|
|
--- |
|
|
tags: |
|
|
- sentence-transformers |
|
|
- sentence-similarity |
|
|
- feature-extraction |
|
|
- generated_from_trainer |
|
|
- dataset_size:12085 |
|
|
- loss:MultipleNegativesRankingLoss |
|
|
base_model: vinai/phobert-base-v2 |
|
|
widget: |
|
|
- source_sentence: mình cần máy giặt dung tích giặt lớn hơn 4kg |
|
|
sentences: |
|
|
- 'Máy giặt LG Inverter 4kg, Công nghệ AI DD, Giặt hơi nước, Giá: 7.900.000' |
|
|
- 'Đồng hồ Apple Watch Series 9, Pin 18 giờ, Màn OLED 1.9", Giá: 11.500.000' |
|
|
- 'Máy giặt LG Inverter 2kg, Công nghệ AI DD, Giặt hơi nước, Giá: 7.900.000' |
|
|
- 'Tủ lạnh Toshiba Inverter 180L, Ngăn đá trên, Giá: 5.400.000' |
|
|
- 'Laptop LG Gram 14, Nặng 1.1kg, RAM 16GB, SSD 512GB, Giá: 19.800.000' |
|
|
- 'Laptop Dell XPS 15, SSD 1TB, RAM 16GB, Core i7, Giá: 42.000.000' |
|
|
- 'Tủ rượu Kadeka KS78TL, Sức chứa 72 chai, Cửa kính chống UV, Giá: 19.500.000' |
|
|
- Quạt bàn Mitsubishi D16-GV CY, công suất 45W, 3 tốc độ gió, tiết kiệm điện, Giá |
|
|
620000 |
|
|
- 'Máy giặt LG Inverter 9kg, Công nghệ AI DD, Giặt hơi nước, Giá: 7.900.000' |
|
|
- 'Xe tay ga Honda Air Blade 160, Động cơ 156cc, Phun xăng điện tử, Giá: 55.000.000' |
|
|
- 'Máy ảnh Canon EOS M50 Mark II, 24.1MP, Nặng 580g, Lens kit 15-45mm, Giá: 17.800.000' |
|
|
- 'Bình nước nóng Ariston SL30, Dung tích 30L, Thanh đốt Inox, Giá: 2.800.000' |
|
|
- 'Tủ giày gỗ công nghiệp, Ngang 85cm, 3 tầng, Giá: 1.500.000' |
|
|
- 'Máy giặt LG Inverter 3kg, Công nghệ AI DD, Giặt hơi nước, Giá: 7.900.000' |
|
|
- 'Máy xay Philips HR2115, công suất 515W, cối 1.5L, Giá: 1.203.000' |
|
|
- 'Robot hút bụi Roborock Q7 Max, Độ ồn 50dB, Pin 5200mAh, Giá: 10.200.000' |
|
|
- source_sentence: có máy ảnh nào nhỏ gọn dưới 522g không |
|
|
sentences: |
|
|
- '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' |
|
|
- 'Máy ảnh Canon EOS M50 Mark II, Trọng lượng: 554g, Cảm biến APS-C 24.1MP, Quay |
|
|
4K, Màn hình xoay lật, Giá: 15,900,000' |
|
|
- 'Công tắc Xiaomi Smart WiFi, chịu tải 16A, kết nối 2.4GHz, Giá: 420.000' |
|
|
- 'Máy ảnh Canon EOS M50 Mark II, Trọng lượng: 664g, Cảm biến APS-C 24.1MP, Quay |
|
|
4K, Màn hình xoay lật, Giá: 15,900,000' |
|
|
- 'Máy ảnh Canon EOS M50 Mark II, Trọng lượng: 593g, Cảm biến APS-C 24.1MP, Quay |
|
|
4K, Màn hình xoay lật, Giá: 15,900,000' |
|
|
- 'Máy ảnh Canon EOS M50 Mark II, Trọng lượng: 725g, Cảm biến APS-C 24.1MP, Quay |
|
|
4K, Màn hình xoay lật, Giá: 15,900,000' |
|
|
- 'Tủ lạnh Toshiba Inverter 186L, Ngăn đá trên, Tiết kiệm điện, Giá: 5.600.000' |
|
|
- 'Máy ảnh Canon EOS M50 Mark II, Trọng lượng: 585g, Cảm biến APS-C 24.1MP, Quay |
|
|
4K, Màn hình xoay lật, Giá: 15,900,000' |
|
|
- 'Máy ảnh Canon EOS M50 Mark II, Trọng lượng: 548g, Cảm biến APS-C 24.1MP, Quay |
|
|
4K, Màn hình xoay lật, Giá: 15,900,000' |
|
|
- 'Máy ảnh Canon EOS M50 Mark II, Trọng lượng: 594g, Cảm biến APS-C 24.1MP, Quay |
|
|
4K, Màn hình xoay lật, Giá: 15,900,000' |
|
|
- 'Laptop MacBook Pro 16 M2 Pro, RAM 32GB, SSD 1TB, màn 16 inch (~40.6cm), Giá: |
|
|
34.900.000' |
|
|
- 'Lò vi sóng Sharp R-20A, dung tích 25L, công suất 800W, Giá: 1.250.000' |
|
|
- 'Máy ảnh Canon EOS M50 Mark II, Trọng lượng: 727g, Cảm biến APS-C 24.1MP, Quay |
|
|
4K, Màn hình xoay lật, Giá: 15,900,000' |
|
|
- 'Máy ảnh Nikon D5600, Cảm biến APS-C 24MP, Màn xoay lật, Giá: 19.500.000' |
|
|
- 'Máy ảnh Canon EOS M50 Mark II, Trọng lượng: 652g, Cảm biến APS-C 24.1MP, Quay |
|
|
4K, Màn hình xoay lật, Giá: 15,900,000' |
|
|
- 'Máy ảnh Canon EOS M50 Mark II, Trọng lượng: 733g, Cảm biến APS-C 24.1MP, Quay |
|
|
4K, Màn hình xoay lật, Giá: 15,900,000' |
|
|
- source_sentence: cho tôi nồi cơm điện dung tích nhỏ hơn 2 lít |
|
|
sentences: |
|
|
- Bàn là hơi nước Philips GC2990, công suất 1800W, Giá 680000 |
|
|
- Máy lọc không khí Philips AC1214, diện tích 30 mét vuông, công suất 35W, Giá 1350000 |
|
|
- Đồng hồ Amazfit GTR 3, màn AMOLED 1.39 inch, chống nước IP68, pin 21 ngày, Giá |
|
|
3490000 |
|
|
- 'Tủ lạnh Hitachi Inverter R-FVX450PGV9, Dung tích 456L, Ngăn đá trên, Công nghệ |
|
|
Inverter, Giá: 14.900.000' |
|
|
- 'Nồi cơm điện Sharp KS-COM2, dung tích 1800ml, chống dính, Giá: 890.000' |
|
|
- 'Nồi cơm điện Sharp KS-COM18, dung tích 1800ml, chống dính, Giá: 890.000' |
|
|
- 'Router TP-Link AC750, Dual Band 2.4GHz, tốc độ tối đa 75MBps, 4 cổng LAN, Giá: |
|
|
950.000' |
|
|
- 'Smart TV Samsung 43AU7000, 4K UHD, HDR10+, Giá: 7.900.000' |
|
|
- 'Nồi cơm điện Sharp KS-COM3, dung tích 1800ml, chống dính, Giá: 890.000' |
|
|
- 'Bàn ăn gỗ sồi tự nhiên, Dài 1m8, 6 ghế, Giá: 6.500.000' |
|
|
- 'Smartwatch Garmin Forerunner 35, GPS, pin 14 ngày, Giá: 3.950.000' |
|
|
- 'Bàn học gỗ MDF, Rộng 65cm, Có giá sách, Giá: 1.800.000' |
|
|
- 'Xe máy điện YADEA G5 Lite, Tốc độ tối đa 38km/h, Pin lithium 60V, Giá: 16.800.000' |
|
|
