Add paper and code links, update pipeline tag

README.md

@@ -1,37 +1,11 @@
 ---
+base_model: rasyosef/roberta-medium-amharic
+datasets:
+- rasyosef/Amharic-Passage-Retrieval-Dataset-V2
 language:
 - am
-license: mit
-tags:
-- sentence-transformers
-- sentence-similarity
-- feature-extraction
-- generated_from_trainer
-- dataset_size:122938
-- loss:MatryoshkaLoss
-- loss:MultipleNegativesRankingLoss
-base_model: rasyosef/roberta-medium-amharic
-widget:
-- source_sentence: በኢትዮጵያ ለመጀመሪያ ጊዜ ወታደራዊ ስልጠና የወሰዱ ዕጩ ዲፕሎማቶች ተመረቁ
-  sentences:
-  - "የውጭ ጉዳይ ሚኒስቴር ከሜጀር ጄነራል ሀየሎም አርአያ ወታደራዊ አካዳሚ ጋር በመተባበር በኢትዮጵያ ለመጀመሪያ ጊዜ ወታደራዊ ስልጠና የወሰዱ ዲፕሎማቶችን \_አስመረቀ፡፡በወታደራዊ አካዳሚው ትላንት በተካሄደ የምርቃት ሥነ- ስርዓት ስልጠናውን ላገኙ 89 ዕጩ ድፕሎማቶች የምስክር ወረቀት ተበረክቷል።"
-  - >-
-    አዲስ አበባ፣ የካቲት 19፣ 2012 (ኤፍ.ቢ.ሲ) የኢፌዴሪ አየር ኃይል ለከፍተኛ መኮንኖች የማዕረግ እድገት
-    ሰጥቷል።አየር ኃይሉ በዛሬው እለት በቢሾፍቱ በሚገኘው የኢፌዴሪ አየር ኃይል ጠቅላይ መምሪያ ባካሄደው ስነ ስርዓት ላይ
-    የኢፌዴሪ ጦር ኃይሎች ምክትል ኤታማዦር ሹም ጄኔራል ብርሃኑ ጁላ እና የኢፌዴሪ አየር ኃይል ዋና አዛዥ ሜጀር ጄኔራል
-    ይልማ መርዳሳን ጨምሮ ከፍተኛ አመራሮች ተገኝተዋል።በስነ ስርዓቱ ላይ 106 ለሚሆኑ መኮንኖች በአየር ኃይል ዋና አዛዥ
-    ሜጀር ጄኔራል ይልማ መርዳሳ የተለያዩ የማዕረግ እድገቶችን ሰጥተዋል።
-- source_sentence: ኢትዮጵያ ኢንተርኔትን በመዝጋቷ ከ130 ሚሊዮን ዶላር በላይ አጣች
-  sentences:
-  - >-
-    የአሜሪካ ድምፅ ባለፉት ሰባ አምስት ዓመታት ውስጥ በዓለም ዙሪያ ያሉ የተለያዩ አድማጮችና ተመልካቾች ከሌሎች ምንጮች
-    ሊያገኟቸው የማይችሏቸውን መረጃዎች ለዓለም ሲያደርስ መቆየቱን ዋና ዳይሬክተሯ አማንዳ ቤኔት ገልፀዋል።
-  - >-
-    የተቋሙ ጥናት የኢንተርኔን መዘጋት በሃገራት ምጣኔ ሐብት ላይ ያደረሰውን ጉዳት በተለያዩ መለኪያዎች የገመተ ሲሆን፤
-    በዚህም መሰረት ኢትዮጵያ ለ36 ቀናት ያህል ኢንተርኔትን በዘጋችበት እንዲሁም ለሰባት ቀናት ያህል በነበረው የማኅበራዊ
-    ሚዲያ መናወጥ\ ወቅት በጥቅሉ ከ130 ሚሊዮን ዶላር በላይ አጥታለች ይላል።
-pipeline_tag: sentence-similarity
 library_name: sentence-transformers
+license: mit
 metrics:
 - cosine_accuracy@1
 - cosine_accuracy@3
@@ -48,6 +22,33 @@ metrics:
 - cosine_ndcg@10
 - cosine_mrr@10
 - cosine_map@100
+pipeline_tag: text-retrieval
+tags:
+- sentence-transformers
+- sentence-similarity
+- feature-extraction
+- generated_from_trainer
+- dataset_size:122938
+- loss:MatryoshkaLoss
+- loss:MultipleNegativesRankingLoss
+widget:
+- source_sentence: በኢትዮጵያ ለመጀመሪያ ጊዜ ወታደራዊ ስልጠና የወሰዱ ዕጩ ዲፕሎማቶች ተመረቁ
+  sentences:
+  - የውጭ ጉዳይ ሚኒስቴር ከሜጀር ጄነራል ሀየሎም አርአያ ወታደራዊ አካዳሚ ጋር በመተባበር በኢትዮጵያ ለመጀመሪያ ጊዜ ወታደራዊ
+    ስልጠና የወሰዱ ዲፕሎማቶችን  አስመረቀ፡፡በወታደራዊ አካዳሚው ትላንት በተካሄደ የምርቃት ሥነ- ስርዓት ስልጠናውን ላገኙ 89
+    ዕጩ ድፕሎማቶች የምስክር ወረቀት ተበረክቷል።
+  - አዲስ አበባ፣ የካቲት 19፣ 2012 (ኤፍ.ቢ.ሲ) የኢፌዴሪ አየር ኃይል ለከፍተኛ መኮንኖች የማዕረግ እድገት ሰጥቷል።አየር
+    ኃይሉ በዛሬው እለት በቢሾፍቱ በሚገኘው የኢፌዴሪ አየር ኃይል ጠቅላይ መምሪያ ባካሄደው ስነ ስርዓት ላይ የኢፌዴሪ ጦር ኃይሎች
+    ምክተል ኤታማዦር ሹም ጄኔራል ብርሃኑ ጁላ እና የኢፌዴሪ አየር ኃይል ዋና አዛዥ ሜጀር ጄኔራል ይልማ መርዳሳን ጨምሮ ከፍተኛ
+    አመራሮች ተገኝተዋል።በስነ ስርዓቱ ላይ 106 ለሚሆኑ መኮንኖች በአየር ኃይል ዋና አዛዥ ሜጀር ጄኔራል ይልማ መርዳሳ የተለያዩ
+    የማዕረግ እድገቶችን ሰጥተዋል።
+- source_sentence: ኢትዮጵያ ኢንተርኔትን በመዝጋቷ ከ130 ሚሊዮን ዶላር በላይ አጣች
+  sentences:
+  - የአሜሪካ ድምፅ ባለፉት ሰባ አምስት ዓመታት ውስጥ በዓለም ዙሪያ ያሉ የተለያዩ አድማጮችና ተመልካቾች ከሌሎች ምንጮች ሊያገኟቸው
+    የማይችሏቸውን መረጃዎች ለዓለም ሲያደርስ መቆየቱን ዋና ዳይሬክተሯ አማንዳ ቤኔት ገልፀዋል።
+  - የተቋሙ ጥናት የኢንተርኔን መዘጋት በሃገራት ምጣኔ ሐብት ላይ ያደረሰውን ጉዳት በተለያዩ መለኪያዎች የገመተ ሲሆን፤ በዚህም
+    መሰረት ኢትዮጵያ ለ36 ቀናት ያህል ኢንተርኔትን በዘጋችበት እንዲሁም ለሰባት ቀናት ያህል በነበረው የማኅበራዊ ሚዲያ መናወጥ\
+    ወቅት በጥቅሉ ከ130 ሚሊዮን ዶላር በላይ አጥታለች ይላል።
 model-index:
 - name: RoBERTa Amharic Embed Medium
   results:
@@ -155,32 +156,28 @@ model-index:
     - type: cosine_map@100
       value: 0.7419234775874324
       name: Cosine Map@100
-datasets:
-- rasyosef/Amharic-Passage-Retrieval-Dataset-V2
 ---
 
-# Embeding-Amharic-Medium
+# RoBERTa Amharic Embed Medium
+
