yosefw/roberta-amharic-embed-medium

RoBERTa Amharic Text Embedding Medium

This is a sentence-transformers model finetuned from rasyosef/roberta-medium-amharic on the json dataset. 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.

Model Details

Model Description

• Model Type: Sentence Transformer
• Base model: rasyosef/roberta-medium-amharic
• Maximum Sequence Length: 510 tokens
• Output Dimensionality: 512 dimensions
• Similarity Function: Cosine Similarity
• Training Dataset:
  • json
• Language: en
• License: apache-2.0

Model Sources

• Documentation: Sentence Transformers Documentation
• Repository: Sentence Transformers on GitHub
• Hugging Face: Sentence Transformers on Hugging Face

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 510, 'do_lower_case': False}) with Transformer model: XLMRobertaModel 
  (1): Pooling({'word_embedding_dimension': 512, '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): Normalize()
)

Usage

Direct Usage (Sentence Transformers)

First install the Sentence Transformers library:

pip install -U sentence-transformers

Then you can load this model and run inference.

from sentence_transformers import SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("yosefw/roberta-amharic-embed-medium")
# Run inference
sentences = [
    'አቶ ደመቀ መኮንን ከፕሬዚዳንት ዩዌሪ ሙሴቬኒ ጋር ተወያዩ',
    'የኡጋንዳው ፕሬዚ ዳንት ዩዌሪ ካጉታ ሙሴቬኒ ኢንቴቤ ከተማ በሚገኘው ጽሕፈት ቤታቸው ምክትል ጠቅላይ ሚኒስትር አቶ ደመቀ መኮንንን ተቀብለው በቀጣናዊ ትብብር እና በሁለትዮሽ ግንኙነት ዙሪያ አነጋግረዋል። አቶ ደመቀ እና ፕሬዚዳንት ሙሴቬኒ ውይይታቸው በቀጣናዊ ትብብር እና በሁለትዮሽ ግንኙነት ዙሪያ ያተኮረ እንደነበር ከምክትል ጠቅላይ ሚኒስትር ጽሕፈት ቤት የተገኘው መረጃ ያመለክታል። በተለያዩ መስኮች ለረጅም ዓመታት የዘለቀው የኢትዮጵያ እና የዑጋንዳ የሁለትዮሽ ግንኙነት የበለጠ ተጠናክሮ እንዲቀጥል መግባባት ላይ መድረሳቸውም መረጃው ጠቁሟል፡፡ ሁለቱ አገራት በቀጣናው በሚስተዋሉ ወቅታዊ ጉዳዮች ላይም የተወያዩ ሲሆን በቀጣይ በቀጣናው ትብብራቸውን ለማጥበቅ በሚችሉበት አግባብ ዙሪያም ተስማምተዋል። በመጨረሻም ከኢፌዴሪ ጠቅላይ ሚኒስትር ዶክተር አብይ አህመድ የተላከውን የትብብር መልዕክት ፕሬዚዳንት ሙሴቬኒ ከምክትል ጠቅ ላይ ሚኒስትር አቶ ደመቀ እጅ ተቀብለዋል።አዲስ ዘመን ግንቦት 7/2011',