- 'Máy sấy tóc Panasonic EH-ND11, công suất 1600W, 2 tốc độ, Giá: 450.000' |
|
|
- 'Màn hình LG UltraGear 27GN750, 27", 240Hz, IPS, Giá: 7.900.000' |
|
|
- Robot hút bụi Xiaomi Mi Robot Vacuum, lực hút 2200Pa, pin 5000mAh, Giá 6950000 |
|
|
- source_sentence: tôi muốn mua laptop cân nặng nhỏ hơn 1.3kg |
|
|
sentences: |
|
|
- 'Bàn phím Logitech K380, Kết nối Bluetooth, Nhỏ gọn, Giá: 1.200.000' |
|
|
- 'Laptop LG Gram 14, Core i7, RAM 16GB, SSD 512GB, Nặng 1384g, Giá: 32.000.000' |
|
|
- 'Laptop LG Gram 14, Core i7, RAM 16GB, SSD 512GB, Nặng 1878g, Giá: 32.000.000' |
|
|
- 'Laptop LG Gram 14, Core i7, RAM 16GB, SSD 512GB, Nặng 1672g, Giá: 32.000.000' |
|
|
- 'Laptop LG Gram 14, Core i7, RAM 16GB, SSD 512GB, Nặng 1409g, Giá: 32.000.000' |
|
|
- 'Laptop LG Gram 14, Core i7, RAM 16GB, SSD 512GB, Nặng 1913g, Giá: 32.000.000' |
|
|
- 'Laptop LG Gram 14, Core i7, RAM 16GB, SSD 512GB, Nặng 1796g, Giá: 32.000.000' |
|
|
- 'Nồi hấp điện Midea YGJ903E, Dung tích 9L, 3 tầng, Giá: 1.800.000' |
|
|
- 'Laptop LG Gram 14, Core i7, RAM 16GB, SSD 512GB, Nặng 1686g, Giá: 32.000.000' |
|
|
- 'Máy đọc sách Kobo Clara HD, màn hình 7 inch, chống nước, Giá: 2.350.000' |
|
|
- 'Laptop LG Gram 14, Core i7, RAM 16GB, SSD 512GB, Nặng 1529g, Giá: 32.000.000' |
|
|
- 'Laptop LG Gram 14, Core i7, RAM 16GB, SSD 512GB, Nặng 1635g, Giá: 32.000.000' |
|
|
- 'Máy cưa bàn Makita MLT100, Công suất 1650W, Bàn cắt 690mm, Giá: 9.200.000' |
|
|
- 'Laptop LG Gram 14, Core i7, RAM 16GB, SSD 512GB, Nặng 1843g, Giá: 32.000.000' |
|
|
- 'Laptop LG Gram 14, Core i7, RAM 16GB, SSD 512GB, Nặng 999g, Giá: 32.000.000' |
|
|
- 'Điện thoại iPhone 13 Mini, Trọng lượng: 140g, Màn hình 5.4 inch Super Retina |
|
|
XDR, Chip A15 Bionic, RAM 4GB, ROM 128GB, Giá: 17,990,000' |
|
|
- source_sentence: mình cần robot hút bụi pin lớn hơn 3120mAh |
|
|
sentences: |
|
|
- 'Robot hút bụi Ecovacs Deebot T10, Pin 1617mAh, Hút 5000Pa, Giá: 12.900.000' |
|
|
- 'Máy giặt sấy LG Inverter 10kg F2510DTGW, công nghệ hơi nước, Giá: 11.500.000' |
|
|
- 'Robot hút bụi Ecovacs Deebot T10, Pin 2259mAh, Hút 5000Pa, Giá: 12.900.000' |
|
|
- 'Robot hút bụi Ecovacs Deebot T10, Pin 1906mAh, Hút 5000Pa, Giá: 12.900.000' |
|
|
- Quạt để bàn Midea FZ40-12DB, công suất 65W, 3 tốc độ, cánh nhựa bền, Giá 385000 |
|
|
- 'Robot hút bụi Ecovacs Deebot T10, Pin 2286mAh, Hút 5000Pa, Giá: 12.900.000' |
|
|
- 'Robot hút bụi Ecovacs Deebot T10, Pin 2076mAh, Hút 5000Pa, Giá: 12.900.000' |
|
|
- 'Robot hút bụi Ecovacs Deebot T10, Pin 2018mAh, Hút 5000Pa, Giá: 12.900.000' |
|
|
- 'Ultrabook Dell XPS 13 Plus, RAM 32GB, SSD 1TB, Nặng 1.3kg, Giá: 24.500.000' |
|
|
- 'Robot hút bụi Ecovacs Deebot T10, Pin 1701mAh, Hút 5000Pa, Giá: 12.900.000' |
|
|
- 'Máy ảnh Nikon Z50, Mirrorless APS-C, Pin chụp 600 tấm, 20.9MP, Quay 4K, Giá: |
|
|
22.000.000' |
|
|
- 'Robot hút bụi Ecovacs Deebot T10, Pin 1737mAh, Hút 5000Pa, Giá: 12.900.000' |
|
|
- 'Robot hút bụi Ecovacs Deebot T10, Pin 5200mAh, Hút 5000Pa, Giá: 12.900.000' |
|
|
- 'Laptop ASUS Zenbook 14, RAM 32GB, SSD 1TB, Nặng 1.3kg, Giá: 28.500.000' |
|
|
- 'Robot hút bụi Ecovacs Deebot T10, Pin 1873mAh, Hút 5000Pa, Giá: 12.900.000' |
|
|
- 'Robot hút bụi Ecovacs Deebot T10, Pin 2217mAh, Hút 5000Pa, Giá: 12.900.000' |
|
|
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: 0.4825018615040953 |
|
|
name: Cosine Accuracy@1 |
|
|
- type: cosine_accuracy@2 |
|
|
value: 0.7364110201042442 |
|
|
name: Cosine Accuracy@2 |
|
|
- type: cosine_accuracy@5 |
|
|
value: 0.9538346984363366 |
|
|
name: Cosine Accuracy@5 |
|
|
- type: cosine_accuracy@10 |
|
|
value: 0.9888309754281459 |
|
|
name: Cosine Accuracy@10 |
|
|
- type: cosine_accuracy@100 |
|
|
value: 0.9985107967237528 |
|
|
name: Cosine Accuracy@100 |
|
|
- type: cosine_precision@1 |
|
|
value: 0.4825018615040953 |
|
|
name: Cosine Precision@1 |
|
|
- type: cosine_precision@2 |
|
|
value: 0.3682055100521221 |
|
|
name: Cosine Precision@2 |
|
|
- type: cosine_precision@5 |
|
|
value: 0.19076693968726735 |
|
|
name: Cosine Precision@5 |
|
|
- type: cosine_precision@10 |
|
|
value: 0.0988830975428146 |
|
|
name: Cosine Precision@10 |
|
|
- type: cosine_precision@100 |
|
|
value: 0.009985107967237528 |
|
|
name: Cosine Precision@100 |
|
|
- type: cosine_recall@1 |
|
|
value: 0.4825018615040953 |
|
|
name: Cosine Recall@1 |
|
|
- type: cosine_recall@2 |
|
|
value: 0.7364110201042442 |
|
|
name: Cosine Recall@2 |
|
|
- type: cosine_recall@5 |
|
|
value: 0.9538346984363366 |
|
|
name: Cosine Recall@5 |
|
|
- type: cosine_recall@10 |
|
|
value: 0.9888309754281459 |
|
|
name: Cosine Recall@10 |
|
|
- type: cosine_recall@100 |
|
|
value: 0.9985107967237528 |
|
|
name: Cosine Recall@100 |
|
|
- type: cosine_ndcg@10 |
|
|
value: 0.7549692676759688 |
|
|
name: Cosine Ndcg@10 |
|
|
- type: cosine_mrr@1 |
|
|