+This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [rasyosef/roberta-medium-amharic](https://huggingface.co/rasyosef/roberta-medium-amharic). It maps sentences & paragraphs to a 512-dimensional dense vector space and can be used for semantic textual similarity, semantic search, and information retrieval.
 
-This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [rasyosef/roberta-medium-amharic](https://huggingface.co/rasyosef/roberta-medium-amharic). It maps sentences & paragraphs to a 512-dimensional dense vector space and can be used for semantic textual similarity, semantic search, paraphrase mining, text classification, clustering, and more.
+It was introduced in the paper [The Multilingual Curse at the Retrieval Layer: Evidence from Amharic](https://huggingface.co/papers/2605.24556).
+
+- **Code:** [GitHub Repository](https://github.com/rasyosef/amharic-neural-ir)
+- **Paper:** [The Multilingual Curse at the Retrieval Layer: Evidence from Amharic](https://huggingface.co/papers/2605.24556)
 
 ## Model Details
 
 ### Model Description
 - **Model Type:** Sentence Transformer
-- **Base model:** [rasyosef/roberta-medium-amharic](https://huggingface.co/rasyosef/roberta-medium-amharic) <!-- at revision 9d02d0281e64d6ca31bd06d322e14b0b7e60375b -->
+- **Base model:** [rasyosef/roberta-medium-amharic](https://huggingface.co/rasyosef/roberta-medium-amharic)
 - **Maximum Sequence Length:** 510 tokens
 - **Output Dimensionality:** 512 dimensions
 - **Similarity Function:** Cosine Similarity
-<!-- - **Training Dataset:** Unknown -->
 - **Language:** am
 - **License:** mit
 
-### 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
 
 ```
@@ -223,101 +220,27 @@ 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
-
-* Dataset: `dim_512`
-* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator) with these parameters:
-  ```json
-  {
-      "truncate_dim": 512
-  }
-  ```
+#### Information Retrieval (dim 512)
 
 | Metric              | Value      |
 |:--------------------|:-----------|
 | cosine_accuracy@1   | 0.6681     |
-| cosine_accuracy@3   | 0.8061     |
-| cosine_accuracy@5   | 0.843      |
 | cosine_accuracy@10  | 0.8883     |
-| cosine_precision@1  | 0.6681     |
-| cosine_precision@3  | 0.2687     |
-| cosine_precision@5  | 0.1686     |
-| cosine_precision@10 | 0.0888     |
-| cosine_recall@1     | 0.6681     |
-| cosine_recall@3     | 0.8061     |
-| cosine_recall@5     | 0.843      |
-| cosine_recall@10    | 0.8883     |
 | **cosine_ndcg@10**  | **0.7794** |
 | cosine_mrr@10       | 0.7444     |
-| cosine_map@100      | 0.7479     |
-
-#### Information Retrieval
 
-* Dataset: `dim_256`
-* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator) with these parameters:
-  ```json
-  {
-      "truncate_dim": 256
-  }
-  ```
+#### Information Retrieval (dim 256)
 
 | Metric              | Value      |
 |:--------------------|:-----------|
 | cosine_accuracy@1   | 0.6605     |
-| cosine_accuracy@3   | 0.7996     |
-| cosine_accuracy@5   | 0.8409     |
 | cosine_accuracy@10  | 0.8831     |
-| cosine_precision@1  | 0.6605     |
-| cosine_precision@3  | 0.2665     |
-| cosine_precision@5  | 0.1682     |
-| cosine_precision@10 | 0.0883     |
-| cosine_recall@1     | 0.6605     |
-| cosine_recall@3     | 0.7996     |
-| cosine_recall@5     | 0.8409     |
-| cosine_recall@10    | 0.8831     |
 | **cosine_ndcg@10**  | **0.7736** |
 | cosine_mrr@10       | 0.7382     |
-| cosine_map@100      | 0.7419     |
-
-<!--
-## 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
 
@@ -325,21 +248,8 @@ You can finetune this model on your own dataset.