    '. በአምስት ክፍለ ከተሞች 121 ሚሊዮን 365ሺ 398 ብር ጉድለት ተመዝግቧልአዲስ አበባ፡- በተጠናቀቀው በጀት ዓመት የመጀመሪያው ስድስት ወራት የሂሳብ ጉድለት ከነበረባቸው\n59 ተቋማት ውስጥ 32ቱ 66 ነጥብ 7ሚሊዮን ብር ለአስተዳደሩ ተመላሽ ማድረጋቸውን የአዲስ አበባ ከተማ አስተዳደር ዋና ኦዲተር\nአስታወቀ። በ2011 በጀት ዓመት በሁለተኛው ግማሽ ዓመት በተሰራው ልዩ ኦዲት በአምስት ክፍለ ከተሞች በድምሩ 121 ሚሊዮን\n365 ሺ 398 ብር ጉድለት መመዝገቡ ተገለጸ ። የአስተዳደሩ ዋና ኦዲተር ወይዘሮ ፅጌወይን ካሳ ለአዲስ ዘመን እንዳስታወቁት፤ በ2011 ዓ.ም የመጀመሪያው\nስድስት ወራት በተከናወነው የኦዲት ሥራ በ59 ተቋማት ላይ የሂሳብ ጉድለት ተገኝቷል። ዋና ኦዲተሩ ያገኘውን ግኝት መሰረት በማድረግ\nየከተማዋ ዓቃቢ ህግ ተቋማቱን ተጠያቂ ለማድረግ አቅጣጫ የተላለፈ ቢሆንም በሁለተኛው መንፈቀ ዓመት 32ቱ ተቋማት 66 ሚሊዮን\n774 ሺ 741 ብር ከ75 ሳንቲም ተመላሽ ተደርገዋል። እንደ ዋና ኦዲተሯ ማብራሪያ፤ ተቋማቱ የጥሬ ገንዘብ ጉድለት፣ ውዝፍ ሂሳብ፣ ተመላሽ ያልተደረገ ቅድመ\nክፍያ፣ የተሰብሳቢ ክፍያ፣ ከመመሪያ ውጭ የተከፈለ፣ አበልና ደመወዝ በብልጫ የተከፈለ፣ ያለአግባብ ግዥ ፈፅመው ተመላሽ የተደረጉ\nመሆናቸው በተደረገው ምርመራ ለማወቅ ተችሏል። በዚህ መሰረትም አስተዳደሩ የተጠያቂነት አሰራር በመዘርጋት ጥብቅ አቅጣጫ በማስተላለፉ\nአብዛኞቹ ተቋማት ስህተቶቻቸውን በማረም የተሻለ አፈፃፀም አስመዝግበዋል። ይሁንና ቀሪዎቹ 27 ተቋማት ዋና ኦዲተሩ ላቀረበው ጥሪ እስካሁን ምንም አይነት ምላሽ አለመስጠታቸውን\nወይዘሮ ፅጌወይን አመልክተው፣ ከእነዚህ ተቋማት መካከልም 40/60 የቤቶች ኢንተርፕራይዝ፣ መንገዶች ባለስልጣን፣ ዳግማዊ ሚኒሊክ\nሪፈራል ሆስፒታል፣ ዘውዲቱ ሪፈራል ሆስፒታልን ጠቅሰዋል። በአሁኑ ወቅት ጠቅላይ ዓቃቢ ህግ ተቋማቱ ምላሽ እንዲሰጡ ጥያቄ ያቀረበላቸው\nመሆኑን ጠቁመው፣ በተቀመጠው የጊዜ ገደብ ምላሽ የማይሰጡ ከሆነ በህግ ተጠያቂ ይሆናሉ ብለዋል። «በህግ ተጠያቂ የማድረጉ ሥራ እንዳለ\nሆኖ ተቋማቱ በዋናነት ወደ ህጋዊና ዘመናዊ ስርዓት እንዲገቡ ማድረግ ትኩረት አድርገን እየሰራን ነው» በማለትም አክለዋል። እንደ ዋና ኦዲተሯ ማብራሪያ፤ በ2011 በጀት ዓመት በሁለተኛው ግማሽ ዓመት ልዩ ኦዲት የተሰራ ሲሆን\nበተለይም በአምስት ክፍለ ከተሞች ላይ የክዋኔ ኦዲት ሥራ በማከናወን በድምሩ 121 ሚሊዮን 365ሺ 398 ብር ጉድለት መኖሩን ለማወቅ\nተችሏል። ከእነዚህም መካከል ኮልፎ ቀራኒዮ ክፍለከተማ ያልተከፈለ የቅድመ ክፍያ 69ሺ563 ብር ከ35 ሳንቲም ጉድለት እንዲሁም\nያልተከፈለ የሊዝ እዳ የወቅቱን የወለድ ምጣኔ ጨምሮ ወደ 40 ሚሊዮን 115ሺ 610 ብር ከ58 ሳንቲም ተገኝቶበታል። በተመሳሳይም\nበቦሌ ክፍለ ከተማ ያልተከፈለ ቅድመ ክፍያ 17 ሚሊዮን 110ሺ23 ብር ከ91 ሳንቲም ሲገኝበት ያልተከፈለ የሊዝ ክፍያ ደግሞ የወቅቱን\nወለድ ጨምሮ ወደ 26 ሚሊዮን 806ሺ ብር ከ95 ሳንቲም የሚጠጋ ገንዘብ ጉድለት ታይቷል። ከአምስቱ ክፍለ ከተሞች ውስጥ አዲስ\nከተማ ክፍለ ከተማ የተሻለ አፈፃፀም የታየበት ሲሆን፣ የተገኘበትም ያልተከፈለ የሊዝ እዳ 40ሺ 342 ብር ከ50 ሳንቲም ብቻ ነው።\nበክዋኔ ኦዲቱ ዝርዝር ኦዲት መሰራቱን ያመለከቱት ወይዘሮ ፅጌ፣ በተለይም በአምስቱ ክፍለ ከተሞች\nታጥረው የተቀመጡ፥ የግንባታ አፈፃፀማቸው ከ30 በመቶ በታች የሆነ ተቋማት ላይም የአፈፃፀም ምርመራ መካሄዱን አስገንዝበዋል። ለአብነት\nያህልም ኮልፌ ቀራኒዮ ክፍለ ከተማ 57 ባለይዞታዎች ግንባታቸው ያልተጀመረና ከ30 በመቶ በታች ሆነው የተገኙ መሆኑን በኦዲቱ ማጣራት\nመቻሉን አመልክተዋል። በተመሳሳይም በቦሌ ክፍለ ከተማ 60፣ በንፋስ ስልክ ላፍቶ ክፍለከተማ 106 ፣ በአቃቂ ቃሊቲ ክፍለ ከተማ\nወደ 15፣ አዲስ ከተማ ክፍለከተማ 24 የሚሆኑ ባለይዞታዎች ግንባታቸው ሳይጀመርና አፈፃፀማቸው ከ30 በመቶ በታች መሆኑን እንደታወቀ\nአስረድተዋል። በመሆኑም\nአጠቃላይ የኦዲት ግኝቱን ለአስተዳደሩም ሆነ ለሚመለከታቸው አካላት የተላከ መሆኑን ወይዘሮ ፅጌ ወይን አመልክተው፣ ጉድለት የታየባቸው\nተቋማትና ክፍለከተሞች ሪፖርቱን መሰረት አድርገው አጭር ጊዜ ውስጥ አሰራራቸውን ያስተካክላሉ ተብሎ እንደሚጠበቅ ተናግረዋል። ጎን\nለጎንም በህግ ተጠያቂ የማድረጉ ሥራ የሚቀጥል መሆኑን አስገንዝበዋል።አዲስ ዘመን ቅዳሜ፣ ነሀሴ 4/2011ማህሌት አብዱል ',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 512]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]