value: 0.4825018615040953 |
|
|
name: Cosine Mrr@1 |
|
|
- type: cosine_mrr@2 |
|
|
value: 0.6094564408041697 |
|
|
name: Cosine Mrr@2 |
|
|
- type: cosine_mrr@5 |
|
|
value: 0.6724000992802209 |
|
|
name: Cosine Mrr@5 |
|
|
- type: cosine_mrr@10 |
|
|
value: 0.6773070831708233 |
|
|
name: Cosine Mrr@10 |
|
|
- type: cosine_mrr@100 |
|
|
value: 0.6778092191925768 |
|
|
name: Cosine Mrr@100 |
|
|
- type: cosine_map@100 |
|
|
value: 0.6778092191925745 |
|
|
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) <!-- at revision e2375d266bdf39c6e8e9a87af16a5da3190b0cc8 --> |
|
|
- **Maximum Sequence Length:** 256 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/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/pB-query-sql") |
|
|
# Run inference |
|
|
sentences = [ |
|
|
'mình cần robot hút bụi pin lớn hơn 3120mAh', |
|
|
'Robot hút bụi Ecovacs Deebot T10, Pin 5200mAh, Hút 5000Pa, Giá: 12.900.000', |
|
|
'Robot hút bụi Ecovacs Deebot T10, Pin 2076mAh, Hút 5000Pa, Giá: 12.900.000', |
|
|
] |
|
|
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] |
|
|
``` |
|
|
|
|
|
<!-- |
|
|
### 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 | 0.4825 | |
|
|
| cosine_accuracy@2 | 0.7364 | |
|
|
| cosine_accuracy@5 | 0.9538 | |
|
|
| cosine_accuracy@10 | 0.9888 | |
|
|
| cosine_accuracy@100 | 0.9985 | |
|
|
| cosine_precision@1 | 0.4825 | |
|
|
| cosine_precision@2 | 0.3682 | |
|
|
| cosine_precision@5 | 0.1908 | |
|
|
| cosine_precision@10 | 0.0989 | |
|
|
| cosine_precision@100 | 0.01 | |
|
|
| cosine_recall@1 | 0.4825 | |
|
|
| cosine_recall@2 | 0.7364 | |
|
|
| cosine_recall@5 | 0.9538 | |
|
|
| cosine_recall@10 | 0.9888 | |
|
|
| cosine_recall@100 | 0.9985 | |
|
|
| **cosine_ndcg@10** | **0.755** | |
|
|
| cosine_mrr@1 | 0.4825 | |
|
|
| cosine_mrr@2 | 0.6095 | |
|
|
| cosine_mrr@5 | 0.6724 | |
|
|
| cosine_mrr@10 | 0.6773 | |
|
|
| cosine_mrr@100 | 0.6778 | |
|
|
| cosine_map@100 | 0.6778 | |
|
|
|
|
|
<!-- |
|
|
## 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: 12,085 training samples |
|
|
* 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> |
|
|
* 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 | <ul><li>min: 6 tokens</li><li>mean: 14.32 tokens</li><li>max: 28 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 27.93 tokens</li><li>max: 97 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 28.05 tokens</li><li>max: 97 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 28.21 tokens</li><li>max: 97 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 28.28 tokens</li><li>max: 97 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 28.36 tokens</li><li>max: 97 tokens</li></ul> | <ul><li>min: 17 tokens</li><li>mean: 28.3 tokens</li><li>max: 97 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 28.31 tokens</li><li>max: 97 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 28.42 tokens</li><li>max: 97 tokens</li></ul> | <ul><li>min: 17 tokens</li><li>mean: 28.57 tokens</li><li>max: 112 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 28.36 tokens</li><li>max: 97 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 28.3 tokens</li><li>max: 97 tokens</li></ul> | <ul><li>min: 17 tokens</li><li>mean: 27.7 tokens</li><li>max: 112 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 27.71 tokens</li><li>max: 112 tokens</li></ul> | <ul><li>min: 17 tokens</li><li>mean: 27.84 tokens</li><li>max: 100 tokens</li></ul> | <ul><li>min: 17 tokens</li><li>mean: 27.67 tokens</li><li>max: 112 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 27.88 tokens</li><li>max: 97 tokens</li></ul> | |
|
|
* 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 | |
|
|
|:--------------------------------------------------------|:------------------------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------| |
|
|
| <code>tôi cần máy lọc không khí giá dưới 4 triệu</code> | <code>Máy lọc không khí Xiaomi Mi Air Purifier 4, công suất 50W, lọc bụi PM2.5, Giá: 3.200.000</code> | <code>Máy lọc không khí Xiaomi Mi Air Purifier 6, công suất 50W, lọc bụi PM2.5, Giá: 3.200.000</code> | <code>Máy lọc không khí Xiaomi Mi Air Purifier 5, công suất 50W, lọc bụi PM2.5, Giá: 3.200.000</code> | <code>Bếp gas Rinnai RV-377GN, Công suất 4.2kW, 2 bếp, Giá: 2.300.000</code> | <code>Máy in HP LaserJet Pro M404dn, Tốc độ 30 trang/phút, Kết nối LAN, Giá: 6.800.000</code> | <code>Máy lọc không khí Sharp FP-J30E-A, Diện tích lọc: 23m2, Bộ lọc HEPA, Plasmacluster ion, Giá: 2,190,000</code> | <code>Bàn ủi Philips HI114, công suất 1500W, mặt đế chống dính, Giá: 950.000</code> | <code>Máy rửa bát Bosch SMS46NI05E, 12 bộ, 6 chương trình rửa, Tiết kiệm nước, Giá: 16.500.000</code> | <code>Bếp từ Sunhouse SHD6158, công suất 2300W, hẹn giờ 3h, Giá 1100000</code> | <code>Tai nghe Sony WH-1000XM5, Chống ồn chủ động, Pin 30h, Bluetooth 5.2, Giá: 9.500.000</code> | <code>Công tắc Tuya Smart WiFi, chịu tải 16A, kết nối 2.4GHz, Giá: 420.000</code> | <code>Màn hình Samsung Odyssey Neo G9, 49 inch, 240Hz, 2K, Giá: 42.000.000</code> | <code>Router TP-Link Archer C6, băng tần 2.4/5GHz, tốc độ 1200Mbps, Giá 950000</code> | <code>Máy pha cà phê DeLonghi ECAM22.110B, Bình 2.2L, Tự động, Giá: 14.000.000</code> | <code>Máy lọc không khí Philips AC1214, diện tích 30 mét vuông, công suất 35W, Giá 1350000</code> | <code>Tủ lạnh Sharp Inverter SJ-X196E, Cao 1m65, Dung tích 196L, Giá: 5.500.000</code> | |