 
 ### Training Dataset
 
-#### Unnamed Dataset
-
 * Size: 122,938 training samples
 * Columns: <code>anchor</code>, <code>positive</code>, <code>negative_1</code>, and <code>negative_2</code>
-* Approximate statistics based on the first 1000 samples:
-  |         | anchor                                                                            | positive                                                                             | negative_1                                                                           | negative_2                                                                           |
-  |:--------|:----------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------|
-  | type    | string                                                                            | string                                                                               | string                                                                               | string                                                                               |
-  | details | <ul><li>min: 3 tokens</li><li>mean: 16.02 tokens</li><li>max: 76 tokens</li></ul> | <ul><li>min: 32 tokens</li><li>mean: 319.47 tokens</li><li>max: 510 tokens</li></ul> | <ul><li>min: 33 tokens</li><li>mean: 329.24 tokens</li><li>max: 510 tokens</li></ul> | <ul><li>min: 41 tokens</li><li>mean: 323.83 tokens</li><li>max: 510 tokens</li></ul> |
-* Samples:
-  | anchor                                                                                                                                           | positive                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                 | negative_1                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                             | negative_2                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                    |
-  |:-------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
-  | <code>በኢትዮጵያ የሚንቀሳቀሱ የቱርካውያን ትምህርት ቤቶች ለቱርክ መንግሥት እንደሚተላለፉ ፕሬዚዳንት ሙላቱ አስታወቁ</code>                                                               | <code>በኢትዮጵያ ላለፉት 12 ዓመታት ሲንቀሳቀሱ የቆዩትንና በቱርክ መንግሥት አሸባሪ ከተባለው የጉለን ንቅናቄ ጋር ግንኙነት አላቸው የተባሉ የቱርካውያን ባለሀብቶች ትምህርት ቤቶችን፣ ለቱርክ መንግሥት አሳልፎ እንደሚሰጥ ፕሬዚዳንት ዶ/ር ሙላቱ ተሾመ አስታወቁ፡፡ፕሬዚዳንት ሙላቱ በቱርክ ለአምስት ቀናት በነበራቸው ይፋዊ ጉብኝት ወቅት ከቱርክ ፕ���ዚዳንት ሬሲፕ ጠይብ ኤርዶዋን ጋር በሰጡት መግለጫ፣ መንግሥታቸው ከጉለን እንቅስቃሴ ጋር ንክኪ ያላቸውን ትምህርት ቤቶች አሳልፎ እንደሚሰጥና ከቱርክ መንግሥት ጋር እንደሚተባበር ገልጸዋል፡፡ መንግሥት ከቱርክ ጎን በመቆም ሽብርተኝትን ለመታገል ለምታደርገው እንቅስቃሴ ድጋፉን እንደሚሰጥ የተናገሩት ፕሬዚዳንት ሙላቱ፣ በኢትዮጵያ የሚንቀሳቀሱት የቱርካውያን ትምህርት ቤቶች ማሪፍ ፋውንዴሽን ለተባለው መንግሥታዊ የቱርክ ተቋም ተላልፈው እንደሚሰጡ ማረጋገጫ ሰጥተዋል፡፡የቱርክ መንግሥት በሐምሌ ወር ለተቃጣበት የግልበጣ ሙከራ ቀንደኛ ተጠያቂ ያደረጋቸው፣ በአሜሪካ በስደት የሚኖሩትንና የጉለን ንቅንናቄ ወይም የሂዝመን ንቅናቄ መሪ እንደሆኑ የሚነገርላቸውን ሞሐመድ ፌቱላህ ጉለንና ተከታዮቻቸውን ነው፡፡ የጉለን ንቅናቄ አባላትና ደጋፊዎች፣ በግልበጣ መኩራው ሳቢያ ለ248 ሰዎች መሞትና ለ2,000 ተጎጂዎች ተጠያቂ መደረጋቸው አይዘነጋም፡፡ የንቅናቄው አራማጆችና አባላት በመላው ዓለም ከሚንቀሳቀሱባቸው መንገዶች መካከል በንግድ፣ በትምህርት ተቋማትና በሌሎችም መስኮች ተፅዕኖ ለመፍጠር ሞክረዋል በማለት የቱርክ መንግሥት ሲወነጅል ቆይቷል፡፡ በመሆኑም ከቱርክ መንግሥት ጋር ዲፕሎማሲያዊ ግንኙነት ያላቸው አገሮች በሙሉ ንክኪ አላቸው በማለት የሚወነጅላቸው ትምህርት ቤቶችንም ሆኑ የንግድ ተቋማትን እንዲዘጉለት  ሲወተውት ቆይቷል፡፡ኢትዮጵያም ይህ ጥያቄ ከቀረ...</code> | <code>ቱርክመንኛ ቱርክመንኛ (Türkmen) የቱርክምኒስታን ብሔራዊ ቋንቋ ነው። በቱርክመኒስታን 3,430,000 ተናጋሪዎች ሲኖሩ ከቱርክመኒስታን ውጭ ደግሞ 3 ሚሊዮን የሚያሕሉ ተናጋሪዎች በተለይም በኢራን (2 ሚሊዮን) በአፍጋኒስታን (500,000) እና በቱርክ (1000) አሉ። ቱርክመንኛ በቱርኪክ ቋንቋ ቤተሰብ ውስጥ ይከተታል። ይህም አንዳንዴ በትልቁ አልታይ ቋንቋ ቤተሰብ ውስጥ ይደመራል። ቀድሞ የተጻፈበት ወይም በቂርሎስ ወይም በ አረብ ፊደሎች ነበር፤ አሁን ግን የቱርክመኒስታን መሪ ሳፓርሙራት ኒያዞቭ በላቲን ፊደል እንዲጻፍ አዋጀ። በ1994 አ.ም. ደግሞ የሳምንት ቀኖችና የወር ስሞች ሁሉ እንደ አቶ ኒያዞቭ "ሩህናማ" የሚባል ይፋዊ መጽሐፍ ፍልስፍና በአዋጅ ተቀየሩ።</code>                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                 | <code>አዲስ አበባ፦ በኦሮሚያ ክልል በተመረጡ ትምህርት ቤቶች የሶማሊኛ ቋንቋ እንደ ተጨማሪ የቋንቋ ትምህርት መሰጠት ተጀመረ። የሶማሌ ቴሌቪዥን እንደዘገበው በቅርቡ የሶማሌና የኦሮሚያ ክልል አመራሮች በኦሮሚያ ክልል እና የሶማሌ ክልል ትምህርት ቤቶች የሱማሊኛና የአፋን ኦሮሞ ቋንቋን ለመስጠት መስማማታቸው ይታወሳል። በያተያዘው እቅድ መሰረትም ትናንት የሶማሌ ክልል ትምህርት ቢሮ ኃላፊ አቶ መሀመድ ፋታህ፣ የኦሮሚያ ክልል ትምህርት ቢሮ ምክትል ኃላፊ አቶ ግርማ ባይሳ እና ሌሎች የኦሮሚያና የሶማሌ ክልል አመራሮች በኦሮሚያ ክልል የምሥራቅ ሀረርጌ ዞን ጭናክሰን ወረዳ የዋሊድ አንደኛ ደረጃ ትምህርት ቤት ተገኝተው የሱማሊኛ ቋንቋ ትምህርትን አስጀምረዋል።በዚህ ወቅትም የሥራ ኃላፊዎቹ የቋንቋው መሰጠት መጀመር የህዝቡን ትስስር የሚያጠናክር ነው ብለዋል።በኦሮሚያ ክልል በ11 ትምህርት ቤቶች የሱማሊኛ ቋንቋ እንደተጨማሪ ቋንቋ ትምህርት በመሰጠት<br>ላይ መሆኑን የክልሉ ትምህርት ቢሮ ምክትል ኃላፊ አቶ ግርማ ባይሳ አስታውቀዋል።አዲስ ዘመን  ታህሳስ 23/2013</code>                                                                                                                                                                                                                                                                                                                                                                                                                                      |