Evaluation

Metrics

Information Retrieval

• Datasets: dim_512, dim_256 and dim_128
• Evaluated with InformationRetrievalEvaluator

Metric	dim_512	dim_256	dim_128
cosine_accuracy@1	0.6064	0.5998	0.5849
cosine_accuracy@3	0.7597	0.7562	0.7395
cosine_accuracy@5	0.8057	0.8013	0.7857
cosine_accuracy@10	0.8531	0.8503	0.8398
cosine_precision@1	0.6064	0.5998	0.5849
cosine_precision@3	0.2532	0.2521	0.2465
cosine_precision@5	0.1611	0.1603	0.1571
cosine_precision@10	0.0853	0.085	0.084
cosine_recall@1	0.6064	0.5998	0.5849
cosine_recall@3	0.7597	0.7562	0.7395
cosine_recall@5	0.8057	0.8013	0.7857
cosine_recall@10	0.8531	0.8503	0.8398
cosine_ndcg@10	0.7316	0.7271	0.7132
cosine_mrr@10	0.6925	0.6874	0.6726
cosine_map@100	0.697	0.6918	0.6774

Training Details

Training Dataset

json

• Dataset: json
• Size: 54,900 training samples
• Columns: anchor and positive
• Approximate statistics based on the first 1000 samples:

  	anchor	positive
  type	string	string
  details	min: 4 tokens mean: 16.66 tokens max: 73 tokens	min: 34 tokens mean: 321.89 tokens max: 510 tokens