|
|
| <code>Máy sấy dung tích lớn hơn 3kg</code> | <code>Máy sấy Electrolux EDV7052, dung tích 7kg, công suất 1600W, Giá 5250000</code> | <code>Máy sấy Electrolux EDV7052, dung tích 3kg, công suất 1600W, Giá 5250000</code> | <code>Máy sấy Electrolux EDV7052, dung tích 2kg, công suất 1600W, Giá 5250000</code> | <code>Máy lọc không khí Coway AP-1009CH, Diện tích 50m2, Giá: 6.800.000</code> | <code>Laptop Asus Vivobook 15, màn hình 15.6 inch (~39.6cm), trọng lượng 2.4kg (2400g), RAM 16GB, SSD 512GB, Giá: 18.500.000</code> | <code>Loa JBL Charge 5, Phát nhạc 20h, Chống nước IP67, Giá: 3.900.000</code> | <code>Máy tính xách tay ASUS Zenbook 14 OLED UX3402, Trọng lượng: 1.4kg, CPU: i5-1240P, RAM 16GB, SSD 512GB, Màn OLED 2.8K, Giá: 23,990,000</code> | <code>Máy pha cà phê Delonghi EC685, Công suất 1450W, Áp suất 15 bar, Giá: 9.800.000</code> | <code>Xe côn tay Yamaha R15 V4, Động cơ 155cc, Công nghệ VVA, Giá: 74.000.000</code> | <code>Đèn bàn LED Xiaomi Mi, công suất 12W, điều chỉnh độ sáng + nhiệt màu, Giá: 580.000</code> | <code>Tablet iPad 9th Gen, Màn 10.2 inch Retina, Chip A13, Giá: 10.900.000</code> | <code>Ghế sofa chữ L, Dài 2m7, Da PU, 5 chỗ ngồi, Giá: 12.000.000</code> | <code>Máy ảnh Canon EOS R10, Nặng 429g, Cảm biến APS-C 24MP, Giá: 24.500.000</code> | <code>Máy giặt sấy LG Inverter 10kg, AI DD, TurboWash, Giá: 19.500.000</code> | <code>Bàn là hơi nước Philips GC4880, công suất 1500W, Giá 700000</code> | <code>Máy hút ẩm FujiE HM-920EC, Công suất 20L/ngày, Giá: 5.900.000</code> | |
|
|
| <code>tôi cần điện thoại giá nhỏ hơn 8 triệu</code> | <code>Smartphone Xiaomi Redmi Note 12, Màn AMOLED 6.67", Pin 5000mAh, Giá: 5.890.000</code> | <code>Smartphone Xiaomi Redmi Note 9, Màn AMOLED 6.67", Pin 5000mAh, Giá: 5.890.000</code> | <code>Smartphone Xiaomi Redmi Note 11, Màn AMOLED 6.67", Pin 5000mAh, Giá: 5.890.000</code> | <code>Smartphone Xiaomi Redmi Note 10, Màn AMOLED 6.67", Pin 5000mAh, Giá: 5.890.000</code> | <code>Máy quét phim Plustek OpticFilm 8200, 16MP, Giá: 2.650.000</code> | <code>Máy xay Philips HR2115, công suất 500W, cối 1.5L, Giá: 1.200.000</code> | <code>Bàn phím Logitech K380, Kết nối Bluetooth, Nhỏ gọn, Giá: 1.200.000</code> | <code>Máy xay cà phê cầm tay Hario, dung tích 50g, tay quay, Giá: 480.000</code> | <code>Ghế xoay Ergohuman Plus, Tải trọng 120kg, Lưng lưới, Giá: 8.900.000</code> | <code>Điện thoại Xiaomi Redmi A1, RAM 2GB, Pin 5000mAh, Giá: 2.100.000</code> | <code>Quạt điều hòa Sunhouse SHD7725, Bình 45L, Công suất 200W, Giá: 3.600.000</code> | <code>Smartphone iPhone 13 Mini, Trọng lượng: 140g, Màn hình 5.4 inch Super Retina XDR, Chip A15 Bionic, RAM 4GB, ROM 128GB, Giá: 17,990,000</code> | <code>Xe máy điện VinFast Theon S, Tốc độ tối đa 90km/h, Pin 3500W, Giá: 63.000.000</code> | <code>Tivi Samsung Neo QLED 65", 4K UHD, HDR10+, Giá: 25.500.000</code> | <code>Tủ đông Aqua AQF-C300, Công suất 280W, Dung tích 295L, Giá: 8.600.000</code> | <code>Máy lọc nước Karofi 12000ml, 8 lõi lọc, công suất 95W, Giá: 7.000.000</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" |
|
|
} |
|
|
``` |
|
|
|
|
|
### Evaluation Dataset |
|
|
|
|
|
#### Unnamed Dataset |
|
|
|
|
|
* Size: 1,343 evaluation samples |
|
|
* 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> |
|
|
* 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 | <ul><li>min: 6 tokens</li><li>mean: 14.19 tokens</li><li>max: 27 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 27.94 tokens</li><li>max: 82 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 28.02 tokens</li><li>max: 82 tokens</li></ul> | <ul><li>min: 17 tokens</li><li>mean: 28.1 tokens</li><li>max: 82 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 28.23 tokens</li><li>max: 83 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 28.1 tokens</li><li>max: 82 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 28.26 tokens</li><li>max: 82 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 28.35 tokens</li><li>max: 82 tokens</li></ul> | <ul><li>min: 17 tokens</li><li>mean: 28.33 tokens</li><li>max: 97 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 28.28 tokens</li><li>max: 112 tokens</li></ul> | <ul><li>min: 17 tokens</li><li>mean: 28.14 tokens</li><li>max: 82 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 28.31 tokens</li><li>max: 112 tokens</li></ul> | <ul><li>min: 17 tokens</li><li>mean: 27.77 tokens</li><li>max: 97 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 27.87 tokens</li><li>max: 112 tokens</li></ul> | <ul><li>min: 17 tokens</li><li>mean: 27.67 tokens</li><li>max: 112 tokens</li></ul> | <ul><li>min: 17 tokens</li><li>mean: 27.52 tokens</li><li>max: 97 tokens</li></ul> | <ul><li>min: 17 tokens</li><li>mean: 28.0 tokens</li><li>max: 112 tokens</li></ul> | |
