File size: 26,195 Bytes
b867396 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 | ---
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:1242
- loss:MultipleNegativesRankingLoss
base_model: LazarusNLP/congen-indobert-lite-base
widget:
- source_sentence: Ketiga Bagian Keempat Masuk ke Bagian Kedua kataphras kata
sentences:
- (4) Ketentuan lebih lanjut mengenai tata cara penetapan daya dukung dan daya tampung
lingkungan hidup sebagaimana dimaksud pada ayat (3) diatur dalam peraturan pemerintah.
BAB V PENGENDALIAN Bagian Kesatu Umum Pasal 13 (1) Pengendalian pencemaran dan/atau
kerusakan lingkungan hidup dilaksanakan dalam rangka pelestarian fungsi lingkungan
hidup.
- (2) Apabila dalam penyelesaian sengketa di luar pengadilan sebagaimana dimaksud
pada ayat (1) tida k tercapai kesepakatan, para pihak yang bersengketa dapat mengajukannya
ke pengadilan. Bagian Ketiga Penyelesaian Sengketa di Dalam Pengadilan Pasal 35
(1) Penyelesaian sengketa persampahan di dalam pengadilan dilakukan melalui gugatan
perbuatan melawan hukum.
- Jumlah pengunjung di Kawasan Wisata Pantai Parangtritis mencapai 9.870 orang/hari
1. Sedangkan, sampah yang dihasilkan oleh para wisatawan rata -rata 1,5 – 2,0
ton per hari pada hari biasa, dan bisa mencapai 20 ton sampah per hari pada saat
liburan seperli libur lebaran 2.
- source_sentence: Bagaimana pandangan Anda mengenai ketersediaan sarana prasarana
sampah?
sentences:
- Abstra ct Parangtritis Beach is a tourist attraction that is visited by many tourists.
The number of tourists visiting during the 2018 holiday reached 9,870 people in
one day.
- organik. Hal ini berfungsi untuk mengolah sampah, baik itu organik maupun non
organik, menjadi bahan yang lebih menguntungkan, seperti membuat pupuk kompos
yang berasal dari sampah organik atau mendaur ulang sampah non organik menjadi
benda seni. Selain menguntungkan dari segi ekonomi, hal tersebut akan mengurangi
volume sampah yang dibuang ke TPA atau akan mengurangi volume sampah itu sendiri.
Dengan berkurangnya volume sampah yang dibuang ke TPA maka akan menghemat lahan
yang dibutuhkan untuk dijadikan TPA. Sehingga dampak lingkungan yang disebabkan
oleh sampah akan ikut berkurang. Masyarakat di kawasan wisata Pantai Parangtritis
telah menganggap bahwa
- Amanat Undang-Unda ng Dasar tersebut memberikan konsekuensi bahwa pemerintah wajib
memberikan pelayanan publik dalam pengelolaan sampah. Hal itu membaw a konsekuensi
hukum bahwa pemerintah merupakan pihak yang berwenang dan bertanggung jawab di
bidang pengelola an sampah meskipun secara operasional pengelolaannya dapat be
rmitra dengan badan usaha.
- source_sentence: Bagaimana jika kelalaian mengakibatkan orang mati?
sentences:
- 36. Izin usaha dan/atau kegiatan adalah izin yang diterbitkan oleh instansi teknis
untuk melakukan usaha dan/atau kegiatan. 37. Pemerintah pusat, yang selanjutnya
disebut Pemerintah, adalah Presiden Republik Indonesia yang memegang kekuasaan
pemerintahan Negara Republik Indonesia sebagaimana dimaksud dalam Undang-Undang
Dasar Negara Republik Indonesia Tahun 1945. 38.
- Rp2.000.000.000,00 (dua miliar rupiah) dan paling banyak Rp6.000.000.000,00 (enam
miliar rupiah). (3) Apabila perbuatan sebagaimana dimaksud pada ayat (1) mengakibatkan
orang luka berat atau mati, dipidana dengan pidana penjara paling singkat 3 (tiga)
tahun dan paling lama 9 (sembilan) tahun dan denda paling sedikit Rp3.000.000.000,00
(tiga miliar rupiah) dan paling banyak Rp9.000.000.000,00 (sembilan miliar rupiah).
- Sebutkan beberapa jenis destinasi wisata di Yogyakarta.
