Upload 9 files

.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

README.md

@@ -1,3 +1,530 @@
----
-license: unknown
----
+---
+tags:
+- sentence-transformers
+- sentence-similarity
+- feature-extraction
+- dense
+- generated_from_trainer
+- dataset_size:640
+- loss:MultipleNegativesRankingLoss
+widget:
+- source_sentence: 'Recém-nascido prematuro (33 semanas), ecografia na gestação mostrava
+    polidrâmnio, peso ao nascimento 1,3kg, apresentou resíduo gástrico importante
+    na tentativa de alimentação. Encontra-se com 2 dias de vida, com sonda gástrica
+    “aberta” drenando material bilioso. Exame de imagem realizado apresentado abaixo:
+    (Fonte: J Clin Neonatol) De acordo com o quadro clínico e o exame de imagem, qual
+    o diagnóstico para esta criança?'
+  sentences:
+  - Atresia duodenal
+  - Dismotilidade própria do prematuro
+  - A forma mais segura e eficaz de prevenção para o herpes zoster (zona) é a vacinação.
+    Trata-se de vacina de vírus inativado, indicada para homens e mulheres acima de
+    50 anos.
+- source_sentence: Doente de 64 anos procura atendimento médico com queixa de poliaquiúria
+    (intervalo miccional a cada 3 horas), nictúria e com jato urinário médio. Qualidade
+    de vida pouco afetada pelos sintomas urinários. Trouxe à consulta uma ecografia
+    realizada há dois anos, demonstrando próstata de 55g e vias urinárias normais.
+    Tem como antecedente familiar irmão com diagnóstico de cancro da próstata que
+    se encontra em tratamento. Qual o rastreio mínimo recomendado para este doente?
+  sentences:
+  - Fosfatase alcalina e ecografia via abdominal da próstata.
+  - PSA (antigénio específico da próstata) e toque retal.
+  - Prevenção secundária
+- source_sentence: 'Mulher de 62 anos é atendida na consulta de cardiologia do Hospital
+    Escola. Refere hipertensão de longa data e uso irregular de Captopril. Há 6 meses
+    apresenta dispneia progressiva aos esforços, sendo que no último mês apresentou
+    dois episódios de dispneia paroxística noturna. Desde então passou a dormir com
+    duas almofadas. Refere também edema maleolar, que progrediu até à altura dos joelhos.
+    O médico que a atendeu nos Cuidados de Saúde Primários esclareceu-a sobre o uso
+    correto do Captopril, orientou dieta com pouco sal, pediu Radiografia do Tórax,
+    Eletrocardiograma (ECG), análises sanguíneas e encaminhou-a. Ao exame físico,
+    apresenta TA: 130/100mmHg, FR: 18cpm, FC 112bpm, SaO2 de 96%. Está em regular
+    estado geral, pulsos periféricos presentes e simétricos, sons cardíacos rítmicos,
+    um pouco abafados, presença de terceiro som (S3), sopro sistólico suave em foco
+    mitral, estertores subcrepitantes finos nas bases de ambos os pulmões, fígado
+    palpável a um centímetro do rebordo costal direito e edema dos membros inferiores
+    de +/4. O ECG mostrou taquicardia sinusal (FC: 118bpm) e sinais de sobrecarga
+    ventricular esquerda. A Radiografia evidenciou cardiomegália de ++/4. Função renal,
+    eletrólitos e glicemia estão normais. Qual o exame complementar e a conduta terapêutica
+    mais apropriados neste momento?'
+  sentences:
+  - Monitorização Ambulatória da Pressão Arterial; substituir Captopril por Hidralazina
+    e associar Hidroclorotiazida.
+  - Mudar a posologia, mantendo 3 horários diários de uso dos medicamentos da lista
+    acima, organizados em caixas do tipo pequeno-almoço, almoço e jantar, com símbolos
+    que a doente entenda, sendo os da manhã e da noite supervisionados pela sobrinha,
+    pode melhorar a aderência sem prejudicar a dinâmica familiar.
+  - Ecocardiograma; manter Captopril e associar Carvedilol e Furosemida.
+- source_sentence: 'Mulher, 30 anos de idade, primigesta, no curso da 16ª semana de
+    gestação, é atendida em consulta de pré-natal no Centro de Saúde. Ao exame, observa-se:
+    estado geral regular, afebril, tensão arterial de 110/80 mmHg, mucosas descoradas
+    1+/4+. Os exames complementares revelaram presença de neutrófilos com granulações
+    tóxicas e hemoglobina de 11 g/dL; glicemia sérica em jejum de 90 mg/dL; AST: 30
+    (normal: até 38 U/L); ALT: 28 (normal até 41 U/L); tempo de protrombina, colesterol,
+    triglicerídeos, plaquetas e perfil tiroideu sem alterações. A pesquisa dos marcadores
+    virais para hepatites virais demonstrou Anti-VHA IgM, AgHBs, Anti-HBc-IgM e HBeAg
+    não reativos; Anti-VHA IgG não reativo, Anti-HBs reativos; VDRL, IgM para toxoplasmose
+    e VIH não reativos; IgG reativo para toxoplasmose. Sobre os resultados dos exames
+    solicitados, podemos afirmar que a grávida apresenta:'
+  sentences:
+  - Imunidade para Hepatite A
+  - Imunidade para toxoplasmose
+  - Anencefalia
+- source_sentence: 'Doente, 25 anos, G3P2A0 (2 partos vaginais), chega à urgência
+    referindo dor no abdómen inferior associada a cefaleias, náuseas, 2 episódios
+    de vómitos, dor epigástrica e diminuição dos movimentos fetais. A doente encontra-se
+    com 32 semanas de idade gestacional e refere não ter tido qualquer intercorrência
+    na gravidez até ao presente momento. Ao exame físico: TA: 150 x 110 mmHg, BCF:
+    144 bpm, movimentos fetais presentes, edema presente nos membros inferiores (3+),
+    altura uterina: 29cm; tira-teste de urina: negativo. Solicitadas análises laboratoriais,
+    com os seguintes resultados: Hemoglobina: 10,8 g/dL; Hematócrito: 30%; leucócitos
+    totais: 9.400 células/mm3 sem desvio; plaquetas: 113.000/µL; Creatinina: 1,1 mg/dL;
+    Ureia: 28 mg/dL; AST: 15 u/L; ALT: 14 u/L; LDH (desidrogenase lática): 400 UI/L;
+    Bilirrubina total: 0,4 mg/dL; Bilirrubina direta 0,2 mg/dL; Bilirrubina indireta:
+    0,2 mg/dL. Ecografia obstétrica evidencia peso fetal no percentil 3 e ILA (índice
+    de líquido amniótico) de 4,0cm; Doppler normal. Qual o diagnóstico e a conduta?'
+  sentences:
+  - Hipertensão gestacional. Manter doente internada e aguardar completar 34 semanas
+    de gestação para interrupção da mesma.
+  - Pré-eclâmpsia com sinais de gravidade. Internamento hospitalar, sulfato de magnésio,
+    programar interrupção da gravidez.
+  - Radiografia de corpo inteiro.
+pipeline_tag: sentence-similarity
+library_name: sentence-transformers
+metrics:
+- cosine_accuracy@1
+- cosine_accuracy@3
+- cosine_accuracy@5
+- cosine_accuracy@10
+- cosine_precision@1
+- cosine_precision@3
+- cosine_precision@5
+- cosine_precision@10
+- cosine_recall@1
+- cosine_recall@3
+- cosine_recall@5
+- cosine_recall@10
+- cosine_ndcg@10
+- cosine_mrr@10
+- cosine_map@100
+model-index:
+- name: SentenceTransformer
+  results:
+  - task:
+      type: information-retrieval
+      name: Information Retrieval
+    dataset:
+      name: Vigilante Medico
+      type: Vigilante-Medico
+    metrics:
+    - type: cosine_accuracy@1
+      value: 0.2638888888888889
+      name: Cosine Accuracy@1
+    - type: cosine_accuracy@3
+      value: 0.4722222222222222
+      name: Cosine Accuracy@3
+    - type: cosine_accuracy@5
+      value: 0.5555555555555556
+      name: Cosine Accuracy@5
+    - type: cosine_accuracy@10
+      value: 0.7083333333333334
+      name: Cosine Accuracy@10
+    - type: cosine_precision@1
+      value: 0.2638888888888889
+      name: Cosine Precision@1
+    - type: cosine_precision@3
+      value: 0.15740740740740738
+      name: Cosine Precision@3
+    - type: cosine_precision@5
+      value: 0.1111111111111111
+      name: Cosine Precision@5
+    - type: cosine_precision@10
+      value: 0.07083333333333333
+      name: Cosine Precision@10
+    - type: cosine_recall@1
+      value: 0.2638888888888889
+      name: Cosine Recall@1
+    - type: cosine_recall@3
+      value: 0.4722222222222222