-  | <code>የኤርትራው ፕሬዚዳንት ኢሳያስ አፈወርቂ በሀገሪቱ ላይ ሊደረጉ ለሚገቡ ዋና ዋና ማሻሻያዎች ችኮላ እንደማይገባ የኤርትራን 28ኛ አመት የነፃነት ክብረ በዓል አስመልክቶ በዛሬው ዕለት ባደረጉት ንግግር ገልፀዋል።</code> | <code>የኤርትራው ፕሬዚዳንት ኢሳያስ አፈወርቂ ለማሻሻያዎች ችኮላ እንደማይገባ ገለፁ\nሁለቱ ሃገራት ጦርነትና ሰላም በሌለበት ሁኔታ ከሁለት አስርት አመታት ፍጥጫ በኋላ በሰላም በመቋጨቱ ማግስት ፕሬዚዳንት ኢሳያስ ፖለቲካዊ ማሻሻያዎችን ሊያውጁ ይችላሉ በሚልም በተለያዩ አገራት በሚኖሩ ኤርትራውያን ዘንድ እየተጠበቁ ነበር።<br><br>•የኤርትራ 28ኛ ዓመት ነፃነት ከየት ወደየት? <br><br>•የ "ጥርስ አልባው" ማዕቀብ መነሳት ፖለቲካ? <br><br>•ታዋቂዎቹ ኤርትራዊያን በሙዚቃቸው ምክንያት ይቅርታ ጠየቁ<br><br>በኤርትራ መዲና አስመራ ባደረጉትም ንግግር "ሰላም የሰፈነበት የአዲሱ ዘመን ምኞትና ፍላጎት ፈተናዎቹን ሊጋርዱዋቸው አይገባም" ብለዋል። <br><br>በኤርትራና በኢትዮጵያ መካከል ሰላም መፈጠሩን ተከትሎ በኤርትራውያን ዘንድ አዲስ የዲሞክራሲ ምዕራፍ ይፈነጥቃል የሚል ተስፋ ቢኖርም ፕሬዚዳንቱ ምንም አይነት ለውጥ አላመጣም በማለት በእምቢተኝነታቸው ቀጥለዋል በሚልም እየተተቹ ነው። <br><br>•ፕሬዝዳንት ኢሳያስ በአዲስ አበባና ሃዋሳ ጉብኝት ያደርጋሉ <br><br>ፕሬዚዳንት ኢሳያስ ሃገሪቷን አሁንም ቢሆን ያለ ህገ መንግሥት እየመሩ ሲሆን ብሔራዊ ምክር ቤቱን (ፓርላማ) እንደበተኑት ነው።<br><br> የተለያዩ የሰብአዊ መብት ተሟጋች ድርጅቶች በሺዎች የሚቆጠሩ የፖለቲካ እስረኞችን፣ ጋዜጠኞችንና በዘፈቀደ በማሰር ይከሷቸዋል። <br><br>የሁለቱን ሃገራት እርቀ ሰላም ተከትሎ ለአስርት ዓመታት ተዘግተው የነበሩት የሁለቱም አገራት ድንበሮች ቢከፈቱም፤ ከጥቂት ወራት በፊት ምንም አይነት መግለጫ ሳይሰጥ ከኤርትራ በኩል ተዘግተዋል። <br><br></code>                                                                                | <code>ኤርትራዊያን ሊያዩ የሚሿቸው አምስት ለውጦች\nየኤርትራው ፕሬዝደንት ኢሳያስ አፈወርቂ በሃገራቸው ለሚታየው የሰብዓዊ መብት ጥሰት ከኢትዮጵያ ጋር ያላቸው አለመስማማት ዋነኛ ምክንያት እንደሆነ ሲያቀርቡ ቆይተዋል። <br><br>ኤርትራ ለ20 ዓመታት ያክል ባልተቋረጠ የአስቸኳይ ጊዜ አዋጅ ውስጥ ከርማለች፤ በተለይ ደግሞ ከድንበር ጦርነቱ በኋላ። <br><br>አሁን ላይ ግን ነገሮች እየተቀየሩ ይመስላሉ።<br><br>• የኤርትራው ፕሬዝዳንት ኢሳያስ አፈወርቂ አዲስ አበባ ገቡ <br><br>• ስለ ፕሬዝዳንት ኢሳያስ አፈወርቂ ምን ያህል ያውቃሉ?  <br><br>ሐምሌ 01/2010 ዓ.ም. የኢትዮጵያ ጠቅላይ ሚኒስትር ዐብይ አሕመድ ታሪክ ሰሩ፤ ከ20 ዓመታት በኋላ አሥመራን በመጎብኘት የመጀመሪያው ኢትዮጵያዊ መሆንም ቻሉ። <br><br>ይህን ተከትሎም ሁለቱ ሃገራት በዲፕሎማሲውም ሆነ በምጣኔ ሃብት ዘርፍ ተባብረው ለመሥራት ስምምነት ላይ ደርሰዋል። <br><br>ሐምሌ 07/2010 ዓ.ም ሌላ ታሪክ፤ ፕሬዝደንት ኢሳያስ አፈወርቂ ከ20 ዓመታት በኋላ አዲስ አበባን ረገጡ።  <br><br>ታዲያ እነዚህ ሁሉ በአጭር ጊዜ ይሆናሉ ተብለው ያልተጠበቁ ክስተቶች እውን እየሆኑ ባሉበት በዚህ ወቅት ኤርትራውያንን ሰቅዞ የያዘ አንድ ጉዳይ አለ፤ የ��ለቱ ሃገራት ስምምነት ለኤርትራ ምን ትርፍ ይኖረዋል የሚል። <br><br>ተንታኞች በኤርትራ ቢያንስ አምስት ጉዳዮች ለውጥ ይሻሉ ይላሉ። <br><br>ሕገ-መንግሥት<br><br>ኤርትራ ነፃ ከወጣች ብዙም ጊዜ ሳይሆናት ነው የሕገ-መንግሥት ኮሚሽን በማቋቋም አዳዲስ ሕግጋትን ማርቀቅ የጀመረቸው።  <br><br>ከሦስት ዓመታት በኋላም ሕገ-መንግሥቱ ለሃገሪቱ ብሔራዊ ጉባዔ ቀረበ፣ ከዓመት በኋላ የድንበር ጦርነቱ ተነሳ፤ ሕገ-መንግሥቱም በእንጥልጥል ቀረ።  <br><br>በ1992 ዓ.ም የአልጀርሱ ስምምነት በሚፈርምበት ወቅት ሚኒስትሮች፣ ወታደራዊ አመራሮችና አንዳንድ ባለሥልጣናት ...</code> | <code>የኤርትራ ፕሬዚዳንት ኢሣያስ አፈወርቂ ኢትዮጵያ በመግባታቸውና በሁለቱ ሃገሮች መካከል ሰላም በመበሰሩ የተሰማቸው ደስታ እስከማልቀስ እንዳደረሳቸው በዘመነ ደርግ የኤርትራ አስተዳዳሪ የነበሩት ሻለቃ ዳዊት ወልደጊዮርጊስ ለቪኦኤ ገለፁ።