|
|
* 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 | |
|
|
|:---------------------------------------------------------------|:---------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------------------| |
|
|
| <code>mình cần nồi áp suất điện công suất lớn hơn 1040W</code> | <code>Nồi áp suất Philips HD2137, Công suất 1300W, 14 chức năng, Giá: 2.900.000</code> | <code>Nồi áp suất Philips HD2137, Công suất 700W, 14 chức năng, Giá: 2.900.000</code> | <code>Nồi áp suất Philips HD2137, Công suất 751W, 14 chức năng, Giá: 2.900.000</code> | <code>Nồi áp suất Philips HD2137, Công suất 653W, 14 chức năng, Giá: 2.900.000</code> | <code>Nồi áp suất Philips HD2137, Công suất 770W, 14 chức năng, Giá: 2.900.000</code> | <code>Nồi áp suất Philips HD2137, Công suất 958W, 14 chức năng, Giá: 2.900.000</code> | <code>Nồi áp suất Philips HD2137, Công suất 699W, 14 chức năng, Giá: 2.900.000</code> | <code>Nồi áp suất Philips HD2137, Công suất 797W, 14 chức năng, Giá: 2.900.000</code> | <code>Nồi áp suất Philips HD2137, Công suất 679W, 14 chức năng, Giá: 2.900.000</code> | <code>Nồi áp suất Philips HD2137, Công suất 893W, 14 chức năng, Giá: 2.900.000</code> | <code>Nồi áp suất Philips HD2137, Công suất 897W, 14 chức năng, Giá: 2.900.000</code> | <code>Công tắc Tuya Smart, điều khiển qua App, chịu tải 16A, Giá: 420.000</code> | <code>Ghế văn phòng Noble WB-204, xoay 360°, chịu lực 160kg, Giá: 2.450.000</code> | <code>Máy in Canon LBP6230DN, In 2 mặt, Tốc độ 28 trang/phút, Giá: 4.600.000</code> | <code>Tablet Lenovo Tab M10 Gen 3, màn 10.1", RAM 4GB, ROM 64GB, Giá: 5.900.000</code> | <code>Bình đun Kangaroo 1800W, dung tích 1.7L, tự ngắt khi sôi, Giá: 500.000</code> | |
|
|
| <code>tôi muốn mua loa công suất nhỏ hơn 240W</code> | <code>Loa Bluetooth Sony SRS-XB33, Công suất 150W, Chống nước, Giá: 3.200.000</code> | <code>Loa Bluetooth Sony SRS-XB33, Công suất 281W, Chống nước, Giá: 3.200.000</code> | <code>Loa Bluetooth Sony SRS-XB33, Công suất 253W, Chống nước, Giá: 3.200.000</code> | <code>Loa Bluetooth Sony SRS-XB33, Công suất 282W, Chống nước, Giá: 3.200.000</code> | <code>Loa Bluetooth Sony SRS-XB33, Công suất 352W, Chống nước, Giá: 3.200.000</code> | <code>Loa Bluetooth Sony SRS-XB33, Công suất 319W, Chống nước, Giá: 3.200.000</code> | <code>Loa Bluetooth Sony SRS-XB33, Công suất 293W, Chống nước, Giá: 3.200.000</code> | <code>Loa Bluetooth Sony SRS-XB33, Công suất 295W, Chống nước, Giá: 3.200.000</code> | <code>Loa Bluetooth Sony SRS-XB33, Công suất 301W, Chống nước, Giá: 3.200.000</code> | <code>Loa Bluetooth Sony SRS-XB33, Công suất 320W, Chống nước, Giá: 3.200.000</code> | <code>Loa Bluetooth Sony SRS-XB33, Công suất 356W, Chống nước, Giá: 3.200.000</code> | <code>Smart Tivi LG QNED 75, Màn hình 75 inch 4K, Dolby Vision, Giá: 29.000.000</code> | <code>Quạt đứng Asia D16018, 3 tốc độ, chiều cao 1.2m, Giá: 580.000</code> | <code>Loa kéo JBL PartyBox 1000, công suất 1000W, trọng lượng 15kg, Bluetooth, Giá: 22.500.000</code> | <code>Vali du lịch Sakos, Size 22 inch, Khóa TSA, Nhựa ABS, Giá: 1.850.000</code> | <code>Bình nóng lạnh Ariston Andris2 20L, công suất 2500W, chống giật ELCB, Giá 2390000</code> | |
|
|
| <code>Tai nghe không dây chống ồn ANC và pin trên 20h</code> | <code>Tai nghe Bose QuietComfort 45, ANC, pin 24h, Bluetooth 5.1, Giá 7490000</code> | <code>Máy pha cà phê Delonghi EC685, Công suất 1350W, Áp suất 15 bar, Giá: 6.200.000</code> | <code>Máy lọc nước Karofi KAQ-U95, Công suất 25L/h, 10 lõi lọc, Giá: 9.500.000</code> | <code>Máy lọc Kangaroo KG111, công suất 25L/h, 9 lõi lọc, vòi nhựa ABS, Giá 7550000</code> | <code>Đèn năng lượng mặt trời Sunhouse 20W, pin lithium, chiếu sáng 10h, Giá: 460.000</code> | <code>Ghế massage Daikiosan DK-150, công suất 120W, nhiều chế độ, Giá: 3.850.000</code> | <code>Máy hút bụi Hitachi CV-SE230V, Công suất 2300W, Lọc HEPA, Giá: 4.500.000</code> | <code>Tủ giày gỗ công nghiệp, Rộng 70cm, 3 tầng, Giá: 1.200.000</code> | <code>Thiết bị lọc Sharp FP-J30E-A, Diện tích lọc: 23m2, Bộ lọc HEPA, Plasmacluster ion, Giá: 2,190,000</code> | <code>Bàn ủi Philips GC2990, công suất 1800W, đế chống dính, Giá: 680.000</code> | <code>Bàn là hơi nước Philips GC4880, công suất 1500W, Giá 700000</code> | <code>Máy lọc không khí Xiaomi Mi Air Purifier 4, công suất 50W, lọc bụi PM2.5, Giá: 3.200.000</code> | <code>Smartphone Xiaomi Redmi Note 12, Màn AMOLED 6.67", Pin 5000mAh, Giá: 5.890.000</code> | <code>Tủ lạnh Hitachi R-WB640VGV0, Dung tích 569L, Inverter, Giá: 25.000.000</code> | <code>Máy cưa bàn Makita MLT100, Công suất 1650W, Bàn cắt 690mm, Giá: 9.200.000</code> | <code>Loa Bluetooth Anker Soundcore, Pin 12h, Công suất 10W, Giá: 1.200.000</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" |