+      name: Cosine Recall@3
+    - type: cosine_recall@5
+      value: 0.5555555555555556
+      name: Cosine Recall@5
+    - type: cosine_recall@10
+      value: 0.7083333333333334
+      name: Cosine Recall@10
+    - type: cosine_ndcg@10
+      value: 0.46498906641408627
+      name: Cosine Ndcg@10
+    - type: cosine_mrr@10
+      value: 0.38940696649029977
+      name: Cosine Mrr@10
+    - type: cosine_map@100
+      value: 0.40237411672394285
+      name: Cosine Map@100
+---
+
+# SentenceTransformer
+
+This is a [sentence-transformers](https://www.SBERT.net) model trained. It maps sentences & paragraphs to a 384-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:** [Unknown](https://huggingface.co/unknown) -->
+- **Maximum Sequence Length:** 128 tokens
+- **Output Dimensionality:** 384 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': 128, 'do_lower_case': False, 'architecture': 'BertModel'})
+  (1): Pooling({'word_embedding_dimension': 384, '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("sentence_transformers_model_id")
+# Run inference
+sentences = [
+    'Doente, 25 anos, G3P2A0 (2 partos vaginais), chega à urgência referindo dor no abdómen inferior associada a cefaleias, náuseas, 2 episódios de vómitos, dor epigástrica e diminuição dos movimentos fetais. A doente encontra-se com 32 semanas de idade gestacional e refere não ter tido qualquer intercorrência na gravidez até ao presente momento. Ao exame físico: TA: 150 x 110 mmHg, BCF: 144 bpm, movimentos fetais presentes, edema presente nos membros inferiores (3+), altura uterina: 29cm; tira-teste de urina: negativo. Solicitadas análises laboratoriais, com os seguintes resultados: Hemoglobina: 10,8 g/dL; Hematócrito: 30%; leucócitos totais: 9.400 células/mm3 sem desvio; plaquetas: 113.000/µL; Creatinina: 1,1 mg/dL; Ureia: 28 mg/dL; AST: 15 u/L; ALT: 14 u/L; LDH (desidrogenase lática): 400 UI/L; Bilirrubina total: 0,4 mg/dL; Bilirrubina direta 0,2 mg/dL; Bilirrubina indireta: 0,2 mg/dL. Ecografia obstétrica evidencia peso fetal no percentil 3 e ILA (índice de líquido amniótico) de 4,0cm; Doppler normal. Qual o diagnóstico e a conduta?',
+    'Pré-eclâmpsia com sinais de gravidade. Internamento hospitalar, sulfato de magnésio, programar interrupção da gravidez.',
+    'Hipertensão gestacional. Manter doente internada e aguardar completar 34 semanas de gestação para interrupção da mesma.',
+]
+embeddings = model.encode(sentences)
+print(embeddings.shape)
+# [3, 384]
+
+# Get the similarity scores for the embeddings
+similarities = model.similarity(embeddings, embeddings)
+print(similarities)
+# tensor([[1.0000, 0.5402, 0.1571],
+#         [0.5402, 1.0000, 0.3841],
+#         [0.1571, 0.3841, 1.0000]])
+```
+
+<!--
+### 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: `Vigilante-Medico`
+* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
+
+| Metric              | Value     |
+|:--------------------|:----------|
+| cosine_accuracy@1   | 0.2639    |
+| cosine_accuracy@3   | 0.4722    |
+| cosine_accuracy@5   | 0.5556    |
+| cosine_accuracy@10  | 0.7083    |
+| cosine_precision@1  | 0.2639    |
+| cosine_precision@3  | 0.1574    |
+| cosine_precision@5  | 0.1111    |
+| cosine_precision@10 | 0.0708    |
+| cosine_recall@1     | 0.2639    |
+| cosine_recall@3     | 0.4722    |
+| cosine_recall@5     | 0.5556    |
+| cosine_recall@10    | 0.7083    |
+| **cosine_ndcg@10**  | **0.465** |
+| cosine_mrr@10       | 0.3894    |
+| cosine_map@100      | 0.4024    |
+
+<!--
+## 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: 640 training samples
+* Columns: <code>sentence_0</code>, <code>sentence_1</code>, and <code>sentence_2</code>
+* Approximate statistics based on the first 640 samples:
+  |         | sentence_0                                                                          | sentence_1                                                                         | sentence_2                                                                         |
+  |:--------|:------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|
+  | type    | string                                                                              | string                                                                             | string                                                                             |
+  | details | <ul><li>min: 13 tokens</li><li>mean: 104.5 tokens</li><li>max: 128 tokens</li></ul> | <ul><li>min: 3 tokens</li><li>mean: 23.37 tokens</li><li>max: 128 tokens</li></ul> | <ul><li>min: 3 tokens</li><li>mean: 22.56 tokens</li><li>max: 128 tokens</li></ul> |
+* Samples:
+  | sentence_0                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                       | sentence_1                                                                                                                                                                                                                                                                             | sentence_2                                                                                                                                                                                                               |
+  |:-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
+  | <code>Mulher, 30 anos, com história de colite ulcerosa há 3 meses, em terapêutica com infliximab há 2 meses, dá entrada no atendimento urgente com disenteria intensa, distensão abdominal, febre de 38ºC, taquicardia (120 bpm), anemia ligeira, hipotensão, dor abdominal e descompressão brusca negativa. Podemos afirmar que:</code>                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                         | <code>Deverá ser submetida a cirurgia de colectomia subtotal com ileostomia terminal.</code>                                                                                                                                                                                           | <code>A tomografia computorizada do abdómen não acrescenta nada ao diagnóstico em relação ao RX do abdómen.</code>                                                                                                       |
+  | <code>As cardiopatias congénitas são defeitos estruturais do coração que estão presentes na vida fetal e ao nascimento. Esse grupo representa cerca de 30% de todas as malformações congénitas e tem incidência em torno de 9,4 casos para cada 1000 nados-vivos. O diagnóstico das cardiopatias congénitas pode ser feito na vida fetal ou após o nascimento através do exame clínico pós-natal. Acerca do teste de oximetria de pulso (teste do pezinho), podemos afirmar:</code>                                                                                                                                                                                                                                                                                                                                                                                                                              | <code>O teste consiste em aferir a oximetria de pulso na mão direita (MSD) e num dos pés (MI) do recém-nascido, e considera-se como normal a SpO2 maior ou igual a 95% e uma diferença de SpO2 entre o membro superior direito e um dos membros inferiores menor ou igual a 3%.</code> | <code>Ao aferir a oximetria de pulso do RN, o valor de referência normal da SpO2 deve estar entre 90% e 94% ou uma diferença entre as medidas do membro superior direito e o membro inferior maior ou igual a 4%.</code> |
