| | --- |
| | tags: |
| | - sentence-transformers |
| | - sentence-similarity |
| | - feature-extraction |
| | - generated_from_trainer |
| | - dataset_size:1799998 |
| | - loss:CachedGISTEmbedLoss |
| | base_model: x2bee/KoModernBERT-base-mlm-ecs-simcse |
| | widget: |
| | - source_sentence: 공용 다운 재킷은 다양한 체형과 스타일에 맞게 설계된 따뜻하고 편안한 외투이다. 이 재킷은 자연스러운 다운 충전재로 |
| | 보온성을 극대화하여 겨울철의 추위를 효과적으로 막아준다. 또한, 방수 기능을 갖춘 외부 소재로 제작되어 비 오는 날씨에도 적합하다. 캐주얼한 |
| | 디자인으로 일상생활은 물론 아웃도어 활동에도 잘 어울린다. |
| | sentences: |
| | - 소형 세탁기는 작은 공간에서도 사용 가능하며, 빠른 세탁이 가능한 제품이다. 따라서 바쁜 일상 속에서도 쉽게 사용할 수 있다. 이 제품은 환경 |
| | 친화적인 소비를 원하는 가정에 알맞은 선택이다. |
| | - 이 재킷은 다양한 체형에 잘 맞도록 설계되어 편안함을 제공하며, 겨울철에도 따뜻함을 유지해주는 외투이다. 방수 기능이 있어 비 오는 날에도 |
| | 착용할 수 있고, 캐주얼한 디자인으로 일상적인 활동과 아웃도어에도 적합하다. |
| | - 공용 다운 재킷은 모든 체형에 맞지 않으며, 추위를 잘 막아주지 않는다. 방수 기능이 없어서 비 오는 날씨에는 적합하지 않으며, 디자인이 너무 |
| | 정장 스타일이라 아웃도어 활동에는 어울리지 않는다. |
| | - source_sentence: 농구용 무릎 보호대는 농구를 하는 동안 무릎을 보호하고 부상을 예방하기 위한 장비이다. 이 보호대는 탄력 있는 소재로 |
| | 제작되어 착용 시 편안함을 주며, 무릎 관절에 가해지는 압력을 줄여준다. 또한, 운동 중에 발생할 수 있는 충격을 흡수하여 선수의 안전을 도모하는 |
| | 데 도움을 준다. |
| | sentences: |
| | - 농구를 하는 선수들에게 무릎을 안전하게 보호하고 부상을 방지하기 위해 설계된 장비가 바로 농구용 무릎 보호대이다. |
| | - 농구용 무릎 보호대는 농구를 하는 동안 무릎에 아무런 보호 효과도 주지 않는다. |
| | - 고농축 세럼은 피부의 주름을 줄이고 탄력성을 높이는 데 효과적이다. |
| | - source_sentence: 러닝머신은 실내에서 안전하게 달리거나 걷기 위해 설계된 운동 기구이다. 사용자가 원하는 속도와 경사를 설정할 수 |
| | 있어 개인의 운동 능력에 맞춰 조정이 가능하다. 다양한 프로그램과 기능이 탑재되어 있어 지루하지 않게 운동할 수 있도록 도와준다. 특히 날씨와 |
| | 상관없이 언제든지 운동할 수 있는 장점이 있다. |
| | sentences: |
| | - 러닝머신은 사용자가 언제든지 실내에서 운동할 수 있도록 돕는 장비여서, 다양한 설정을 통해 각자의 필요에 맞춰 조절할 수 있다. |
| | - 레터링 맨투맨은 편안하면서도 세련된 느낌을 주는 캐주얼한 옷으로, 다양한 메시지가 담겨 있다. |
| | - 러닝머신은 비가 오는 날에만 사용할 수 있는 운동 기구여서, 속도와 경사를 설정할 수 없다. |
| | - source_sentence: 실내 농구대는 집이나 실내 공간에서 농구를 즐길 수 있도록 설계된 장비로, 공간을 절약하면서도 농구 연습 및 놀이를 |
| | 가능하게 해준다. |
| | sentences: |
| | - 헬스케어와 웰빙을 주제로 한 봉제 인형은 어린이들에게 스트레스를 해소하고 건강한 생활습관을 배울 수 있는 기회를 제공한다. 또한, 이 인형은 |
| | 교육적인 자료가 포함되어 있어 학습 효과를 높인다. |
| | - 실내 농구대는 작은 공간에서도 농구를 할 수 있게 도와주는 매우 유용한 스포츠 장비이다. |
| | - 실내 농구대는 외부에서만 사용할 수 있는 장비로, 실내에서는 사용할 수 없다. |
| | - source_sentence: 다지기 기구는 재료를 효과적으로 다지고 혼합할 수 있는 주방 도구이다. 이 기구는 주로 요리 시 재료의 결합과 질감을 |
| | 향상시키기 위해 사용된다. 다지기 기구는 다양한 크기와 형태로 제공되어, 사용자의 필요에 맞게 선택할 수 있다. 이를 통해 요리의 품질을 높이고, |
| | 조리 시간을 단축할 수 있다. |
| | sentences: |
| | - 다지기 기구는 재료를 혼합하지 않고 오히려 재료를 분리하는 주방 도구이다. 이는 요리를 할 때 전혀 도움이 되지 않는다. |
| | - 하드캔디는 설탕이나 시럽으로 만든 단단한 과자이며, 여러 가지 맛과 색을 갖고 있어 오랫동안 즐길 수 있다. 이 과자는 간식이나 선물용으로 |
| | 많이 사용되며, 아이들과 성인들 모두에게 인기가 있다. |
| | - 다지기 기구는 음식을 조리할 때 재료를 잘 섞고 부드럽게 만드는 데 도움을 주는 필수 주방 도구이다. 이는 요리의 맛과 질을 개선하고, 요리 |
| | 과정을 보다 효율적으로 만들어 준다. |
| | pipeline_tag: sentence-similarity |