• Samples:

  anchor	positive
  የተመድ ልማት ፕሮግራም ኃላፊ ‹‹ርካሽ ጉልበት›› ብዝበዛ ማለት አይደለም ሲሉ አሳሰቡ	ዓመታዊው የተባበሩት መንግሥታት ድርጅት (ተመድ) የሰብዓዊ ልማት ሪፖርትን ለመላው ዓለም ከኢትዮጵያ ይፋ ለማድረግ በአፍሪካ ኢኮኖሚክ ኮሚሽን አዳራሽ ለጋዜጠኞች በሰጡት መግለጫ፣ አገሮች ርካሽ ጉልበትን እንደ መልካም የኢንቨስትመንት ዕድል ሲያስተዋውቁ የጉልበት ብዝበዛ እንዳይፈጸም መጠንቀቅ እንዳለባቸው የፕሮግራሙ ኃላፊ አሳሰቡ፡፡  በተመድ የልማት ፕሮግራም አድሚንስትሬተር ሔለን ክላርክ በአዲስ አበባ ተገኝተው ከጠቅላይ ሚኒስትር ኃይለ ማርያም ደሳለኝ ጋር በመሆን፣ እ.ኤ.አ. የ2015 የሰብዓዊ ልማት ሪፖርትን ይፋ አድርገዋል፡፡ ሪፖርቱን በ25ኛ ዓመቱ መባቻ ላይ ‹‹ሥራ›› ላይ ያተኮረው የተመድ ልማት ፕሮግራም፣ እንደ ኢትዮጵያ ባሉ አገሮች የውጭ ኢንቨስትመንትን ለመሳብ በማለት ርካሽ ጉልበትን መስህብ ሲያደርጉት ይታያል ብሏል፡፡ የኢትዮጵያ ኢንቨስትመንት ኮሚሽን ደግሞ በወር ከሃምሳ ዶላር ያልበለጠ ደመወዝ እየተከፈላቸው የሚሠሩ ሠራተኞች ያሉባት አገር በመሆኗ፣ ለኢንቨስትመንት ምቹ ከሚያደርጓት መካከል አንዱ እንደሆነ ይገልጻል፡፡በአንፃሩ የተመድ የሰብዓዊ ልማት ‹‹ሥራ ለሰብዓዊ ልማት›› በሚል ርዕስ ይፋ ባደረገው ሪፖርት ለሰው ልጅ ተስማሚ የኑሮ ከባቢ ሁኔታ ለመፍጠር የሚያስችል ሥራ የደመወዝ ክፍያ እንዲከፈል የሚያሳስበው የተመድ የልማት ፕሮግራም፣ በቀን ከሁለት ዶላር በታች የሚያገኙ ሰዎች ከ830 ሚሊዮን በላይ እንደሆኑ፣ 200 ሚሊዮን ሰዎች (74 ሚሊዮን ወጣቶችን ጨምሮ) ሥራ አጥ እንደሆኑና 21 ሚሊዮን ሰዎች በመላው ዓለም በግዳጅ ጉልበታቸው እየተበዘበዘ እንደሚሠሩ በሪፖርቱ ጠቁሟል፡፡ሔለን ክላርክ ከሪፖርተር ለቀረበላቸው ጥያቄ በሰጡት ማብራሪያ፣ እንደ ኢትዮጵያ ያሉ አገሮች ለልማት ካላቸው ፍላጎትና ዓላማ በመነሳት፣ ሀብታቸውን በመጠቀም ለማደግ የሚያደርጉት እ...
  ሦስት የወጣት ማዕከላትለወረዳ አስተዳደር ቢሮነት እያገለገሉ ነው	፡- በአዲስ አበባ የሚገኙ የሦስት ወረዳዎች የወጣት ማዕከላት ለወረዳ አስተዳደር ቢሮነት በመዋላቸው ለወጣቱ ተገቢውን አገልግሎት እየሰጡ አለመሆኑ ተገለጸ። በአዲስ አበባ ከተማ የወጣቶችና በጎ ፈቃድ ማስተባበሪያ ቢሮ የወጣት ማዕከላት አገልግሎት ማስተባበሪያ ክትትል ቡድን መሪ አቶ ጤናዬ ታምሩ ለጋዜጣው ሪፖርተር እንዳሉት፤ የካ ክፍለከተማ ወረዳ አራት፣ ቦሌ ክፍለከተማ ወረዳ ዘጠኝ እና ኮልፌ ቀራንዮ ክፍለከተማ ወረዳ ሁለት የሚገኙ ወጣት ማዕከላት ለወረዳ አስተዳደሩ ቢሮነት እያለገሉ ይገኛሉ። በዚህም ለወጣቱ የተፈለገውን አገልግሎት እየሰጡ አይደለም። እንደ አቶ ጤናዬ ገለፃ፤ ወረዳዎቹ የሥልጠና፣ የሥራና የቢሮ ጥበት ሲኖር ወጣት ማዕከል ውስጥ የሚገኙ ክፍሎችን ይወስዳሉ።