorch: 2.8.0+cu129
+- Accelerate: 1.10.1
+- Datasets: 4.4.1
+- Tokenizers: 0.22.0
+
+## 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}
+}
+```
+
+<!--
+## Glossary
+
+*Clearly define terms in order to be accessible across audiences.*
+-->
+
+<!--
+## Model Card Authors
+
+*Lists the people who create the model card, providing recognition and accountability for the detailed work that goes into its construction.*
+-->
+
+<!--
+## Model Card Contact
+
+*Provides a way for people who have updates to the Model Card, suggestions, or questions, to contact the Model Card authors.*
+-->

added_tokens.json

@@ -0,0 +1,3 @@
+{
+  "<image_soft_token>": 262144
+}

config.json

@@ -0,0 +1,60 @@
+{
+  "_sliding_window_pattern": 6,
+  "architectures": [
+    "Gemma3TextModel"
+  ],
+  "attention_bias": false,
+  "attention_dropout": 0.0,
+  "attn_logit_softcapping": null,
+  "bos_token_id": 2,
+  "dtype": "float32",
+  "eos_token_id": 1,
+  "final_logit_softcapping": null,
+  "head_dim": 256,
+  "hidden_activation": "gelu_pytorch_tanh",
+  "hidden_size": 768,
+  "initializer_range": 0.02,
+  "intermediate_size": 1152,
+  "layer_types": [
+    "sliding_attention",
+    "sliding_attention",
+    "sliding_attention",
+    "sliding_attention",
+    "sliding_attention",
+    "full_attention",
+    "sliding_attention",
+    "sliding_attention",
+    "sliding_attention",
+    "sliding_attention",
+    "sliding_attention",
+    "full_attention",
+    "sliding_attention",
+    "sliding_attention",
+    "sliding_attention",
+    "sliding_attention",
+    "sliding_attention",
+    "full_attention",
+    "sliding_attention",
+    "sliding_attention",
+    "sliding_attention",
+    "sliding_attention",
+    "sliding_attention",
+    "full_attention"
+  ],
+  "max_position_embeddings": 2048,
+  "model_type": "gemma3_text",
+  "num_attention_heads": 3,
+  "num_hidden_layers": 24,
+  "num_key_value_heads": 1,
+  "pad_token_id": 0,
+  "query_pre_attn_scalar": 256,
+  "rms_norm_eps": 1e-06,
+  "rope_local_base_freq": 10000.0,
+  "rope_scaling": null,
+  "rope_theta": 1000000.0,
+  "sliding_window": 512,
+  "transformers_version": "4.56.0",
+  "use_bidirectional_attention": true,
+  "use_cache": true,
+  "vocab_size": 262144
+}

config_sentence_transformers.json

@@ -0,0 +1,26 @@
+{
+  "model_type": "SentenceTransformer",
+  "__version__": {
+    "sentence_transformers": "5.1.2",
+    "transformers": "4.56.0",
+    "pytorch": "2.8.0+cu129"
+  },
+  "prompts": {
+    "query": "task: search result | query: ",
+    "document": "title: none | text: ",
+    "BitextMining": "task: search result | query: ",
+    "Clustering": "task: clustering | query: ",
+    "Classification": "task: classification | query: ",
+    "InstructionRetrieval": "task: code retrieval | query: ",
+    "MultilabelClassification": "task: classification | query: ",
+    "PairClassification": "task: sentence similarity | query: ",
+    "Reranking": "task: search result | query: ",
+    "Retrieval": "task: search result | query: ",
+    "Retrieval-query": "task: search result | query: ",
+    "Retrieval-document": "title: none | text: ",
+    "STS": "task: sentence similarity | query: ",
+    "Summarization": "task: summarization | query: "
+  },
+  "default_prompt_name": null,
+  "similarity_fn_name": "cosine"
+}

model.safetensors

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:2c960443e4fe3bfa48486b7463a0f8ef59ecf9480cb7246944eb501680c35cdf
+size 1211486072

modules.json

@@ -0,0 +1,32 @@
+[
+  {
+    "idx": 0,
+    "name": "0",
+    "path": "",
+    "type": "sentence_transformers.models.Transformer"
+  },
+  {
+    "idx": 1,
+    "name": "1",
+    "path": "1_Pooling",
+    "type": "sentence_transformers.models.Pooling"
+  },
+  {
+    "idx": 2,
+    "name": "2",
+    "path": "2_Dense",
+    "type": "sentence_transformers.models.Dense"
+  },
+  {
+    "idx": 3,
+    "name": "3",
+    "path": "3_Dense",
+    "type": "sentence_transformers.models.Dense"
+  },
+  {
+    "idx": 4,
+    "name": "4",
+    "path": "4_Normalize",
+    "type": "sentence_transformers.models.Normalize"
+  }
+]

sentence_bert_config.json

@@ -0,0 +1,4 @@
+{
+    "max_seq_length": 2048,
+    "do_lower_case": false
+}

special_tokens_map.json

@@ -0,0 +1,33 @@
+{
+  "boi_token": "<start_of_image>",
+  "bos_token": {
+    "content": "<bos>",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "eoi_token": "<end_of_image>",
+  "eos_token": {
+    "content": "<eos>",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "image_token": "<image_soft_token>",
+  "pad_token": {
+    "content": "<pad>",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "unk_token": {
+    "content": "<unk>",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  }
+}

tokenizer.json

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:216e2a79606fe879c9f17c529c71cd241338407fd5646b595ffd3c4b9ea1d503
+size 33385262

tokenizer.model

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:1299c11d7cf632ef3b4e11937501358ada021bbdf7c47638d13c0ee982f2e79c
+size 4689074