- source_sentence: Penjelasan Pasal 43 Ayat 3 Huruf e f
sentences:
- Jumlah pengunjung di Kawasan Wisata Pantai Parangtritis mencapai 9.870 orang/hari
1. Sedangkan, sampah yang dihasilkan oleh para wisatawan rata -rata 1,5 – 2,0
ton per hari pada hari biasa, dan bisa mencapai 20 ton sampah per hari pada saat
liburan seperli libur lebaran 2.
- kegiatan. Huruf e - 22 - Huruf e Yang dimaksud dengan “pembayaran jasa lingkungan
hidup” adalah pembayaran/imbal yang diberikan oleh pemanfaat jasa lingkungan hidup
kepada penyedia jasa lingkungan hidup
- Ayat (3) Cukup jelas. Pasal 55 Cukup jelas. Pasal 56 Cukup jelas
- source_sentence: Masukkan I KETENTUAN UMUM BAB I?
sentences:
- 'UNDANG-UNDANG TENTANG PENGELOLAAN SAM PAH. BAB I KETENTUAN UMUM Bagian Kesatu
Definisi Pasal 1 Dalam Undang-Undang ini yang dimaksud dengan: 1. Sampah adalah
sisa kegiatan sehari-hari manusia dan/atau proses alam yang berbentuk padat. 2.'
- Penelitian ini dilakukan dengan mengambil sampel dari satu populasi penduduk dan
menggunakan kuisioner sebagai alat pengumpul data. Penelitian difokuskan di lapangan
yang dimaksudkan untuk mengetahui
- e. penempatan perusahaan di bawah pengampuan paling lama 3 (tiga) tahun. Pasal
120 (1) Dalam melaksanakan ketentuan sebagaimana dimaksud dalam Pasal 119 huruf
a, huruf b, huruf c, dan huruf d, jaksa berkoordinasi dengan instansi yang bertanggung
jawab di bidang perlindungan dan pengelolaan lingkungan hidup untuk melaksanakan
eksekusi.
pipeline_tag: sentence-similarity
library_name: sentence-transformers
metrics:
- cosine_accuracy
model-index:
- name: SentenceTransformer based on LazarusNLP/congen-indobert-lite-base
results:
- task:
type: triplet
name: Triplet
dataset:
name: retrieval validation
type: retrieval-validation
metrics:
- type: cosine_accuracy
value: 0.9887640476226807
name: Cosine Accuracy
- task:
type: triplet
name: Triplet
dataset:
name: test
type: test
metrics:
- type: cosine_accuracy
value: 0.9943820238113403
name: Cosine Accuracy
---
# SentenceTransformer based on LazarusNLP/congen-indobert-lite-base
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [LazarusNLP/congen-indobert-lite-base](https://huggingface.co/LazarusNLP/congen-indobert-lite-base). 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:** [LazarusNLP/congen-indobert-lite-base](https://huggingface.co/LazarusNLP/congen-indobert-lite-base) <!-- at revision e1f1ad81d3c620b317077edfaa5d1ce1b07b464b -->
- **Maximum Sequence Length:** 32 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': 32, 'do_lower_case': False}) with Transformer model: AlbertModel
(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("yosriku/exp_data_scale_1files")
# Run inference
sentences = [
'Masukkan I KETENTUAN UMUM BAB I?',
'UNDANG-UNDANG TENTANG PENGELOLAAN SAM PAH. BAB I KETENTUAN UMUM Bagian Kesatu Definisi Pasal 1 Dalam Undang-Undang ini yang dimaksud dengan: 1. Sampah adalah sisa kegiatan sehari-hari manusia dan/atau proses alam yang berbentuk padat. 2.',
'Penelitian ini dilakukan dengan mengambil sampel dari satu populasi penduduk dan menggunakan kuisioner sebagai alat pengumpul data. Penelitian difokuskan di lapangan yang dimaksudkan untuk mengetahui',
]
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
* Datasets: `retrieval-validation` and `test`
* Evaluated with [<code>TripletEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.TripletEvaluator)
| Metric | retrieval-validation | test |
|:--------------------|:---------------------|:-----------|
| **cosine_accuracy** | **0.9888** | **0.9944** |
<!--
## 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: 1,242 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: 3 tokens</li><li>mean: 8.99 tokens</li><li>max: 32 tokens</li></ul> | <ul><li>min: 11 tokens</li><li>mean: 29.92 tokens</li><li>max: 32 tokens</li></ul> | <ul><li>min: 5 tokens</li><li>mean: 27.4 tokens</li><li>max: 32 tokens</li></ul> |
* Samples:
| anchor | positive | negative |