ችግሩን ለመፍታት ለወረዳ አስተዳደሮቹ ደብዳቤ በመፃፍና በአካል ተገናኝቶ ውይይት ተደርጓል። ወረዳዎቹ እድሳት ላይ ስላለን ታገሱን የሚል መልስ ብቻ በመስጠት እስካሁን ሊለቁ አልቻሉም። በኮልፌ ቀራንዮ ወረዳ ሁለት ወጣት ማዕከሉን የወረዳው አስተዳደር ለቢሮነት እየተጠቀመበት ይገኛል። እንዲወጡ ሲጠየቁ አዲስ ሕንፃ እያስገነባን በመሆኑ እስኪያልቅ ጠብቁ የሚል ምላሽ ሰጥተዋል። እነዚህ ችግሮች ወጣት ማዕከላቱ ቀልጣፋ አገልግሎት እንዳይሰጡ አድርጓቸው። ወጣት ማዕከላት ሲገነቡ በዋነኛነት ለወጣቱ አገልግሎት ለመስጠት ነው የሚሉት አቶ ጤናዬ፤ ነገር ግን ከባለሙያ እጥረትና በግብዓት ችግር ምክንያት በአግባቡ አገልግሎት የማይሰጥባቸው አካባቢዎች እንዳሉ አመልክተዋል። ማዕከላቱ ሲመሰረቱ ለወጣቱ አገልግሎት ለመስጠት ታስቦ በመሆኑ ባላቸው ሀብት አገልግሎት እየሰጡ መሆናቸውን ተናግረዋል። እንደ አቶ ጤናዬ አባባል፤ ወጣት ማዕከላት መዝናኛ ቦታዎች አይደሉም። በማዕከላቱ የሚሰጡ አገልግሎቶች የወጣቱን ሰብዕና የሚገነቡ፣ ክ...
  ፍርድ ቤቱ አቃቤ ህግ በአቶ እስክንድር ነጋ፣ ስንታየሁ ቸኮልና ቀለብ ስዩም ላይ በ15 ቀናት ውስጥ ክስ እንዲመሰርት ብይን ሰጠ	አዲስ አበባ ፣ ነሀሴ 12 ፣ 2012 (ኤፍ.ቢ.ሲ) በፌደራል የመጀመሪያ ደረጃ ፍርድ ቤት አራዳ ምድብ የጊዜ ቀጠሮ ተረኛ ችሎት አቃቤ ህግ በአቶ እስክንድር ነጋ፣ ስንታየሁ ቸኮልና ቀለብ ስዩም ላይ በ15 ቀናት ውስጥ ክስ እንዲመሰርት ብይን ሰጠ። አቃቤ ህግ ሁለት የቅድመ ምርመራ ምስክሮችን አሰምቶ አጠናቋል። ስልጣን ባለው ፍርድ ቤት ክስ እስከምመሰርት ድረስም ተጠርጣሪዎች በማረፊያ ቤት ይቆዩልኝ ብሎ አቃቤ ህግ ፍርድ ቤቱን ጠይቋል። ተጠርጣሪዎች በበኩላቸው ክስ እስከሚመሰረትብን ድረስ በዋስ ወጥተን በውጭ እንከታተል ሲሉ ያመለከቱ ሲሆን አቃቤ ህግ ተጠርጣሪዎቹ ስልጣን ባለው ፍርድ ቤት ክስ ሲመሰረት የተጠረጠሩበት ወንጀል ዋስትና የሚያስከለክል በመሆኑ በማረፊያ ቤት እንዲቆዩልኝ ሲል የዋስትና ጥያቄውን ተቃውሟል። ጉዳዩን የተከታተለው ፍርድ ቤትም ተጠርጣሪዎች ክስ እስከሚመሰረት ድረስ በማረፊያ ቤት እንዲቆዩ እና አቃቤ ህግ በ15 ቀናት ውስጥ ክስ እንዲመሰርት ብይን ሰጥቷል።   በታሪክ አዱኛ