|
|
} |
|
|
``` |
|
|
|
|
|
### Training Hyperparameters |
|
|
#### Non-Default Hyperparameters |
|
|
|
|
|
- `eval_strategy`: steps |
|
|
- `per_device_train_batch_size`: 4 |
|
|
- `per_device_eval_batch_size`: 4 |
|
|
- `learning_rate`: 2e-05 |
|
|
- `num_train_epochs`: 10 |
|
|
- `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`: 4 |
|
|
- `per_device_eval_batch_size`: 4 |
|
|
- `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 |
|
|
|
|
|
</details> |
|
|
|
|
|
### Training Logs |
|
|
<details><summary>Click to expand</summary> |
|
|
|
|
|
| Epoch | Step | Training Loss | Validation Loss | cosine_ndcg@10 | |
|
|
|:------:|:-----:|:-------------:|:---------------:|:--------------:| |
|
|
| -1 | -1 | - | - | 0.1714 | |
|
|
| 0.0331 | 100 | 3.1377 | - | - | |
|
|
| 0.0662 | 200 | 2.503 | - | - | |
|
|
| 0.0993 | 300 | 2.2899 | - | - | |
|
|
| 0.1324 | 400 | 2.2639 | - | - | |
|
|
| 0.1655 | 500 | 2.2148 | - | - | |
|
|
| 0.1985 | 600 | 2.1753 | - | - | |
|
|
| 0.2316 | 700 | 2.066 | - | - | |
|
|
| 0.2647 | 800 | 1.9329 | - | - | |
|
|
| 0.2978 | 900 | 1.8195 | - | - | |
|
|
| 0.3309 | 1000 | 1.7638 | 1.6024 | 0.4015 | |
|
|
| 0.3640 | 1100 | 1.6775 | - | - | |
|
|
| 0.3971 | 1200 | 1.5961 | - | - | |
|
|
| 0.4302 | 1300 | 1.4757 | - | - | |
|
|
| 0.4633 | 1400 | 1.5213 | - | - | |
|
|
| 0.4964 | 1500 | 1.3906 | - | - | |
|
|
| 0.5295 | 1600 | 1.4209 | - | - | |
|
|
| 0.5625 | 1700 | 1.3032 | - | - | |
|
|
| 0.5956 | 1800 | 1.2807 | - | - | |
|
|
| 0.6287 | 1900 | 1.2214 | - | - | |
|
|
| 0.6618 | 2000 | 1.1369 | 0.9819 | 0.4349 | |
|
|
| 0.6949 | 2100 | 1.0557 | - | - | |
|
|
| 0.7280 | 2200 | 1.0554 | - | - | |
|
|
| 0.7611 | 2300 | 0.9938 | - | - | |
|
|
| 0.7942 | 2400 | 0.885 | - | - | |
|
|
| 0.8273 | 2500 | 0.9139 | - | - | |
|
|
| 0.8604 | 2600 | 0.9002 | - | - | |
|
|
| 0.8934 | 2700 | 0.8333 | - | - | |
|
|
| 0.9265 | 2800 | 0.7317 | - | - | |
|
|
| 0.9596 | 2900 | 0.7898 | - | - | |
|
|
| 0.9927 | 3000 | 0.7467 | 0.5364 | 0.5163 | |
|
|
| 1.0258 | 3100 | 0.59 | - | - | |
|
|
| 1.0589 | 3200 | 0.6862 | - | - | |
|
|
| 1.0920 | 3300 | 0.6216 | - | - | |
|
|
| 1.1251 | 3400 | 0.5714 | - | - | |
|
|
| 1.1582 | 3500 | 0.5407 | - | - | |
|
|
| 1.1913 | 3600 | 0.4424 | - | - | |
|
|
| 1.2244 | 3700 | 0.4588 | - | - | |
|
|
| 1.2574 | 3800 | 0.4185 | - | - | |
|
|
| 1.2905 | 3900 | 0.3664 | - | - | |
|
|
| 1.3236 | 4000 | 0.4079 | 0.3222 | 0.5620 | |
|
|
| 1.3567 | 4100 | 0.4488 | - | - | |
|
|
| 1.3898 | 4200 | 0.3677 | - | - | |
|
|
| 1.4229 | 4300 | 0.3706 | - | - | |
|
|
| 1.4560 | 4400 | 0.3379 | - | - | |
|
|
| 1.4891 | 4500 | 0.2752 | - | - | |
|
|
| 1.5222 | 4600 | 0.3173 | - | - | |
|
|
| 1.5553 | 4700 | 0.3361 | - | - | |
|
|
| 1.5884 | 4800 | 0.3541 | - | - | |
|
|
| 1.6214 | 4900 | 0.3089 | - | - | |
|
|
| 1.6545 | 5000 | 0.288 | 0.2324 | 0.5978 | |
|
|
| 1.6876 | 5100 | 0.3473 | - | - | |
|
|
| 1.7207 | 5200 | 0.2599 | - | - | |
|
|
| 1.7538 | 5300 | 0.2065 | - | - | |
|
|
| 1.7869 | 5400 | 0.3111 | - | - | |
|
|
| 1.8200 | 5500 | 0.2551 | - | - | |
|
|
| 1.8531 | 5600 | 0.2377 | - | - | |
|
|
| 1.8862 | 5700 | 0.2837 | - | - | |
|
|
| 1.9193 | 5800 | 0.2271 | - | - | |
|
|
| 1.9523 | 5900 | 0.1589 | - | - | |
|
|
| 1.9854 | 6000 | 0.3115 | 0.1789 | 0.6191 | |
|
|
| 2.0185 | 6100 | 0.1572 | - | - | |
|
|
| 2.0516 | 6200 | 0.1874 | - | - | |
|
|
| 2.0847 | 6300 | 0.1606 | - | - | |
|
|
| 2.1178 | 6400 | 0.1562 | - | - | |
|
|
| 2.1509 | 6500 | 0.2054 | - | - | |
|
|
| 2.1840 | 6600 | 0.1909 | - | - | |
|
|
| 2.2171 | 6700 | 0.2015 | - | - | |
|
|
| 2.2502 | 6800 | 0.2208 | - | - | |
|
|
| 2.2833 | 6900 | 0.1983 | - | - | |
|
|
| 2.3163 | 7000 | 0.1634 | 0.1503 | 0.6417 | |
|
|
| 2.3494 | 7100 | 0.1692 | - | - | |
|
|
| 2.3825 | 7200 | 0.1868 | - | - | |
|
|
| 2.4156 | 7300 | 0.1422 | - | - | |
|
|
| 2.4487 | 7400 | 0.1455 | - | - | |
|
|
| 2.4818 | 7500 | 0.2187 | - | - | |
|
|
| 2.5149 | 7600 | 0.142 | - | - | |
|
|
| 2.5480 | 7700 | 0.1148 | - | - | |
|
|
| 2.5811 | 7800 | 0.1341 | - | - | |
|
|
| 2.6142 | 7900 | 0.1284 | - | - | |
|
|
| 2.6473 | 8000 | 0.1555 | 0.1202 | 0.6534 | |
|
|
| 2.6803 | 8100 | 0.1207 | - | - | |
|
|
| 2.7134 | 8200 | 0.1153 | - | - | |
|
|
| 2.7465 | 8300 | 0.1114 | - | - | |
|
|
| 2.7796 | 8400 | 0.1158 | - | - | |
|