| | library_name: sentence-transformers |
| | metrics: |
| | - cosine_accuracy |
| | model-index: |
| | - name: SentenceTransformer based on x2bee/KoModernBERT-base-mlm-ecs-simcse |
| | results: |
| | - task: |
| | type: triplet |
| | name: Triplet |
| | dataset: |
| | name: test triplet |
| | type: test_triplet |
| | metrics: |
| | - type: cosine_accuracy |
| | value: 0.9791250228881836 |
| | name: Cosine Accuracy |
| | --- |
| | |
| | # SentenceTransformer based on x2bee/KoModernBERT-base-mlm-ecs-simcse |
| |
|
| | This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [x2bee/KoModernBERT-base-mlm-ecs-simcse](https://huggingface.co/x2bee/KoModernBERT-base-mlm-ecs-simcse). 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:** [x2bee/KoModernBERT-base-mlm-ecs-simcse](https://huggingface.co/x2bee/KoModernBERT-base-mlm-ecs-simcse) <!-- at revision 0620f5cd999b4ade4e93c107a4edc32067fd7470 --> |
| | - **Maximum Sequence Length:** 2048 tokens |
| | - **Output Dimensionality:** 768 dimensions |
| | - **Similarity Function:** Cosine Similarity |
| | <!-- - **Training Dataset:** Unknown --> |
| | <!-- - **Language:** Unknown --> |
| | <!-- - **License:** Unknown --> |
| |
|
| | ### Model Sources |
| |
|
| | - **Documentation:** [Sentence Transformers Documentation](https://sbert.net) |
| | - **Repository:** [Sentence Transformers on GitHub](https://github.com/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': 2048, 'do_lower_case': False}) with Transformer model: ModernBertModel |
| | (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True}) |
| | (2): Dense({'in_features': 768, 'out_features': 768, 'bias': True, 'activation_function': 'torch.nn.modules.activation.Tanh'}) |
| | ) |
| | ``` |
| |
|
| | ## 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("x2bee/ModernBERT-ecs-GIST") |
| | # Run inference |
| | sentences = [ |
| | '다지기 기구는 재료를 효과적으로 다지고 혼합할 수 있는 주방 도구이다. 이 기구는 주로 요리 시 재료의 결합과 질감을 향상시키기 위해 사용된다. 다지기 기구는 다양한 크기와 형태로 제공되어, 사용자의 필요에 맞게 선택할 수 있다. 이를 통해 요리의 품질을 높이고, 조리 시간을 단축할 수 있다.', |
| | '다지기 기구는 음식을 조리할 때 재료를 잘 섞고 부드럽게 만드는 데 도움을 주는 필수 주방 도구이다. 이는 요리의 맛과 질을 개선하고, 요리 과정을 보다 효율적으로 만들어 준다.', |
| | '다지기 기구는 재료를 혼합하지 않고 오히려 재료를 분리하는 주방 도구이다. 이는 요리를 할 때 전혀 도움이 되지 않는다.', |
| | ] |
| | 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 |
| |
|
| | #### Triplet |
| |
|
| | * Dataset: `test_triplet` |
| | * Evaluated with [<code>TripletEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.TripletEvaluator) |
| |
|
| | | Metric | Value | |
| | |:--------------------|:-----------| |
| | | **cosine_accuracy** | **0.9791** | |
| | |
| | <!-- |
| | ## 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: 1,799,998 training samples |
| | * Columns: <code>anchor</code>, <code>positive</code>, and <code>negative</code> |
| | * Approximate statistics based on the first 1000 samples: |
| | | | anchor | positive | negative | |
| | |:--------|:------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------| |
| | | type | string | string | string | |
| | | details | <ul><li>min: 17 tokens</li><li>mean: 70.96 tokens</li><li>max: 152 tokens</li></ul> | <ul><li>min: 15 tokens</li><li>mean: 53.97 tokens</li><li>max: 153 tokens</li></ul> | <ul><li>min: 14 tokens</li><li>mean: 49.48 tokens</li><li>max: 150 tokens</li></ul> | |
| | * Samples: |
| | | anchor | positive | negative | |
| | |:--------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------|:-------------------------------------------------------------| |
| | | <code>주방 수납 용품은 주방 내에서 조리 도구, 식기 및 기타 용품을 효율적으로 정리하고 보관할 수 있도록 도와주는 다양한 제품들이다.</code> | <code>주방용품은 요리 도구와 식기 같은 물건들을 잘 정리하고 저장하기 위해 여러 가지 방식으로 디자인된 제품이다.</code> | <code>주방 수납 용품은 조리 도구나 식기를 정리하는 데 전혀 도움이 되지 않는 제품들이다.</code> | |
| | | <code>이염 방지 용품은 다양한 소재의 제품에서 발생할 수 있는 이염을 예방하기 위한 용품이다.</code> | <code>이염 방지 용품은 여러 가지 재료로 만들어진 제품에서 발생할 수 있는 색이 번지는 현상을 막기 위해 만들어진 것이다.</code> | <code>이염 방지 용품은 오직 단일한 소재의 제품에서만 사용할 수 있다.</code> | |
| | | <code>차량 핸들 커버는 자동차 핸들을 보호하고 미끄럼을 방지하며, 더욱 편안한 그립감을 제공하는 제품이다.</code> | <code>자동차 핸들을 덮는 커버는 핸들의 마모를 방지하고, 운전 시 지탱력을 높이며, 쥐는 느낌을 향상시키는 용품이다.</code> | <code>차량 핸들 커버는 핸들을 보호하지 않으며, 미끄럼을 방지하는 기능이 없다.</code> | |
| | * Loss: [<code>CachedGISTEmbedLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#cachedgistembedloss) with these parameters: |
| | ```json |
| | {'guide': SentenceTransformer( |
| | (0): Transformer({'max_seq_length': 8192, 'do_lower_case': False}) with Transformer model: XLMRobertaModel |
| | (1): Pooling({'word_embedding_dimension': 1024, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True}) |
| | (2): Normalize() |
| | ), 'temperature': 0.01} |
| | ``` |
| | |
| | ### Evaluation Dataset |
| | |
| | #### Unnamed Dataset |
| | |
| | * Size: 200,000 evaluation samples |
| | * Columns: <code>anchor</code>, <code>positive</code>, and <code>negative</code> |
| | * Approximate statistics based on the first 1000 samples: |
| | | | anchor | positive | negative | |
| | |:--------|:------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------| |
| | | type | string | string | string | |