• Loss: MatryoshkaLoss with these parameters:

  {
      "loss": "MultipleNegativesRankingLoss",
      "matryoshka_dims": [
          512,
          256,
          128
      ],
      "matryoshka_weights": [
          1,
          1,
          1
      ],
      "n_dims_per_step": -1
  }
  

Training Hyperparameters

Non-Default Hyperparameters

• eval_strategy: epoch
• per_device_train_batch_size: 128
• per_device_eval_batch_size: 128
• num_train_epochs: 5
• lr_scheduler_type: cosine
• warmup_ratio: 0.1
• warmup_steps: 128
• seed: 7
• fp16: True
• load_best_model_at_end: True
• optim: adamw_torch_fused
• batch_sampler: no_duplicates

All Hyperparameters

Click to expand

• 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: 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: 1.0
• num_train_epochs: 5
• max_steps: -1
• lr_scheduler_type: cosine
• lr_scheduler_kwargs: {}
• warmup_ratio: 0.1
• warmup_steps: 128
• 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: 7
• 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
• 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

Training Logs

Click to expand

Epoch	Step	Training Loss	dim_512_cosine_ndcg@10	dim_256_cosine_ndcg@10	dim_128_cosine_ndcg@10
0.0233	10	9.1016	-	-	-
0.0466	20	6.8595	-	-	-
0.0699	30	3.7458	-	-	-
0.0932	40	2.1717	-	-	-
0.1166	50	1.6285	-	-	-
0.1399	60	1.4191	-	-	-
0.1632	70	1.3239	-	-	-
0.1865	80	1.2764	-	-	-
0.2098	90	1.2911	-	-	-
0.2331	100	0.9839	-	-	-
0.2564	110	0.9846	-	-	-
0.2797	120	0.9378	-	-	-
0.3030	130	0.9877	-	-	-
0.3263	140	0.8801	-	-	-
0.3497	150	0.7835	-	-	-
0.3730	160	0.9266	-	-	-
0.3963	170	0.8028	-	-	-
0.4196	180	0.7941	-	-	-
0.4429	190	0.9154	-	-	-
0.4662	200	0.7713	-	-	-
0.4895	210	0.8394	-	-	-
0.5128	220	0.6808	-	-	-
0.5361	230	0.8229	-	-	-
0.5594	240	0.754	-	-	-
0.5828	250	0.6846	-	-	-
0.6061	260	0.654	-	-	-
0.6294	270	0.6779	-	-	-
0.6527	280	0.7524	-	-	-
0.6760	290	0.7035	-	-	-
0.6993	300	0.7074	-	-	-
0.7226	310	0.7195	-	-	-
0.7459	320	0.7114	-	-	-
0.7692	330	0.7034	-	-	-
0.7925	340	0.7215	-	-	-
0.8159	350	0.7972	-	-	-
0.8392	360	0.6519	-	-	-
0.8625	370	0.5815	-	-	-
0.8858	380	0.6173	-	-	-
0.9091	390	0.7119	-	-	-
0.9324	400	0.5555	-	-	-
0.9557	410	0.6487	-	-	-
0.9790	420	0.5884	-	-	-
1.0	429	-	0.6765	0.6637	0.6426
1.0023	430	0.5769	-	-	-
1.0256	440	0.3428	-	-	-
1.0490	450	0.3752	-	-	-
1.0723	460	0.3136	-	-	-
1.0956	470	0.3438	-	-	-
1.1189	480	0.3555	-	-	-
1.1422	490	0.3432	-	-	-
1.1655	500	0.3415	-	-	-
1.1888	510	0.3693	-	-	-