|
| 2.8127 | 8500 | 0.1241 | - | - | |
|
|
| 2.8458 | 8600 | 0.1345 | - | - | |
|
|
| 2.8789 | 8700 | 0.132 | - | - | |
|
|
| 2.9120 | 8800 | 0.113 | - | - | |
|
|
| 2.9451 | 8900 | 0.1101 | - | - | |
|
|
| 2.9782 | 9000 | 0.1177 | 0.1014 | 0.6733 | |
|
|
| 3.0113 | 9100 | 0.1358 | - | - | |
|
|
| 3.0443 | 9200 | 0.1148 | - | - | |
|
|
| 3.0774 | 9300 | 0.097 | - | - | |
|
|
| 3.1105 | 9400 | 0.1303 | - | - | |
|
|
| 3.1436 | 9500 | 0.1077 | - | - | |
|
|
| 3.1767 | 9600 | 0.116 | - | - | |
|
|
| 3.2098 | 9700 | 0.0878 | - | - | |
|
|
| 3.2429 | 9800 | 0.0984 | - | - | |
|
|
| 3.2760 | 9900 | 0.1017 | - | - | |
|
|
| 3.3091 | 10000 | 0.1452 | 0.0950 | 0.6854 | |
|
|
| 3.3422 | 10100 | 0.0905 | - | - | |
|
|
| 3.3752 | 10200 | 0.0811 | - | - | |
|
|
| 3.4083 | 10300 | 0.0802 | - | - | |
|
|
| 3.4414 | 10400 | 0.1408 | - | - | |
|
|
| 3.4745 | 10500 | 0.0622 | - | - | |
|
|
| 3.5076 | 10600 | 0.0779 | - | - | |
|
|
| 3.5407 | 10700 | 0.0754 | - | - | |
|
|
| 3.5738 | 10800 | 0.0645 | - | - | |
|
|
| 3.6069 | 10900 | 0.0642 | - | - | |
|
|
| 3.6400 | 11000 | 0.0586 | 0.0998 | 0.6864 | |
|
|
| 3.6731 | 11100 | 0.0556 | - | - | |
|
|
| 3.7062 | 11200 | 0.0948 | - | - | |
|
|
| 3.7392 | 11300 | 0.0791 | - | - | |
|
|
| 3.7723 | 11400 | 0.0587 | - | - | |
|
|
| 3.8054 | 11500 | 0.1135 | - | - | |
|
|
| 3.8385 | 11600 | 0.0886 | - | - | |
|
|
| 3.8716 | 11700 | 0.0807 | - | - | |
|
|
| 3.9047 | 11800 | 0.0656 | - | - | |
|
|
| 3.9378 | 11900 | 0.0506 | - | - | |
|
|
| 3.9709 | 12000 | 0.1059 | 0.0783 | 0.7082 | |
|
|
| 4.0040 | 12100 | 0.0551 | - | - | |
|
|
| 4.0371 | 12200 | 0.0421 | - | - | |
|
|
| 4.0702 | 12300 | 0.0334 | - | - | |
|
|
| 4.1032 | 12400 | 0.0651 | - | - | |
|
|
| 4.1363 | 12500 | 0.0363 | - | - | |
|
|
| 4.1694 | 12600 | 0.0525 | - | - | |
|
|
| 4.2025 | 12700 | 0.0428 | - | - | |
|
|
| 4.2356 | 12800 | 0.0646 | - | - | |
|
|
| 4.2687 | 12900 | 0.0647 | - | - | |
|
|
| 4.3018 | 13000 | 0.0528 | 0.0757 | 0.7215 | |
|
|
| 4.3349 | 13100 | 0.0812 | - | - | |
|
|
| 4.3680 | 13200 | 0.051 | - | - | |
|
|
| 4.4011 | 13300 | 0.0401 | - | - | |
|
|
| 4.4341 | 13400 | 0.037 | - | - | |
|
|
| 4.4672 | 13500 | 0.0283 | - | - | |
|
|
| 4.5003 | 13600 | 0.0483 | - | - | |
|
|
| 4.5334 | 13700 | 0.0616 | - | - | |
|
|
| 4.5665 | 13800 | 0.0622 | - | - | |
|
|
| 4.5996 | 13900 | 0.0552 | - | - | |
|
|
| 4.6327 | 14000 | 0.0633 | 0.0813 | 0.7209 | |
|
|
| 4.6658 | 14100 | 0.0811 | - | - | |
|
|
| 4.6989 | 14200 | 0.0586 | - | - | |
|
|
| 4.7320 | 14300 | 0.0458 | - | - | |
|
|
| 4.7651 | 14400 | 0.0418 | - | - | |
|
|
| 4.7981 | 14500 | 0.07 | - | - | |
|
|
| 4.8312 | 14600 | 0.0498 | - | - | |
|
|
| 4.8643 | 14700 | 0.0864 | - | - | |
|
|
| 4.8974 | 14800 | 0.0442 | - | - | |
|
|
| 4.9305 | 14900 | 0.0481 | - | - | |
|
|
| 4.9636 | 15000 | 0.0536 | 0.0711 | 0.7243 | |
|
|
| 4.9967 | 15100 | 0.1027 | - | - | |
|
|
| 5.0298 | 15200 | 0.0291 | - | - | |
|
|
| 5.0629 | 15300 | 0.0437 | - | - | |
|
|
| 5.0960 | 15400 | 0.0541 | - | - | |
|
|
| 5.1291 | 15500 | 0.0217 | - | - | |
|
|
| 5.1621 | 15600 | 0.0315 | - | - | |
|
|
| 5.1952 | 15700 | 0.0417 | - | - | |
|
|
| 5.2283 | 15800 | 0.0429 | - | - | |
|
|
| 5.2614 | 15900 | 0.0176 | - | - | |
|
|
| 5.2945 | 16000 | 0.0358 | 0.0759 | 0.7176 | |
|
|
| 5.3276 | 16100 | 0.0374 | - | - | |
|
|
| 5.3607 | 16200 | 0.0509 | - | - | |
|
|
| 5.3938 | 16300 | 0.0473 | - | - | |
|
|
| 5.4269 | 16400 | 0.0367 | - | - | |
|
|
| 5.4600 | 16500 | 0.0479 | - | - | |
|
|
| 5.4931 | 16600 | 0.0338 | - | - | |
|
|
| 5.5261 | 16700 | 0.0557 | - | - | |
|
|
| 5.5592 | 16800 | 0.0556 | - | - | |
|
|
| 5.5923 | 16900 | 0.0443 | - | - | |
|
|
| 5.6254 | 17000 | 0.073 | 0.0751 | 0.7414 | |
|
|
| 5.6585 | 17100 | 0.0892 | - | - | |
|
|
| 5.6916 | 17200 | 0.0262 | - | - | |
|
|
| 5.7247 | 17300 | 0.0306 | - | - | |
|
|
| 5.7578 | 17400 | 0.0345 | - | - | |
|
|
| 5.7909 | 17500 | 0.0222 | - | - | |
|
|
| 5.8240 | 17600 | 0.0586 | - | - | |
|
|
| 5.8570 | 17700 | 0.0326 | - | - | |
|
|
| 5.8901 | 17800 | 0.0255 | - | - | |
|
|
| 5.9232 | 17900 | 0.0593 | - | - | |
|
|
| 5.9563 | 18000 | 0.0374 | 0.0677 | 0.7365 | |
|
|
| 5.9894 | 18100 | 0.0318 | - | - | |
|
|
| 6.0225 | 18200 | 0.0659 | - | - | |
|
|
| 6.0556 | 18300 | 0.0206 | - | - | |
|
|
| 6.0887 | 18400 | 0.0452 | - | - | |
|
|
| 6.1218 | 18500 | 0.0347 | - | - | |
|
|
| 6.1549 | 18600 | 0.0236 | - | - | |
|
|
| 6.1880 | 18700 | 0.0385 | - | - | |
|
|
| 6.2210 | 18800 | 0.0425 | - | - | |
|
|
| 6.2541 | 18900 | 0.015 | - | - | |
|
|
| 6.2872 | 19000 | 0.026 | 0.0642 | 0.7403 | |
|
|
| 6.3203 | 19100 | 0.0279 | - | - | |
|
|
| 6.3534 | 19200 | 0.0163 | - | - | |
|
|
| 6.3865 | 19300 | 0.0256 | - | - | |
|
|
| 6.4196 | 19400 | 0.031 | - | - | |
|
|
| 6.4527 | 19500 | 0.0435 | - | - | |
|
|
| 6.4858 | 19600 | 0.0298 | - | - | |