| | | details | <ul><li>min: 18 tokens</li><li>mean: 70.19 tokens</li><li>max: 151 tokens</li></ul> | <ul><li>min: 15 tokens</li><li>mean: 53.27 tokens</li><li>max: 155 tokens</li></ul> | <ul><li>min: 15 tokens</li><li>mean: 48.68 tokens</li><li>max: 138 tokens</li></ul> | |
| | * Samples: |
| | | anchor | positive | negative | |
| | |:---------------------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------| |
| | | <code>다중지능 평가 도구는 개인의 다양한 지능 유형을 평가하여 강점과 약점을 파악하는 데 도움을 주는 도구이다.</code> | <code>다중지능 평가 도구는 각 개인이 가진 여러 지능의 특징을 분석하여 이들의 장단점을 이해하도록 도와주는 기구다.</code> | <code>다중지능 평가 도구는 개인의 지능 유형을 전혀 평가하지 못하는 도구이다.</code> | |
| | | <code>데이터베이스 설계에 관한 책은 데이터베이스 구조와 설계 원칙을 설명하는 참고서로, 효과적인 데이터 저장 및 관리 방법을 제시한다.</code> | <code>책에 담긴 내용은 데이터베이스의 설계 및 구조화 방식에 대한 정보를 제공하며, 이는 데이터의 효율적인 저장과 관리를 위한 기초 지식이다.</code> | <code>이 책은 데이터베이스 설계와 관련된 내용을 포함하고 있지 않으며, 효과적인 데이터 저장 방법을 전혀 언급하지 않는다.</code> | |
| | | <code>14K, 18K 코티체 사각 컷팅 귀걸이는 고급스러운 14K 또는 18K 금으로 제작된 귀걸이로, 사각 형태의 컷팅 디자인이 특징인 세련된 액세서리이다.</code> | <code>세련된 디자인과 고급 재료로 만들어진 귀걸이는 14K 또는 18K 금으로 제작된 사각 컷 악세서리이다.</code> | <code>14K 또는 18K 금으로 만들어진 컷팅이 없는 귀걸이는 고급스럽지 않다.</code> | |
| | * Loss: [<code>CachedGISTEmbedLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#cachedgistembedloss) with these parameters: |
| | ```json |
| | {'guide': SentenceTransformer( |
| | (0): Transformer({'max_seq_length': 8192, 'do_lower_case': False}) with Transformer model: XLMRobertaModel |
| | (1): Pooling({'word_embedding_dimension': 1024, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True}) |
| | (2): Normalize() |
| | ), 'temperature': 0.01} |
| | ``` |
| | |
| | ### Training Hyperparameters |
| | #### Non-Default Hyperparameters |
| | |
| | - `overwrite_output_dir`: True |
| | - `eval_strategy`: steps |
| | - `per_device_train_batch_size`: 4096 |
| | - `per_device_eval_batch_size`: 16 |
| | - `learning_rate`: 1e-05 |
| | - `warmup_ratio`: 0.2 |
| | - `push_to_hub`: True |
| | - `hub_model_id`: x2bee/ModernBERT-ecs-GIST |
| | - `hub_strategy`: checkpoint |
| | - `batch_sampler`: no_duplicates |
| | |
| | #### All Hyperparameters |
| | <details><summary>Click to expand</summary> |
| | |
| | - `overwrite_output_dir`: True |
| | - `do_predict`: False |
| | - `eval_strategy`: steps |
| | - `prediction_loss_only`: True |
| | - `per_device_train_batch_size`: 4096 |
| | - `per_device_eval_batch_size`: 16 |
| | - `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`: 1e-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`: 3.0 |
| | - `max_steps`: -1 |
| | - `lr_scheduler_type`: linear |
| | - `lr_scheduler_kwargs`: {} |
| | - `warmup_ratio`: 0.2 |
| | - `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`: 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`: True |
