File size: 27,363 Bytes
261ecda | 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:6399
- loss:MultipleNegativesRankingLoss
base_model: LazarusNLP/congen-indobert-lite-base
widget:
- source_sentence: Apa yang dilakukan wisatawan?
sentences:
- 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
- listrik yang dihasilkan dari proses gasifikasi yang memiliki nilai efisiensi 11%
adalah 6,38 kW atau 6.380 Watt. Resume perhitungan analisis potensi energi listrik
dari sampah organik yang siap diproses dapat dilihat pada Tabel 3. Tabel 3.
- Huruf e Cukup jelas. Huruf f Yang dimaksud dengan alat bukti lain, meliputi, informasi
yang diucapkan, dikirimkan, diterima, ata u disimpan secara elektronik, magnetik,
optik, dan/at au yang serupa dengan itu;
- source_sentence: er Aspek apa saja yang dinilai responden dalam kuisioner? Paraphrase
sentences:
- Ayat (2) Cukup jelas. Pasal 24 Cukup jelas. Pasal 25 Huruf a Cukup jelas. Huruf
b Cukup jelas. Huruf c Cukup jelas. Huruf d Cukup jelas.
- udara rata-rata adalah 300C. Desa ini berjarak 4 km dari pusat Kecamatan Kretek
dan 13 km dari ibukota kabupaten Bantul. Di lingkup wilayah Desa Parangtritis
ini daya tarik wisata utama yang
- Kuisioner yang dibagikan berisikan segala hal yang berkaitan dengan sistem pengelolaan
sampah serta penilaian responden terhadap sistem pengelolaan sampah (Peran dan
kinerja Dinas Kebersihan dan Pertamanan, Sarana dan prasarana,
- source_sentence: Apa itu UU ini?
sentences:
- Tambahan Lembaran Negara Republik Indonesia Nomor 3699) dicabut dan dinyatakan
tidak berlaku. Pasal 126 Peraturan pelaksanaan yang diamanatkan dalam Undang-Undang
ini ditetapkan paling lama 1 (satu) tahun terhitung sejak UndangUndang ini diberlakukan.
- penyelenggaraan usaha dan/atau kegiatan. 12. Upaya pengelolaan lingkungan hidup
dan upaya pemantauan lingkungan hidup, yang selanjutnya disebut UKL-UPL, adalah
pengelolaan dan pemantauan terhadap usaha dan/atau kegiatan yang tidak berdampak
penting terhadap lingkungan hidup yang diperlukan bagi proses pengambilan keputusan
tentang penyelenggaraan usaha dan/atau kegiatan.
- 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.
- source_sentence: Kapan izin lingkungan dapat dibatalkan? Bagaimana
sentences:
- Agar setiap orang mengetahuinya, memerintahkan pengundangan Undang-Undang ini
dengan penempatannya dalam Lembaran Negara Republik Indonesia. Disahkan di Jakarta
pada tanggal 3 Oktober 2009 PRESIDEN REPUBLIK INDONESIA, ttd DR. H.
- Yogyakarta dikenal sebagai kota pelajar dan kota wisata. Berdasarkan data di Dinas
Pariwisata Daerah Istimewa Yogyakarta ada b eberapa destinasi wisata di Yogyakarta
meliputi wisata alam, wisata pantai wisata budaya dan sejarah, wisata museum,
wisata minat khusus, dan desa wisata. Wisata Pantai di D.I.
- '(1) Menteri, gubernur, atau bupati/walikota sesuai dengan kewenangannya wajib
menolak permohonan izin lingkungan apabila permohonan izin tidak dilengkapi dengan
amdal atau UKL-UPL. (2) Izin - 27 - (2) Izin lingkungan sebagaimana dimaksud dalam
Pasal 36 ayat (4) dapat dibatalkan apabila: a.'
- source_sentence: 39641995 paraphrase Paraphrases Referensi
sentences:
- persampahan. Direktorat Jenderal Cipta Karya. Jakarta. Anonim. 1995. Metode pengambilan
dan pengukuran contoh timbulan dan komposisi sampah perkotaan (SNI 19-3964-1995).
Badan Standar Nasional. Jakarta.
- 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
- 19. Perubahan iklim adalah berubahnya iklim yang diakibatkan langsung atau tidak
langsung oleh aktivitas manusia sehingga menyebabkan perubahan komposisi atmosfir
secara global dan selain itu juga berupa perubahan variabilitas iklim alamiah
yang teramati pada kurun waktu yang dapat dibandingkan.