+  | <code>Doente masculino, 20 anos, vítima de acidente de motociclo. A equipa de socorro pré-hospitalar refere que ele se encontrava sem capacete e com hálito alcoólico. O doente dá entrada na urgência com colar cervical e máscara de oxigénio 12L/minuto, mantendo via aérea permeável com cânula orofaríngea. A avaliação do pescoço e do tórax não apresenta alterações aparentes e a frequência respiratória é de 28cpm. Tensão Arterial de 90/60mmHg, Frequência Cardíaca de 68bpm, pele com temperatura normal. Ao ser chamado, o doente não abre os olhos, contudo, ao estímulo doloroso, abre os olhos, faz uma retirada inespecífica com o membro superior direito e não emite nenhum som vocal. Estava coberto com uma manta térmica. A partir dos dados desta história clínica, qual a melhor alternativa que contém o valor da Escala de Coma de Glasgow (ECG) e a conduta para este doente?</code> | <code>ECG 7; intubação orotraqueal.</code>                                                                                                                                                                                                                                             | <code>ECG 9; reposição volémica agressiva.</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
+- `num_train_epochs`: 10
+- `multi_dataset_batch_sampler`: round_robin
+
+#### 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`: 8
+- `per_device_eval_batch_size`: 8
+- `per_gpu_train_batch_size`: None
+- `per_gpu_eval_batch_size`: None
+- `gradient_accumulation_steps`: 1
+- `eval_accumulation_steps`: None
+- `torch_empty_cache_steps`: None
+- `learning_rate`: 5e-05
+- `weight_decay`: 0.0
+- `adam_beta1`: 0.9
+- `adam_beta2`: 0.999
+- `adam_epsilon`: 1e-08
+- `max_grad_norm`: 1
+- `num_train_epochs`: 10
+- `max_steps`: -1
+- `lr_scheduler_type`: linear
+- `lr_scheduler_kwargs`: None
+- `warmup_ratio`: 0.0
+- `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
+- `bf16`: False
+- `fp16`: False
+- `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
+- `project`: huggingface
+- `trackio_space_id`: trackio
+- `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`: no
+- `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`: True
+- `prompts`: None
+- `batch_sampler`: batch_sampler
+- `multi_dataset_batch_sampler`: round_robin
+- `router_mapping`: {}
+- `learning_rate_mapping`: {}
+
+</details>
+
+### Training Logs
+| Epoch | Step | Training Loss | Vigilante-Medico_cosine_ndcg@10 |
+|:-----:|:----:|:-------------:|:-------------------------------:|
+| 1.0   | 80   | -             | 0.4289                          |
+| 1.25  | 100  | -             | 0.4235                          |
+| 2.0   | 160  | -             | 0.4539                          |
+| 2.5   | 200  | -             | 0.4566                          |
+| 3.0   | 240  | -             | 0.4654                          |
+| 3.75  | 300  | -             | 0.4698                          |
+| 4.0   | 320  | -             | 0.4483                          |
+| 5.0   | 400  | -             | 0.4734                          |
+| 6.0   | 480  | -             | 0.4638                          |
+| 6.25  | 500  | 1.0468        | 0.4655                          |
+| 7.0   | 560  | -             | 0.4606                          |
+| 7.5   | 600  | -             | 0.4658                          |
+| 8.0   | 640  | -             | 0.4708                          |
+| 8.75  | 700  | -             | 0.4635                          |
+| 9.0   | 720  | -             | 0.4660                          |
+| 10.0  | 800  | -             | 0.4650                          |
+
+
+### Framework Versions
+- Python: 3.12.12
+- Sentence Transformers: 5.2.2
+- Transformers: 4.57.6
+- PyTorch: 2.9.0+cu126
+- Accelerate: 1.12.0
+- Datasets: 4.0.0
+- Tokenizers: 0.22.2
+
+## 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.*
+-->