| | - `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`: True |
| | - `resume_from_checkpoint`: None |
| | - `hub_model_id`: x2bee/ModernBERT-ecs-GIST |
| | - `hub_strategy`: checkpoint |
| | - `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 |
| | - `dispatch_batches`: None |
| | - `split_batches`: 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 | test_triplet_cosine_accuracy | |
| | |:------:|:----:|:-------------:|:---------------:|:----------------------------:| |
| | | 0.0185 | 1 | 2.3684 | - | - | |
| | | 0.0370 | 2 | 2.3889 | - | - | |
| | | 0.0556 | 3 | 2.3838 | - | - | |
| | | 0.0741 | 4 | 2.3771 | - | - | |
| | | 0.0926 | 5 | 2.3611 | - | - | |
| | | 0.1111 | 6 | 2.3567 | - | - | |
| | | 0.1296 | 7 | 2.3447 | - | - | |
| | | 0.1481 | 8 | 2.3366 | - | - | |
| | | 0.1667 | 9 | 2.2655 | - | - | |
| | | 0.1852 | 10 | 2.2951 | - | - | |
| | | 0.2037 | 11 | 2.2416 | - | - | |
| | | 0.2222 | 12 | 2.2242 | - | - | |
| | | 0.2407 | 13 | 2.1981 | - | - | |
| | | 0.2593 | 14 | 2.1923 | - | - | |
| | | 0.2778 | 15 | 2.0876 | - | - | |
| | | 0.2963 | 16 | 2.0796 | - | - | |
| | | 0.3148 | 17 | 2.0372 | - | - | |
| | | 0.3333 | 18 | 1.9932 | - | - | |
| | | 0.3519 | 19 | 1.9682 | - | - | |
| | | 0.3704 | 20 | 1.9146 | - | - | |
| | | 0.3889 | 21 | 1.8736 | - | - | |
| | | 0.4074 | 22 | 1.8396 | - | - | |
| | | 0.4259 | 23 | 1.7937 | - | - | |
| | | 0.4444 | 24 | 1.7365 | - | - | |
| | | 0.4630 | 25 | 1.6928 | 0.1195 | 0.9867 | |
| | | 0.4815 | 26 | 1.6248 | - | - | |
| | | 0.5 | 27 | 1.5888 | - | - | |
| | | 0.5185 | 28 | 1.5364 | - | - | |
| | | 0.5370 | 29 | 1.4799 | - | - | |
| | | 0.5556 | 30 | 1.4308 | - | - | |
| | | 0.5741 | 31 | 1.3976 | - | - | |
| | | 0.5926 | 32 | 1.3449 | - | - | |
| | | 0.6111 | 33 | 1.3078 | - | - | |
| | | 0.6296 | 34 | 1.2954 | - | - | |
| | | 0.6481 | 35 | 1.2216 | - | - | |
| | | 0.6667 | 36 | 1.15 | - | - | |
| | | 0.6852 | 37 | 1.1438 | - | - | |
| | | 0.7037 | 38 | 1.1094 | - | - | |
| | | 0.7222 | 39 | 1.0956 | - | - | |
| | | 0.7407 | 40 | 1.0417 | - | - | |
| | | 0.7593 | 41 | 1.0168 | - | - | |
| | | 0.7778 | 42 | 0.9877 | - | - | |
| | | 0.7963 | 43 | 0.98 | - | - | |
| | | 0.8148 | 44 | 0.9519 | - | - | |
| | | 0.8333 | 45 | 0.9394 | - | - | |
| | | 0.8519 | 46 | 0.9178 | - | - | |
| | | 0.8704 | 47 | 0.8871 | - | - | |
| | | 0.8889 | 48 | 0.8571 | - | - | |
| | | 0.9074 | 49 | 0.8474 | - | - | |
| | | 0.9259 | 50 | 0.8474 | 0.0262 | 0.9856 | |
| | | 0.9444 | 51 | 0.8348 | - | - | |
| | | 0.9630 | 52 | 0.8005 | - | - | |
| | | 0.9815 | 53 | 0.7889 | - | - | |