1.2121	520	0.378	-	-	-
1.2354	530	0.376	-	-	-
1.2587	540	0.3382	-	-	-
1.2821	550	0.3868	-	-	-
1.3054	560	0.3229	-	-	-
1.3287	570	0.3524	-	-	-
1.3520	580	0.3313	-	-	-
1.3753	590	0.3217	-	-	-
1.3986	600	0.3376	-	-	-
1.4219	610	0.3152	-	-	-
1.4452	620	0.371	-	-	-
1.4685	630	0.3504	-	-	-
1.4918	640	0.3587	-	-	-
1.5152	650	0.3845	-	-	-
1.5385	660	0.3603	-	-	-
1.5618	670	0.4026	-	-	-
1.5851	680	0.3427	-	-	-
1.6084	690	0.3474	-	-	-
1.6317	700	0.3202	-	-	-
1.6550	710	0.3335	-	-	-
1.6783	720	0.3546	-	-	-
1.7016	730	0.2896	-	-	-
1.7249	740	0.3368	-	-	-
1.7483	750	0.3252	-	-	-
1.7716	760	0.3595	-	-	-
1.7949	770	0.3046	-	-	-
1.8182	780	0.2953	-	-	-
1.8415	790	0.3228	-	-	-
1.8648	800	0.2896	-	-	-
1.8881	810	0.3256	-	-	-
1.9114	820	0.3419	-	-	-
1.9347	830	0.3416	-	-	-
1.9580	840	0.3574	-	-	-
1.9814	850	0.3426	-	-	-
2.0	858	-	0.7042	0.6981	0.6829
2.0047	860	0.2701	-	-	-
2.0280	870	0.1818	-	-	-
2.0513	880	0.1507	-	-	-
2.0746	890	0.1597	-	-	-
2.0979	900	0.1576	-	-	-
2.1212	910	0.1624	-	-	-
2.1445	920	0.1974	-	-	-
2.1678	930	0.1907	-	-	-
2.1911	940	0.1719	-	-	-
2.2145	950	0.1748	-	-	-
2.2378	960	0.16	-	-	-
2.2611	970	0.1819	-	-	-
2.2844	980	0.1779	-	-	-
2.3077	990	0.1491	-	-	-
2.3310	1000	0.1912	-	-	-
2.3543	1010	0.158	-	-	-
2.3776	1020	0.1599	-	-	-
2.4009	1030	0.1564	-	-	-
2.4242	1040	0.1879	-	-	-
2.4476	1050	0.1704	-	-	-
2.4709	1060	0.163	-	-	-
2.4942	1070	0.1787	-	-	-
2.5175	1080	0.1797	-	-	-
2.5408	1090	0.1572	-	-	-
2.5641	1100	0.1649	-	-	-
2.5874	1110	0.2056	-	-	-
2.6107	1120	0.159	-	-	-
2.6340	1130	0.1787	-	-	-
2.6573	1140	0.1511	-	-	-
2.6807	1150	0.1838	-	-	-
2.7040	1160	0.1361	-	-	-
2.7273	1170	0.1507	-	-	-
2.7506	1180	0.1661	-	-	-
2.7739	1190	0.1704	-	-	-
2.7972	1200	0.166	-	-	-
2.8205	1210	0.1508	-	-	-
2.8438	1220	0.1914	-	-	-
2.8671	1230	0.1508	-	-	-
2.8904	1240	0.1432	-	-	-
2.9138	1250	0.1875	-	-	-
2.9371	1260	0.1695	-	-	-
2.9604	1270	0.1899	-	-	-
2.9837	1280	0.1693	-	-	-
3.0	1287	-	0.7175	0.7098	0.6956
3.0070	1290	0.1361	-	-	-
3.0303	1300	0.1007	-	-	-
3.0536	1310	0.0901	-	-	-
3.0769	1320	0.1143	-	-	-
3.1002	1330	0.0981	-	-	-
3.1235	1340	0.0972	-	-	-
3.1469	1350	0.1046	-	-	-
3.1702	1360	0.0983	-	-	-
3.1935	1370	0.1066	-	-	-
3.2168	1380	0.1119	-	-	-
3.2401	1390	0.1012	-	-	-
3.2634	1400	0.0882	-	-	-
3.2867	1410	0.1068	-	-	-
3.3100	1420	0.091	-	-	-
3.3333	1430	0.098	-	-	-
3.3566	1440	0.1232	-	-	-
3.3800	1450	0.1024	-	-	-
3.4033	1460	0.0888	-	-	-
3.4266	1470	0.1071	-	-	-
3.4499	1480	0.1158	-	-	-
3.4732	1490	0.1117	-	-	-
3.4965	1500	0.1168	-	-	-