ሻለቃ ዳዊት ካለፈ ታሪክ እያጣቀሱ ለቪኦኤ በሰጡት ማብራሪያ የሁለቱ ሃገሮች ግንኙነት አሁን ወደደረሰበት ሁኔታ መለወጡ በስትራተጂ፣ አካባቢያዊ ደኅንነት፣ በምጣኔኃብት መተጋገዝና የሁለቱን ሃገሮች ሕዝቦች አንድነት በማጠናከር ላይ ለመሥራት አማራጭ የሌለው መንገድ እንደሆነ ጠቁመዋል።በ1981 ዓ.ም. በኮሎኔል መንግሥቱ ኃይለማርያም ላይ መፈንቅለ-መንግሥት ተሞክሮ በነበረ ጊዜም የኩዴታው ጠንሳሾች ከሕዝባዊ ግንባር ሐርነት ኤርትራ መሪዎች ጋር ለመሥራት ጥረው እንደነበርና የደርግ ሥርዓት ሲወድቅም ኢሣያስ አፈወርቂ ኢትዮጵያና ኤርትራን አንድ አድርገው እንዲመሩ ሃሣብ ቀርቦላቸው እንደነበረ ሻለቃ ዳዊት ገልፀዋል።የኢትዮጵያና የኤርትራ ሕዝቦች “የተለያዩ ሁለት ሕዝቦች ናቸው የሚሉ የተሣሣቱ ናቸው፤ እኔ በየትኛውም ፅሁፌና ንግግሬ እንዲህ ብዬ አላውቅም” ብለዋል።ለሙሉው ቃለ-ምልልስ የተያያዘውን የድምፅ ፋይል ያዳምጡ።  </code>                                                                                                                                                                                                                                                                                                                                                                            |
-  | <code>የአበርገሌን ወርቅ እንደጠጠር ከመታየት የሚታደገው አሠራር ከወዴት ይሆን?</code>                                                                                      | <code>ባሕር ዳር፡ ሚያዝያ 29/2012 ዓ.ም (አብመድ) በዋግ ኽምራ ብሔረሰብ አስተዳደር አበርገሌ ወረዳ የሚገኙ ቀበሌዎች የወርቅ ሀብት መገኛ ናቸው፡፡ በተለይ በኽምጠኛ ቋንቋ ‘ዊርቀ ዲቭኑ’ የሚል የቆየ የአካባቢው ነዋሪዎች ስያሜ የተሰጣት ቀበሌ ወርቅ ምድር ትባላለች፡፡ ዊርቀ ዲቭኑ ወርቅ የተቀበረባት ቦታ የሚል አቻ የአማርኛ ፍች አለው፡፡ የአካባቢው አስተዳደር በይፋ ‘‘ከ1990ዎቹ ወዲህ ወርቅ መኖሩ ተረጋግጧል’’ ይበል እንጂ የቀበሌው ስያሜ ከዚያ በፊትም እንደነበር የሚያመላክቱ ማስረጃዎች አሉ፡፡በወል መሬቶች እና በግለሰቦች የእርሻ ማሳ መጠኑ ያልታወቀ የወርቅ ማዕድን ግለሰቦች ሲያወጡ አብመድ በአካል ተመልክቷል፡፡ ነገሩ ግን ወርቅን እንደጠጠር ካለበት አለማንሳት፣ ዘመናዊ አብመድ ካነጋገራቸው የወርቅ ማዕድን አውጭ ወጣቶች መካከል አቶአ ለለ ተክለሃይማኖ ‘‘ወርቅ የማውጣቱ ሥራ እጅግ ባህላዊ ነው’’ ብሏል፡፡ ቀኑን ሙሉ በአካፋና ዶማ እየቀጠቀጡ ግምታዊ የወርቅ ፍለጋ ሥራን ስለሚያከናውኑ አድካሚ ቢሆንም በቀላሉ ወርቁ ሲገኝ ደግሞ ማካካስ እንደሚያስችላቸው ተናግሯል፡፡ በሰው ጉልበት ብቻ የሚደረገው የወርቅ ማውጣት ሥራ በቂ ያለመሆን፣ የተደራጀ የማውጣት አካሄድ አለመኖርና ዘመናዊ መሣሪያዎችን በመጠቀም ማውጣት ባለመቻሉ ሀብቱን በአግባቡ መጠቀ�� አለመቻላቸውን ነው የተናገረው፡፡ መንግሥትም ሆነ ባለሀብቶች ወደ ወረዳው ገብተው ለመሥራት ፍላጎት ከሌላቸው በርካታ የወረዳው ወጣቶች ተደራጅተው እንዲሠሩ ዘመናዊ የወርቅ ማመላከቻና ማውጫ መሣሪያዎች በብድር እንዲሰጣቸው ጠይቀዋል፡፡አቶ አበራ ወልደሰንበት በእርሻ ማሳቸው ክምችቱ በውል ያልተወቀ የወርቅ ማዕድን እንዳለ ይናገራሉ፡፡ ከ2003 ዓ.ም ጀምሮ የእርሻ ማሳቸው ቀንና ማታ በድብቅ እየተቆፈረ ለሕገ ወጥ ወርቅ አውጭዎች ሲሳ...</code> | <code>በዚህ ወቅት ነው ሠላማዊት ስለበርኖስ ብዙ ነገሮችን የተማረችው። በርኖስ የሚሠራው ከበግ ጸጉር ቢሆንም ሁሉም የበግ ጸጉር ግን ለበርኖስ ሥራ አያገለግልም ትላለች። <br><br>እንደበጎቹ መጠን ታይቶ ከአስር እስከ አስራ ሶስት የሚሆኑ ጥቁር በጎች ይመረጣሉ። <br><br>• የኬንያ ዳኞችን አለባበስ የቀየረች ኢትዮጵያዊት<br><br>• ሜድ ኢን ቻይና- የሀገር ባህል አልባሳቶቻችን<br><br>"ለበርኖስ ሥራ የሚያገለግሉት በጎች የሪዝ በግ መሆን አለባቸው። ይህም በርኖሱ ለስላሳ መሆን ስላለበት ነው" ይላሉ የመንዝ ማማ ባህልና ቱሪዝም ጽህፈት ቤት የቅርስ ባለሙያ የሆኑት አቶ ታምሩ ፍቅረ። <br><br>ጥቁር በጎች ሆነው ጸጉራቸው በተደጋጋሚ ከተቆረጠ ጸጉሩ ጠንካራ ስለሚሆን ሲለበስ ይኮሰኩሳል። የእነዚህ በጎች ጸጉር ጠንካራ ስለሆነ ባና ወይንም ዝተት ለሚባለውና እንደጋቢ ያለ በብርድ ወይንም በመኝታ ወቅት የሚለበስ ልብስ ይሠራበታል። <br><br>"ባና ከማንኛውም በግ ጸጉር ይሠራል። ቀለሙም ዳልቻ፣ ነጭ ወይንም ጥቁር ሊሆን ይችላል። ለበርኖስ ግን ለስላሳ ሪዝ ያለው የጥቁር በግ ጸጉር ነው የሚያስፈልገው" ይላሉ ባለሙያው። <br><br>ለበርኖስ ሥራ ጸጉራቸው የተመረጡት በጎች በደንብ ይታጠባሉ። ከዚያ እንዲደርቁ ይደረጋል።