|
|
| 6.5189 | 19700 | 0.0346 | - | - | |
|
|
| 6.5520 | 19800 | 0.0155 | - | - | |
|
|
| 6.5850 | 19900 | 0.0431 | - | - | |
|
|
| 6.6181 | 20000 | 0.0358 | 0.0624 | 0.7382 | |
|
|
| 6.6512 | 20100 | 0.0224 | - | - | |
|
|
| 6.6843 | 20200 | 0.0451 | - | - | |
|
|
| 6.7174 | 20300 | 0.0437 | - | - | |
|
|
| 6.7505 | 20400 | 0.0832 | - | - | |
|
|
| 6.7836 | 20500 | 0.0542 | - | - | |
|
|
| 6.8167 | 20600 | 0.0243 | - | - | |
|
|
| 6.8498 | 20700 | 0.0225 | - | - | |
|
|
| 6.8829 | 20800 | 0.0384 | - | - | |
|
|
| 6.9159 | 20900 | 0.0214 | - | - | |
|
|
| 6.9490 | 21000 | 0.0296 | 0.0620 | 0.7423 | |
|
|
| 6.9821 | 21100 | 0.0244 | - | - | |
|
|
| 7.0152 | 21200 | 0.0136 | - | - | |
|
|
| 7.0483 | 21300 | 0.0145 | - | - | |
|
|
| 7.0814 | 21400 | 0.0378 | - | - | |
|
|
| 7.1145 | 21500 | 0.0215 | - | - | |
|
|
| 7.1476 | 21600 | 0.0214 | - | - | |
|
|
| 7.1807 | 21700 | 0.0269 | - | - | |
|
|
| 7.2138 | 21800 | 0.015 | - | - | |
|
|
| 7.2469 | 21900 | 0.0463 | - | - | |
|
|
| 7.2799 | 22000 | 0.0273 | 0.0605 | 0.7452 | |
|
|
| 7.3130 | 22100 | 0.0276 | - | - | |
|
|
| 7.3461 | 22200 | 0.022 | - | - | |
|
|
| 7.3792 | 22300 | 0.0443 | - | - | |
|
|
| 7.4123 | 22400 | 0.0106 | - | - | |
|
|
| 7.4454 | 22500 | 0.0169 | - | - | |
|
|
| 7.4785 | 22600 | 0.024 | - | - | |
|
|
| 7.5116 | 22700 | 0.0356 | - | - | |
|
|
| 7.5447 | 22800 | 0.0167 | - | - | |
|
|
| 7.5778 | 22900 | 0.019 | - | - | |
|
|
| 7.6109 | 23000 | 0.0233 | 0.0580 | 0.7459 | |
|
|
| 7.6439 | 23100 | 0.0158 | - | - | |
|
|
| 7.6770 | 23200 | 0.02 | - | - | |
|
|
| 7.7101 | 23300 | 0.013 | - | - | |
|
|
| 7.7432 | 23400 | 0.0378 | - | - | |
|
|
| 7.7763 | 23500 | 0.0186 | - | - | |
|
|
| 7.8094 | 23600 | 0.0143 | - | - | |
|
|
| 7.8425 | 23700 | 0.0364 | - | - | |
|
|
| 7.8756 | 23800 | 0.022 | - | - | |
|
|
| 7.9087 | 23900 | 0.0178 | - | - | |
|
|
| 7.9418 | 24000 | 0.038 | 0.0525 | 0.7471 | |
|
|
| 7.9749 | 24100 | 0.022 | - | - | |
|
|
| 8.0079 | 24200 | 0.0279 | - | - | |
|
|
| 8.0410 | 24300 | 0.0368 | - | - | |
|
|
| 8.0741 | 24400 | 0.0319 | - | - | |
|
|
| 8.1072 | 24500 | 0.0114 | - | - | |
|
|
| 8.1403 | 24600 | 0.0041 | - | - | |
|
|
| 8.1734 | 24700 | 0.0337 | - | - | |
|
|
| 8.2065 | 24800 | 0.0094 | - | - | |
|
|
| 8.2396 | 24900 | 0.0171 | - | - | |
|
|
| 8.2727 | 25000 | 0.0264 | 0.0579 | 0.7519 | |
|
|
| 8.3058 | 25100 | 0.0269 | - | - | |
|
|
| 8.3388 | 25200 | 0.0308 | - | - | |
|
|
| 8.3719 | 25300 | 0.0208 | - | - | |
|
|
| 8.4050 | 25400 | 0.0062 | - | - | |
|
|
| 8.4381 | 25500 | 0.016 | - | - | |
|
|
| 8.4712 | 25600 | 0.0165 | - | - | |
|
|
| 8.5043 | 25700 | 0.0198 | - | - | |
|
|
| 8.5374 | 25800 | 0.0211 | - | - | |
|
|
| 8.5705 | 25900 | 0.0355 | - | - | |
|
|
| 8.6036 | 26000 | 0.0315 | 0.0553 | 0.7574 | |
|
|
| 8.6367 | 26100 | 0.016 | - | - | |
|
|
| 8.6698 | 26200 | 0.0144 | - | - | |
|
|
| 8.7028 | 26300 | 0.0208 | - | - | |
|
|
| 8.7359 | 26400 | 0.0205 | - | - | |
|
|
| 8.7690 | 26500 | 0.0155 | - | - | |
|
|
| 8.8021 | 26600 | 0.0284 | - | - | |
|
|
| 8.8352 | 26700 | 0.0204 | - | - | |
|
|
| 8.8683 | 26800 | 0.0163 | - | - | |
|
|
| 8.9014 | 26900 | 0.0382 | - | - | |
|
|
| 8.9345 | 27000 | 0.0267 | 0.0589 | 0.7558 | |
|
|
| 8.9676 | 27100 | 0.0204 | - | - | |
|
|
| 9.0007 | 27200 | 0.0193 | - | - | |
|
|
| 9.0338 | 27300 | 0.0079 | - | - | |
|
|
| 9.0668 | 27400 | 0.0156 | - | - | |
|
|
| 9.0999 | 27500 | 0.0234 | - | - | |
|
|
| 9.1330 | 27600 | 0.0113 | - | - | |
|
|
| 9.1661 | 27700 | 0.0216 | - | - | |
|
|
| 9.1992 | 27800 | 0.0217 | - | - | |
|
|
| 9.2323 | 27900 | 0.0028 | - | - | |
|
|
| 9.2654 | 28000 | 0.0155 | 0.0627 | 0.7521 | |
|
|
| 9.2985 | 28100 | 0.0346 | - | - | |
|
|
| 9.3316 | 28200 | 0.0165 | - | - | |
|
|
| 9.3647 | 28300 | 0.0214 | - | - | |
|
|
| 9.3977 | 28400 | 0.0224 | - | - | |
|
|
| 9.4308 | 28500 | 0.0095 | - | - | |
|
|
| 9.4639 | 28600 | 0.0081 | - | - | |
|
|
| 9.4970 | 28700 | 0.0219 | - | - | |
|
|
| 9.5301 | 28800 | 0.0272 | - | - | |
|
|
| 9.5632 | 28900 | 0.0468 | - | - | |
|
|
| 9.5963 | 29000 | 0.0033 | 0.0586 | 0.7548 | |
|
|
| 9.6294 | 29100 | 0.0161 | - | - | |
|
|
| 9.6625 | 29200 | 0.0263 | - | - | |
|
|
| 9.6956 | 29300 | 0.0156 | - | - | |
|
|
| 9.7287 | 29400 | 0.0114 | - | - | |
|
|
| 9.7617 | 29500 | 0.0184 | - | - | |
|
|
| 9.7948 | 29600 | 0.0098 | - | - | |
|
|
| 9.8279 | 29700 | 0.0453 | - | - | |
|
|
| 9.8610 | 29800 | 0.0117 | - | - | |
|
|
| 9.8941 | 29900 | 0.0142 | - | - | |
|
|
| 9.9272 | 30000 | 0.0318 | 0.0565 | 0.7550 | |
|
|
| 9.9603 | 30100 | 0.0192 | - | - | |
|
|
| 9.9934 | 30200 | 0.0187 | - | - | |
|
|
|
|
|
</details> |
|
|
|
|
|
### 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} |
|
|
} |
|
|
``` |
|
|
|
|
|
<!-- |
|
|
## 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.* |
|
|
--> |