3.5198	1510	0.1	-	-	-
3.5431	1520	0.1305	-	-	-
3.5664	1530	0.0898	-	-	-
3.5897	1540	0.1134	-	-	-
3.6131	1550	0.1055	-	-	-
3.6364	1560	0.1135	-	-	-
3.6597	1570	0.1261	-	-	-
3.6830	1580	0.1028	-	-	-
3.7063	1590	0.073	-	-	-
3.7296	1600	0.1051	-	-	-
3.7529	1610	0.1117	-	-	-
3.7762	1620	0.1204	-	-	-
3.7995	1630	0.093	-	-	-
3.8228	1640	0.1058	-	-	-
3.8462	1650	0.1028	-	-	-
3.8695	1660	0.0978	-	-	-
3.8928	1670	0.1085	-	-	-
3.9161	1680	0.1105	-	-	-
3.9394	1690	0.0873	-	-	-
3.9627	1700	0.1103	-	-	-
3.9860	1710	0.1221	-	-	-
4.0	1716	-	0.7279	0.7239	0.7097
4.0093	1720	0.0859	-	-	-
4.0326	1730	0.0891	-	-	-
4.0559	1740	0.0838	-	-	-
4.0793	1750	0.0931	-	-	-
4.1026	1760	0.0818	-	-	-
4.1259	1770	0.0912	-	-	-
4.1492	1780	0.1031	-	-	-
4.1725	1790	0.0973	-	-	-
4.1958	1800	0.0853	-	-	-
4.2191	1810	0.0843	-	-	-
4.2424	1820	0.1039	-	-	-
4.2657	1830	0.1163	-	-	-
4.2890	1840	0.0748	-	-	-
4.3124	1850	0.0817	-	-	-
4.3357	1860	0.0841	-	-	-
4.3590	1870	0.094	-	-	-
4.3823	1880	0.0858	-	-	-
4.4056	1890	0.1025	-	-	-
4.4289	1900	0.0989	-	-	-
4.4522	1910	0.0834	-	-	-
4.4755	1920	0.0674	-	-	-
4.4988	1930	0.1034	-	-	-
4.5221	1940	0.0817	-	-	-
4.5455	1950	0.0763	-	-	-
4.5688	1960	0.0956	-	-	-
4.5921	1970	0.0776	-	-	-
4.6154	1980	0.0961	-	-	-
4.6387	1990	0.0887	-	-	-
4.6620	2000	0.0807	-	-	-
4.6853	2010	0.0771	-	-	-
4.7086	2020	0.0835	-	-	-
4.7319	2030	0.0913	-	-	-
4.7552	2040	0.0866	-	-	-
4.7786	2050	0.0797	-	-	-
4.8019	2060	0.091	-	-	-
4.8252	2070	0.0925	-	-	-
4.8485	2080	0.0934	-	-	-
4.8718	2090	0.093	-	-	-
4.8951	2100	0.0786	-	-	-
4.9184	2110	0.0862	-	-	-
4.9417	2120	0.0934	-	-	-
4.9650	2130	0.097	-	-	-
4.9883	2140	0.0687	-	-	-
5.0	2145	-	0.7316	0.7271	0.7132

• The bold row denotes the saved checkpoint.

Framework Versions

• Python: 3.11.11
• Sentence Transformers: 3.4.1
• Transformers: 4.49.0
• PyTorch: 2.6.0+cu124
• Accelerate: 1.3.0
• Datasets: 3.3.1
• Tokenizers: 0.21.0

Citation

BibTeX

Sentence Transformers

@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",
}

MatryoshkaLoss

@misc{kusupati2024matryoshka,
    title={Matryoshka Representation Learning},
    author={Aditya Kusupati and Gantavya Bhatt and Aniket Rege and Matthew Wallingford and Aditya Sinha and Vivek Ramanujan and William Howard-Snyder and Kaifeng Chen and Sham Kakade and Prateek Jain and Ali Farhadi},
    year={2024},
    eprint={2205.13147},
    archivePrefix={arXiv},
    primaryClass={cs.LG}
}

MultipleNegativesRankingLoss

@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}
}