config.json

@@ -0,0 +1,25 @@
+{
+  "architectures": [
+    "BertModel"
+  ],
+  "attention_probs_dropout_prob": 0.1,
+  "classifier_dropout": null,
+  "dtype": "float32",
+  "gradient_checkpointing": false,
+  "hidden_act": "gelu",
+  "hidden_dropout_prob": 0.1,
+  "hidden_size": 384,
+  "initializer_range": 0.02,
+  "intermediate_size": 1536,
+  "layer_norm_eps": 1e-12,
+  "max_position_embeddings": 512,
+  "model_type": "bert",
+  "num_attention_heads": 12,
+  "num_hidden_layers": 12,
+  "pad_token_id": 0,
+  "position_embedding_type": "absolute",
+  "transformers_version": "4.57.6",
+  "type_vocab_size": 2,
+  "use_cache": true,
+  "vocab_size": 250037
+}

config_sentence_transformers.json

@@ -0,0 +1,14 @@
+{
+  "__version__": {
+    "sentence_transformers": "5.2.2",
+    "transformers": "4.57.6",
+    "pytorch": "2.9.0+cu126"
+  },
+  "model_type": "SentenceTransformer",
+  "prompts": {
+    "query": "",
+    "document": ""
+  },
+  "default_prompt_name": null,
+  "similarity_fn_name": "cosine"
+}

model.safetensors

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:3f69e56051134aa9c3f1706ceed2a6f2414ca7cccfa19891b56a2e2fa6739ded
+size 470637416

modules.json

@@ -0,0 +1,14 @@
+[
+  {
+    "idx": 0,
+    "name": "0",
+    "path": "",
+    "type": "sentence_transformers.models.Transformer"
+  },
+  {
+    "idx": 1,
+    "name": "1",
+    "path": "1_Pooling",
+    "type": "sentence_transformers.models.Pooling"
+  }
+]

sentence_bert_config.json

@@ -0,0 +1,4 @@
+{
+    "max_seq_length": 128,
+    "do_lower_case": false
+}

special_tokens_map.json

@@ -0,0 +1,51 @@
+{
+  "bos_token": {
+    "content": "<s>",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "cls_token": {
+    "content": "<s>",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "eos_token": {
+    "content": "</s>",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "mask_token": {
+    "content": "<mask>",
+    "lstrip": true,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "pad_token": {
+    "content": "<pad>",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "sep_token": {
+    "content": "</s>",
+    "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:cad551d5600a84242d0973327029452a1e3672ba6313c2a3c3d69c4310e12719
+size 17082987

tokenizer_config.json

@@ -0,0 +1,65 @@
+{
+  "added_tokens_decoder": {
+    "0": {
+      "content": "<s>",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "1": {
+      "content": "<pad>",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "2": {
+      "content": "</s>",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "3": {
+      "content": "<unk>",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "250001": {
+      "content": "<mask>",
+      "lstrip": true,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    }
+  },
+  "bos_token": "<s>",
+  "clean_up_tokenization_spaces": false,
+  "cls_token": "<s>",
+  "do_lower_case": true,
+  "eos_token": "</s>",
+  "extra_special_tokens": {},
+  "mask_token": "<mask>",
+  "max_length": 128,
+  "model_max_length": 128,
+  "pad_to_multiple_of": null,
+  "pad_token": "<pad>",
+  "pad_token_type_id": 0,
+  "padding_side": "right",
+  "sep_token": "</s>",
+  "stride": 0,
+  "strip_accents": null,
+  "tokenize_chinese_chars": true,
+  "tokenizer_class": "PreTrainedTokenizerFast",
+  "truncation_side": "right",
+  "truncation_strategy": "longest_first",
+  "unk_token": "<unk>"
+}