|:------------------------------------------------|:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| <code>Pasal 21 Ayat 2</code> | <code>Ayat (1) Cukup jelas. Ayat (2) Cukup jelas</code> | <code>The number of tourists visiting during the 2018 holiday reached 9,870 people in one day. Every activity of tourists will produce waste in the tourist area, especially organic wast e. Organic waste has good energy potential</code> |
| <code>Penjelasan Pasal 43 Ayat 1 Huruf b</code> | <code>moneter. Huruf b Yang dimaksud dengan “produk domestik bruto” adalah nilai semua barang dan jasa yang diproduksi oleh suatu negara pada periode tertentu.</code> | <code>Manufaktur. Pendidikan S2 diselesaikan di Magister Teknik Mesin Teknik Mesin Universitas Gadjah Mada diselesaikan pada Tahun 2011 dengan riset Optimasi Industri.</code> |
| <code>Landasan hukum PP 81 Tahun 2012</code> | <code>8. Peraturan Pem erintah Nomor 81 Tahun 2012 tentang Pengelolaan Samp ah Rum ah Tangga dan Sampah Sejenis Sampah Rum ah Tangga (Lemb aran Nega ra Republik Indonesia Tahun 2012 Nomor 188, Tamb ahan Lembaran Negara Republik Indon esia Nom or 5347); 9. Peraturan Presiden Nomor 2 Tahun 2015 tentang Rencana Pembangunan Jangk a Menengah Nasional Tahun 2015- 2019 (Lembaran Negara Republik Indonesia Ta hun 2015 Nomor 3);</code> | <code>Sampah orga nik yang akan diproses sebanyak 1.400,36 kg per hari. Kemudian diproses menjadi arang, sehingga didapatkan arang sampah organik sebanyak 205,91 kg per hari. Berdasarkan perhitungan didapatkan potensi energi listrik yang dihasilkan adalah 1.392,38 kWh</code> |
* Loss: [<code>MultipleNegativesRankingLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters:
```json
{
"scale": 20.0,
"similarity_fct": "cos_sim"
}
```
### Evaluation Dataset
#### Unnamed Dataset
* Size: 356 evaluation samples
* Columns: <code>anchor</code>, <code>positive</code>, and <code>negative</code>
* Approximate statistics based on the first 356 samples:
| | anchor | positive | negative |
|:--------|:---------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|
| type | string | string | string |
| details | <ul><li>min: 3 tokens</li><li>mean: 8.74 tokens</li><li>max: 22 tokens</li></ul> | <ul><li>min: 12 tokens</li><li>mean: 29.99 tokens</li><li>max: 32 tokens</li></ul> | <ul><li>min: 6 tokens</li><li>mean: 27.12 tokens</li><li>max: 32 tokens</li></ul> |
* Samples:
| anchor | positive | negative |
|:---------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| <code>Bagaimana sistem informasi lingkungan hidup</code> | <code>(1) Pemerintah dan pemerintah daerah mengembangkan sistem informasi lingkungan hidup untuk mendukung pelaksanaan dan pengembangan kebijakan perlindungan dan pengelolaan lingkungan hidup. (2) Sistem informasi lingkungan hidup dilakukan secara terpadu dan terkoordinasi dan wajib dipublikasikan kepada masyarakat.</code> | <code>Bagaimana jika B3 telah kedaluwarsa?</code> |
| <code>Masukkan I KETENTUAN UMUM BAB I?</code> | <code>UNDANG-UNDANG TENTANG PENGELOLAAN SAM PAH. BAB I KETENTUAN UMUM Bagian Kesatu Definisi Pasal 1 Dalam Undang-Undang ini yang dimaksud dengan: 1. Sampah adalah sisa kegiatan sehari-hari manusia dan/atau proses alam yang berbentuk padat. 2.</code> | <code>Penelitian ini dilakukan dengan mengambil sampel dari satu populasi penduduk dan menggunakan kuisioner sebagai alat pengumpul data. Penelitian difokuskan di lapangan yang dimaksudkan untuk mengetahui</code> |
| <code>Sebutkan contoh</code> | <code>kondisi lingkungan dengan berbagai cara. Dampak positif kepariwisataan yaitu konservasi kawasan lindung, konservasi situs arkeologi dan sejarah, perbaikan kualitas lingkugan, peningkatan lingkungan, perbaikan infrastruktur, dan</code> | <code>terletak pada area yang posisi geografisnya berada diantara 7058`33`` LS sampai dengan 802`26`` LS dan diantara 110025`15`` BT sampai dengan 110028`15`` BT. Luas keseluruhan wilayah Kecamatan Kretek adalah 2.677 Ha (5,28 % dari luas</code> |