| | | 1.0 | 54 | 0.7706 | - | - | |
| | | 1.0185 | 55 | 0.7546 | - | - | |
| | | 1.0370 | 56 | 0.7205 | - | - | |
| | | 1.0556 | 57 | 0.7285 | - | - | |
| | | 1.0741 | 58 | 0.7147 | - | - | |
| | | 1.0926 | 59 | 0.6896 | - | - | |
| | | 1.1111 | 60 | 0.6798 | - | - | |
| | | 1.1296 | 61 | 0.6816 | - | - | |
| | | 1.1481 | 62 | 0.6665 | - | - | |
| | | 1.1667 | 63 | 0.6676 | - | - | |
| | | 1.1852 | 64 | 0.6518 | - | - | |
| | | 1.2037 | 65 | 0.6523 | - | - | |
| | | 1.2222 | 66 | 0.6249 | - | - | |
| | | 1.2407 | 67 | 0.6133 | - | - | |
| | | 1.2593 | 68 | 0.6274 | - | - | |
| | | 1.2778 | 69 | 0.6034 | - | - | |
| | | 1.2963 | 70 | 0.5967 | - | - | |
| | | 1.3148 | 71 | 0.5882 | - | - | |
| | | 1.3333 | 72 | 0.5757 | - | - | |
| | | 1.3519 | 73 | 0.5616 | - | - | |
| | | 1.3704 | 74 | 0.5584 | - | - | |
| | | 1.3889 | 75 | 0.5554 | 0.0191 | 0.9775 | |
| | | 1.4074 | 76 | 0.5543 | - | - | |
| | | 1.4259 | 77 | 0.5404 | - | - | |
| | | 1.4444 | 78 | 0.5539 | - | - | |
| | | 1.4630 | 79 | 0.5371 | - | - | |
| | | 1.4815 | 80 | 0.5338 | - | - | |
| | | 1.5 | 81 | 0.5098 | - | - | |
| | | 1.5185 | 82 | 0.5045 | - | - | |
| | | 1.5370 | 83 | 0.5008 | - | - | |
| | | 1.5556 | 84 | 0.4976 | - | - | |
| | | 1.5741 | 85 | 0.4865 | - | - | |
| | | 1.5926 | 86 | 0.4706 | - | - | |
| | | 1.6111 | 87 | 0.465 | - | - | |
| | | 1.6296 | 88 | 0.4729 | - | - | |
| | | 1.6481 | 89 | 0.4575 | - | - | |
| | | 1.6667 | 90 | 0.4516 | - | - | |
| | | 1.6852 | 91 | 0.453 | - | - | |
| | | 1.7037 | 92 | 0.4306 | - | - | |
| | | 1.7222 | 93 | 0.434 | - | - | |
| | | 1.7407 | 94 | 0.4321 | - | - | |
| | | 1.7593 | 95 | 0.4227 | - | - | |
| | | 1.7778 | 96 | 0.4186 | - | - | |
| | | 1.7963 | 97 | 0.4022 | - | - | |
| | | 1.8148 | 98 | 0.4057 | - | - | |
| | | 1.8333 | 99 | 0.4018 | - | - | |
| | | 1.8519 | 100 | 0.3852 | 0.0139 | 0.9753 | |
| | | 1.8704 | 101 | 0.389 | - | - | |
| | | 1.8889 | 102 | 0.3801 | - | - | |
| | | 1.9074 | 103 | 0.3896 | - | - | |
| | | 1.9259 | 104 | 0.3759 | - | - | |
| | | 1.9444 | 105 | 0.3614 | - | - | |
| | | 1.9630 | 106 | 0.3616 | - | - | |
| | | 1.9815 | 107 | 0.3422 | - | - | |
| | | 2.0 | 108 | 0.3516 | - | - | |
| | | 2.0185 | 109 | 0.3507 | - | - | |
| | | 2.0370 | 110 | 0.3387 | - | - | |
| | | 2.0556 | 111 | 0.343 | - | - | |
| | | 2.0741 | 112 | 0.3335 | - | - | |
| | | 2.0926 | 113 | 0.3356 | - | - | |
| | | 2.1111 | 114 | 0.3262 | - | - | |
| | | 2.1296 | 115 | 0.3236 | - | - | |
| | | 2.1481 | 116 | 0.3201 | - | - | |
| | | 2.1667 | 117 | 0.3267 | - | - | |
| | | 2.1852 | 118 | 0.3148 | - | - | |
| | | 2.2037 | 119 | 0.3106 | - | - | |