<br><br>"ምንም እንዳይጎሳቆል እና ቆሻሻ እንዳይነካው ቁርበት ላይ ተደርጎ ጸጉሩ ይቆረጣል" ይላሉ አቶ ታምሩ። <br><br>ቀጥሎ የሚከናወነው በእናቶች ፋቶው ይፋታል። ፋቶ ማለት ጸጉሩን ነጣጥሎ እንዲደርቅ ማድረግ ነው። <br><br>የደረቀው የበግ ጸጉር እስኪልም ድረስ በደጋን ተነድፎ አመልማሎ ይሠራል። አመልማሎ ማለት እየተሽመለመለ ማድበልበል ማለት ነው። <br><br>ቀጣዩ ሥራ የተድበለበለውን የበግ ጸጉር  በእንዝርት መፍተል ነው። ፈትሉ በኳስ መልክ የሚዘጋጅ ሲሆን ኳሱን እየተረተሩ የማድራት ሥራው ይከናወናል። <br><br>ከዚህ በኋላ ያለው ሥራ ሽመና ...</code>       | <code>የለንደን<br>እና ሪዮ ኦሊምፒክ የሴቶች የ800ሜትር ባለ ድል፣ በዓለም አትሌቲክስ ሻምፒዮና ለሶስት ጊዜ  ሻምፒዮን እንዲሁም<br>የ1ሺ500ሜትር የነሃስ ሜዳሊያ ባለቤት መሆን ችላለች። ደቡብ አፍሪካዊቷ ካስተር ሰመኒያ፡፡ በርቀቱ ስኬታማ አትሌት ትሁን እንጂ፤ ሁሌም በውድድሮች ካሸነፈች በኋላ መነጋገሪያ ርዕስ መሆኗ ግን አይቀሬ ነው። ምክንያቱ ኮስታራው ፊቷ እና ፈርጣማው ተክለ ሰውነቷ ሲሆን፤ በርካቶችም የጾታዋ ጉዳይ ግራ አጋቢ መሆኑን ይገልጻሉ። ለመጀመሪያ<br>ጊዜ አትሌቷና ያልተለመደው ክስተት የተስተዋለው እአአ በ2009 የበርሊን አትሌቲክስ ሻምፒዮና የ800 ሜትር ውድድር ላይ ነበር። የአጭርና መካከለኛ ርዝመት አትሌቷ ሰመኒያ፤ በውድድሩ ላይ ከተሳተፉት አትሌቶች ሁሉ የወንድ በሚመስለው ተክለ ቁመናዋ የተለየች ነበረች። ውድድሩንም በከፍተኛ ልዩነትና ብቃት ነበር ያሸነፈችው። ነገሩ አወዛጋቢ በመሆኑም ወጣቷ አትሌት ጾታዋን እስከ መመርመር በደረሰ ሂደት ለማለፍ ተገደደች።የአትሌቷ<br>ጾታ ተረጋግጦ ወደ ውድድር ከተመለሰችም በኋላ እርሷ እና መሰሎቿ ከሌሎች አትሌቶች አንጻር የሚታየው ልዩነት ለበርካታ ጊዜያት በስፖርቱ ዘንድ ቅሬታ ሲያስነሱ ቆይተዋል። ዓለም አቀፉ የአትሌቲክ�� ፌዴሬሽኖች ማህበርም በምክር ቤቱ ካጸደቀ በኋላ፤ በስድስት ወራት ውስጥ በስራ ላይ እንደሚያውለው አስታውቆ ነበር።ደንቡ<br>ሴቶችን ብቻ የሚመለከት ሲሆን፤ የ400፣ 400 መሰናክል፣ 800፣ 1ሺ500 ሜትር እንዲሁም የአንድ ማይል ርቀት ተወዳዳሪ አትሌቶች ላይ የሚተገበር ነው። ይኸውም በሰውነታቸው ያለው «ቴስቴስትሮን» የተባለ ንጥረ ነገር መጠን ከፍተኛ የሆኑ ሴት አትሌቶችን ብቻ ይመለከታል። በወቅቱም<br>አብዛኛዎቹ ሴት አትሌቶች (0.12 – 1.79<br>nmol/L) በሆነ ዝቅተኛ የ«ቴስቴስትሮን» መጠን ሮጠው አሸናፊ እ...</code> |
 * Loss: [<code>MatryoshkaLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#matryoshkaloss) with these parameters:
   ```json
   {
@@ -357,181 +267,29 @@ You can finetune this model on your own dataset.
   ```
 
 ### Training Hyperparameters
-#### Non-Default Hyperparameters
-
-- `eval_strategy`: epoch
-- `per_device_train_batch_size`: 128
-- `per_device_eval_batch_size`: 128
-- `gradient_accumulation_steps`: 2
-- `learning_rate`: 6e-05
-- `num_train_epochs`: 6
-- `lr_scheduler_type`: cosine
-- `warmup_ratio`: 0.025
-- `fp16`: True
-- `load_best_model_at_end`: True
-- `optim`: adamw_torch_fused
-- `batch_sampler`: no_duplicates