* Loss: [<code>MultipleNegativesRankingLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters:
```json
{
"scale": 20.0,
"similarity_fct": "cos_sim"
}
```
### Training Hyperparameters
#### Non-Default Hyperparameters
- `eval_strategy`: steps
- `per_device_train_batch_size`: 128
- `per_device_eval_batch_size`: 128
- `learning_rate`: 2e-05
- `warmup_ratio`: 0.1
- `fp16`: True
- `load_best_model_at_end`: True
- `push_to_hub`: True
- `hub_model_id`: yosriku/exp_data_scale_1files
- `hub_private_repo`: True
#### 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`: 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`: 2e-05
- `weight_decay`: 0.0
- `adam_beta1`: 0.9
- `adam_beta2`: 0.999
- `adam_epsilon`: 1e-08
- `max_grad_norm`: 1.0
- `num_train_epochs`: 3
- `max_steps`: -1
- `lr_scheduler_type`: linear
- `lr_scheduler_kwargs`: {}
- `warmup_ratio`: 0.1
- `warmup_steps`: 0
- `log_level`: passive
- `log_level_replica`: warning
- `log_on_each_node`: True
- `logging_nan_inf_filter`: True
- `save_safetensors`: True
- `save_on_each_node`: False
- `save_only_model`: False
- `restore_callback_states_from_checkpoint`: False
- `no_cuda`: False
- `use_cpu`: False
- `use_mps_device`: False
- `seed`: 42
- `data_seed`: None
- `jit_mode_eval`: False
- `use_ipex`: False
- `bf16`: False
- `fp16`: True
- `fp16_opt_level`: O1
- `half_precision_backend`: auto
- `bf16_full_eval`: False
- `fp16_full_eval`: False
- `tf32`: None
- `local_rank`: 0
- `ddp_backend`: None
- `tpu_num_cores`: None
- `tpu_metrics_debug`: False
- `debug`: []
- `dataloader_drop_last`: False
- `dataloader_num_workers`: 0
- `dataloader_prefetch_factor`: None
- `past_index`: -1
- `disable_tqdm`: False
- `remove_unused_columns`: True
- `label_names`: None
- `load_best_model_at_end`: 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
- `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`: yosriku/exp_data_scale_1files
- `hub_strategy`: every_save
- `hub_private_repo`: True
- `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`: False
- `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`: False
- `prompts`: None
- `batch_sampler`: batch_sampler
- `multi_dataset_batch_sampler`: proportional
</details>
### Training Logs
| Epoch | Step | Validation Loss | retrieval-validation_cosine_accuracy | test_cosine_accuracy |
|:-------:|:------:|:---------------:|:------------------------------------:|:--------------------:|
| 1.0 | 5 | 3.6622 | 0.9888 | - |
| 2.0 | 10 | 3.4266 | 0.9888 | - |
| **3.0** | **15** | **3.3585** | **0.9888** | **-** |
| -1 | -1 | - | - | 0.9944 |
* The bold row denotes the saved checkpoint.
### Framework Versions
- Python: 3.11.13
- Sentence Transformers: 4.1.0
- Transformers: 4.53.3
- PyTorch: 2.6.0+cu124
- Accelerate: 1.9.0
- Datasets: 4.1.1
- Tokenizers: 0.21.2
## Citation
### BibTeX
#### Sentence Transformers
```bibtex
@inproceedings{reimers-2019-sentence-bert,
title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",
author = "Reimers, Nils and Gurevych, Iryna",
booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing",
month = "11",
year = "2019",
publisher = "Association for Computational Linguistics",
url = "https://arxiv.org/abs/1908.10084",
}
```
#### MultipleNegativesRankingLoss
```bibtex
@misc{henderson2017efficient,
title={Efficient Natural Language Response Suggestion for Smart Reply},
author={Matthew Henderson and Rami Al-Rfou and Brian Strope and Yun-hsuan Sung and Laszlo Lukacs and Ruiqi Guo and Sanjiv Kumar and Balint Miklos and Ray Kurzweil},
year={2017},
eprint={1705.00652},
archivePrefix={arXiv},
primaryClass={cs.CL}
}
```
<!--
## Glossary
*Clearly define terms in order to be accessible across audiences.*
-->
<!--
## Model Card Authors
*Lists the people who create the model card, providing recognition and accountability for the detailed work that goes into its construction.*
-->
<!--
## Model Card Contact
*Provides a way for people who have updates to the Model Card, suggestions, or questions, to contact the Model Card authors.*
--> |