| | | 2.2222 | 120 | 0.3033 | - | - | |
| | | 2.2407 | 121 | 0.3065 | - | - | |
| | | 2.2593 | 122 | 0.3144 | - | - | |
| | | 2.2778 | 123 | 0.3038 | - | - | |
| | | 2.2963 | 124 | 0.2964 | - | - | |
| | | 2.3148 | 125 | 0.2815 | 0.0107 | 0.9766 | |
| | | 2.3333 | 126 | 0.2997 | - | - | |
| | | 2.3519 | 127 | 0.2863 | - | - | |
| | | 2.3704 | 128 | 0.2809 | - | - | |
| | | 2.3889 | 129 | 0.2786 | - | - | |
| | | 2.4074 | 130 | 0.2878 | - | - | |
| | | 2.4259 | 131 | 0.2736 | - | - | |
| | | 2.4444 | 132 | 0.2786 | - | - | |
| | | 2.4630 | 133 | 0.2695 | - | - | |
| | | 2.4815 | 134 | 0.2731 | - | - | |
| | | 2.5 | 135 | 0.2721 | - | - | |
| | | 2.5185 | 136 | 0.2681 | - | - | |
| | | 2.5370 | 137 | 0.2689 | - | - | |
| | | 2.5556 | 138 | 0.2545 | - | - | |
| | | 2.5741 | 139 | 0.2617 | - | - | |
| | | 2.5926 | 140 | 0.2633 | - | - | |
| | | 2.6111 | 141 | 0.2523 | - | - | |
| | | 2.6296 | 142 | 0.2518 | - | - | |
| | | 2.6481 | 143 | 0.2576 | - | - | |
| | | 2.6667 | 144 | 0.2596 | - | - | |
| | | 2.6852 | 145 | 0.2537 | - | - | |
| | | 2.7037 | 146 | 0.2542 | - | - | |
| | | 2.7222 | 147 | 0.2476 | - | - | |
| | | 2.7407 | 148 | 0.2397 | - | - | |
| | | 2.7593 | 149 | 0.2448 | - | - | |
| | | 2.7778 | 150 | 0.2431 | 0.0084 | 0.9791 | |
| | | 2.7963 | 151 | 0.2408 | - | - | |
| | | 2.8148 | 152 | 0.2394 | - | - | |
| | | 2.8333 | 153 | 0.2317 | - | - | |
| | | 2.8519 | 154 | 0.2367 | - | - | |
| | | 2.8704 | 155 | 0.2375 | - | - | |
| | | 2.8889 | 156 | 0.2351 | - | - | |
| | | 2.9074 | 157 | 0.2448 | - | - | |
| | | 2.9259 | 158 | 0.229 | - | - | |
| | | 2.9444 | 159 | 0.2274 | - | - | |
| | | 2.9630 | 160 | 0.2313 | - | - | |
| | | 2.9815 | 161 | 0.2269 | - | - | |
| | | 3.0 | 162 | 0.2298 | - | - | |
| | |
| | </details> |
| | |
| | ### Framework Versions |
| | - Python: 3.11.10 |
| | - Sentence Transformers: 3.4.1 |
| | - Transformers: 4.49.0 |
| | - PyTorch: 2.5.1+cu124 |
| | - Accelerate: 1.4.0 |
| | - Datasets: 3.3.2 |
| | - Tokenizers: 0.21.0 |
| | |
| | ## Citation |
| | |
| | ### BibTeX |
| | |
| | #### Sentence Transformers |
| | ```bibtex |
| | @inproceedings{reimers-2019-sentence-bert, |
| | title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks", |
| | author = "Reimers, Nils and Gurevych, Iryna", |
| | booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing", |
| | month = "11", |
| | year = "2019", |
| | publisher = "Association for Computational Linguistics", |
| | url = "https://arxiv.org/abs/1908.10084", |
| | } |
| | ``` |
| | |
| | <!-- |
| | ## 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.* |
| | --> |