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: 0.9961727857589722
name: Cosine Accuracy
- task:
type: triplet
name: Triplet
dataset:
name: test
type: test
metrics:
- type: cosine_accuracy
value: 0.9989070892333984
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_5files")
# Run inference
sentences = [
'39641995 paraphrase Paraphrases Referensi',
'persampahan. Direktorat Jenderal Cipta Karya. Jakarta. Anonim. 1995. Metode pengambilan dan pengukuran contoh timbulan dan komposisi sampah perkotaan (SNI 19-3964-1995). Badan Standar Nasional. Jakarta.',
'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',
]
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** | **0.9962** | **0.9989** |
<!--
## 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: 6,399 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: 9.36 tokens</li><li>max: 31 tokens</li></ul> | <ul><li>min: 11 tokens</li><li>mean: 30.07 tokens</li><li>max: 32 tokens</li></ul> | <ul><li>min: 5 tokens</li><li>mean: 26.95 tokens</li><li>max: 32 tokens</li></ul> |
* Samples:
| anchor | positive | negative |
|:--------------------------------------------------------------------------|:------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| <code>Bagaimana status UU 23 Tahun 1997?</code> | <code>yang baru berdasarkan Undang-Undang ini. Pasal - 70 - Pasal 125 Pada saat Undang-Undang ini mulai berlaku, Undang-Undang Nomor 23 Tahun 1997 tentang Pengelolaan Lingkungan Hidup (Lembaran Negara Republik Indonesia Tahun 1997 Nomor 68, Tambahan Lembaran Negara Republik Indonesia Nomor 3699) dicabut dan dinyatakan tidak berlaku.</code> | <code>Jumlah wisatawan pengunjung Pantai Parangtrit is yang mencapai 9.870 orang setiap hari adalah potensi yang besar untuk menghasilkan sampah. Sedangkan, setiap orang dalam 1 hari berpotensi menghasilkan sampah rata -rata 0,8 kg 3.</code> |
| <code>kedua Bagian Kedua Masuk ke Bagian Pertama Bagian kedua kata</code> | <code>(3) Gugatan melalui pengadilan hanya dapat ditempuh apabila upaya penyelesaian sengketa di luar pengadilan yang dipilih dinyatakan tidak berhasil oleh salah satu atau para pihak yang bersengketa. Bagian Kedua - 53 - Bagian Kedua Penyelesaian Sengketa Lingkungan Hidup di Luar Pengadilan Pasal 85 (1) Penyelesaian sengketa lingkungan hidup di luar pengadilan dilakukan untuk mencapai kesepakatan mengenai: a. bentuk dan besarnya ganti rugi; b.</code> | <code>31. Masyarakat hukum adat adalah kelompok masyarakat yang secara turun temurun bermukim di wilayah geografis tertentu karena adanya ikatan pada asal usul leluhur, adanya hubungan yang kuat dengan lingkungan hidup, serta adanya sistem nilai yang menentukan pranata ekonomi, politik, sosial, dan hukum</code> |
| <code>s Mengapa jumlah sarana yang banyak bisa percuma?</code> | <code>oleh penduduk setempat. Namun banyak atau tidaknya sarana dan prasarana pengelolaan sampah, jika tidak diikuti dengan kualitas yang baik dari sarana dan prasarana tersebut maka jumlah yang banyak tersebut akan percuma. Fungsi dari</code> | <code>udara rata-rata adalah 300C. Desa ini berjarak 4 km dari pusat Kecamatan Kretek dan 13 km dari ibukota kabupaten Bantul.</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: 1,829 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: 3 tokens</li><li>mean: 9.15 tokens</li><li>max: 27 tokens</li></ul> | <ul><li>min: 11 tokens</li><li>mean: 30.03 tokens</li><li>max: 32 tokens</li></ul> | <ul><li>min: 6 tokens</li><li>mean: 27.14 tokens</li><li>max: 32 tokens</li></ul> |
* Samples:
| anchor | positive | negative |
|:----------------------------------------------------------|:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| <code>se Penjelasan Pasal 57 Ayat 4 Huruf b c</code> | <code>konsekuensi yang timbul akibat perubahan iklim dapat diatasi. Huruf b Cukup jelas. Huruf c Cukup jelas.</code> | <code>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.</code> |
| <code>Apa kewajiban usaha yang tidak wajib UKLUPL?</code> | <code>(2) Gubernur atau bupati/walikota menetapkan jenis usaha dan/atau kegiatan yang wajib dilengkapi dengan UKL-UPL. Pasal 35 (1) Usaha dan/atau kegiatan yang tidak wajib dilengkapi UKL-UPL sebagaimana dimaksud dalam Pasal 34 ayat (2) wajib membuat surat pernyataan kesanggupan pengelolaan dan pemantauan lingkungan hidup.</code> | <code>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.</code> |
| <code>Siapa Tim Pelaksana?</code> | <code>Pasa l 8... Pasal 7 (1) Untuk membantu pelaksanaan tugas Tim Koordinasi Nasiona l, dibent uk Tim Pelaksana. (2) Susunan keanggotaan, tugas, dan tata kerja Tim Pelaksa na sebagaimana d imaksud pada ayat (1), ditetap kan oleh Menteri Koordinator Bidang Kemar itiman selaku Ketua Tim Koordinasi Nasional atas usulan Ketua Harian.</code> | <code>Bagaimana jika B3 telah kedaluwarsa?</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_5files
- `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_5files
- `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 |
|:-------:|:------:|:---------------:|:------------------------------------:|:--------------------:|
| 0.2 | 5 | 4.3005 | 0.9809 | - |
| 0.4 | 10 | 3.8290 | 0.9880 | - |
| 0.6 | 15 | 3.5321 | 0.9902 | - |
| 0.8 | 20 | 3.3291 | 0.9923 | - |
| 1.0 | 25 | 3.1744 | 0.9940 | - |
| 1.2 | 30 | 3.0512 | 0.9940 | - |
| 1.4 | 35 | 2.9505 | 0.9940 | - |
| 1.6 | 40 | 2.8677 | 0.9951 | - |
| 1.8 | 45 | 2.8015 | 0.9956 | - |
| 2.0 | 50 | 2.7485 | 0.9951 | - |
| 2.2 | 55 | 2.7083 | 0.9956 | - |
| 2.4 | 60 | 2.6786 | 0.9956 | - |
| 2.6 | 65 | 2.6577 | 0.9956 | - |
| 2.8 | 70 | 2.6446 | 0.9962 | - |
| **3.0** | **75** | **2.6396** | **0.9962** | **-** |
| -1 | -1 | - | - | 0.9989 |
* 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.*
--> |