-
-#### All Hyperparameters
-<details><summary>Click to expand</summary>
-
-- `overwrite_output_dir`: False
-- `do_predict`: False
 - `eval_strategy`: epoch
-- `prediction_loss_only`: True
 - `per_device_train_batch_size`: 128
 - `per_device_eval_batch_size`: 128
-- `per_gpu_train_batch_size`: None
-- `per_gpu_eval_batch_size`: None
-- `gradient_accumulation_steps`: 2
-- `eval_accumulation_steps`: None
-- `torch_empty_cache_steps`: None
 - `learning_rate`: 6e-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`: 6
-- `max_steps`: -1
 - `lr_scheduler_type`: cosine
-- `lr_scheduler_kwargs`: {}
-- `warmup_ratio`: 0.025
-- `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`: True
-- `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_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
-- `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
-| Epoch   | Step     | Training Loss | dim_512_cosine_ndcg@10 | dim_256_cosine_ndcg@10 |
-|:-------:|:--------:|:-------------:|:----------------------:|:----------------------:|
-| -1      | -1       | -             | 0.0616                 | 0.0458                 |
-| 1.0     | 481      | 2.2412        | 0.7514                 | 0.7445                 |
-| 2.0     | 962      | 0.5094        | 0.7670                 | 0.7595                 |
-| 3.0     | 1443     | 0.2201        | 0.7733                 | 0.7684                 |
-| 4.0     | 1924     | 0.1298        | 0.7762                 | 0.7720                 |
-| 5.0     | 2405     | 0.0954        | 0.7789                 | 0.7727                 |
-| **6.0** | **2886** | **0.0843**    | **0.7794**             | **0.7736**             |
-
-* The bold row denotes the saved checkpoint.
 
 ### Framework Versions
 - Python: 3.11.13
 - Sentence Transformers: 4.1.0
 - Transformers: 4.52.4
 - PyTorch: 2.7.1+cu126
-- Accelerate: 1.7.0
-- Datasets: 3.6.0
-- Tokenizers: 0.21.1
 
 </details>
 
 ## Citation
 
-
-<!--
-## 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.*
--->
+```bibtex
+@inproceedings{alemneh2026amharicir,
+  title     = {The Multilingual Curse at the Retrieval Layer: Evidence from Amharic},
+  author    = {Alemneh, Yosef Worku and Mekonnen, Kidist Amde and de Rijke, Maarten},
+  booktitle = {Proceedings of the 1st Workshop on Multilinguality in the Era of Large Language Models (MeLLM), ACL 2026},
+  year      = {2026},
+}
+```