Hugging Face's logo

MagnusSa
/
nb-bert-base-matryoshka

Sentence Similarity
sentence-transformers
Safetensors
Norwegian
bert
feature-extraction
Generated from Trainer
dataset_size:132907
loss:MatryoshkaLoss
loss:MultipleNegativesRankingLoss
Eval Results
text-embeddings-inference
Inference Endpoints
Model card Files Community
nb-bert-base-matryoshka / README.md
MagnusSa's picture
MagnusSa
Update README.md
ad9e1dc verified
preview code
|
raw
history blame contribute delete
No virus
82.7 kB
---
base_model: NbAiLab/nb-bert-base
datasets:
- ltg/norquad
- NbAiLab/mnli-norwegian
language:
- 'no'
library_name: sentence-transformers
license: apache-2.0
metrics:
- cosine_accuracy@1
- cosine_accuracy@3
- cosine_accuracy@5
- cosine_accuracy@10
- cosine_precision@1
- cosine_precision@3
- cosine_precision@5
- cosine_precision@10
- cosine_recall@1
- cosine_recall@3
- cosine_recall@5
- cosine_recall@10
- cosine_ndcg@10
- cosine_mrr@10
- cosine_map@100
pipeline_tag: sentence-similarity
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:132907
- loss:MatryoshkaLoss
- loss:MultipleNegativesRankingLoss
widget:
- source_sentence: Hvilket språk brukes i Kellsboken?
sentences:
- >-
Trump buet ut på hjemmebane
President Donald Trump ble buet ut under en baseballkamp i Washington. På
bildet forlater han kampen før den er ferdigspilt. (Foto: Pablo Martinez
Monsivais/AP/NTB Scanpix)
Dette var første gang Trump-ekteparet har dristet seg til å gå på en
baseballkamp på hjemmebane i svært så demokratiske Washington, til tross for
at Nationals' hjemmebane ligger veldig nærme Det hvite hus.
Det ble ikke gjort noe stort nummer ut av at presidentparet skulle på kampen
mellom Washington Nationals og Houston Astros på Nationals Park. Det kunne
Det hvite hus godt ha gjort, sett i lys av at Donald Trump hadde gjort seg
populær i USA da han bare timer i forveien hadde kunngjort at amerikanske
styrker hadde angrepet skjulestedet til en av USA mest forhatte fiender.
Det USA-ledede angrepet medførte at IS-lederen Abu Bakr al-Baghdadi tok sitt
eget liv ved å utløse en bombevest da spesialstyrkene rykket inn i Idlib
nordvest i Syria.
«Lås ham inne!»
Trump-ekteparet vinket litt og smilte da de ankom kampen søndag, men det var
først i en av pausene den store reaksjonen kom.
Da skulle amerikanske krigshelter hylles på arenaen, men da videoen på
storskjermen sveipet over til Trump og følget hans, og det ble kunngjort
hvem som var på besøk, besvarte folkemengden det med unison buing og
hyllesten til heltene ble på seksjoner av tribunen plutselig til taktfaste
rop av typen «Lås ham inne!», mens plakater med «Veteraner støtter riksrett»
og «Still Trump for riksrett» dukket opp.
Skjermer Trump
Presidentparet lot seg ikke affisere. Det forlot for øvrig kampen før den
var ferdigspilt.
Trumps stab har forsøkt å skjerme ham for situasjoner der han kan bli utsatt
for massiv buing og hetsing fra store menneskemengder, og han unngår
spesielt slike situasjoner i tettsteder og byer der flertallet av velgerne
er demokrater, som i Washington.
I District of Columbia, der Washington ligger, fikk han bare fire prosents
oppslutning under valget i 2016.
- >-
Foreldrekoden: Slik unngår du at familieferien kollapser
FOTO: Morten Uglum Psykolog og familieterapeut Hedvig Montgomery og
journalist Bjørn Egil Halvorsen er vertskap i Foreldrekoden.
Du har brent av alle feriepengene på hvit sand og palmesus, eller safari og
klatre-action. Og hva skjer? Klaging, syting og grining fra barna. Resultat:
bitterhet og store skuffelser. «Det var den ferien».
Jo da, det er lett å spenne forventningene høyt når familien skal på
ferietur. Fri. Avkobling. Alle skal kose seg sammen. Så: kollaps.
– Det handler om å legge forventningene på et levelig nivå, sier psykolog og
familieterapeut Hedvig Montgomery i sesongens siste episode av podkasten
Foreldrekoden.
Hør episoden i Itunes her eller Spotify her.
Du kan også lytte i spilleren nedenfor:
Men hva innebærer det?
– Det du skal bruke tid på i forkant er å tenke over: «Passer ferien til den
gjengen vi er?»
Kort oppsummert:
Reiser du med barnehagebarn? Da handler det om å gjøre ferien langsom nok.
Barna må føle seg trygge på feriestedet. Ikke for mange og ikke for korte
stopp underveis.
Reiser du med 10-åring? En gullalder. De synes fortsatt du er et fint
reisefølge. Og de er nysgjerrige og klare for å prøve nye ting.
På tur med tenåring? Straks mer utfordrende. De vil ikke nødvendigvis gjøre
det samme som dere «alltid har gjort». Et generelt råd: Sørg for trådløst
nettverk!
Her er høydepunktene
Dette er bare noen av rådene som serveres i en sommerferie-spesial av
Foreldrekoden.
I denne episoden får du vite hva du bør gjøre for å komme helskinnet
gjennom. Og hva du absolutt ikke bør gjøre.
God sommer!
Nedenfor finner du våre mest populære episoder denne sesongen
Vil du høre flere? Her er en samleside med alle episodene
Foreldrekoden har etablert en egen Facebook-gruppe for foreldre i alle
aldre. Her kan du få eksklusiv informasjon, få et innblikk bak spakene og
være med å diskutere temaer og få tips fra andre. Bli med!
Vi er selvsagt også på Instagram. Følg oss gjerne for bakgrunnsbilder og
ekstra info.
- >+
Kellsboken
Kellsboken (irsk: Leabhar Cheanannais) er en evangeliebok i form av en
kodeks av illuminerte manuskript fra 700- eller 800-tallet. Den er kjent for
sine mange og vakre illustrasjoner. Boken ble tidligere også kalt «Sankt
Columbas bok», etter den hellige Columba av Iona. Den inneholder de fire
evangeliene fra Det nye testamente skrevet på latin. Evangelieteksten er
hovedsakelig fra Vulgata, skjønt også en del tekst fra tidligere versjoner
av Bibelen som Vetus Latina, den gammellatinske oversettelsen som Vulgata
erstattet. I motsetning til mange evangeliebøker som var beregnet for
reiser, misjon eller for egen oppbyggelse, var denne og andre store bind
ment for alteret og til pryd for kirken.
Kellsboken er et mesterverk av irsk kunsthåndverk og kalligrafi, og
representerer høydepunktet innenfor insulære illuminerte manuskript i tidlig
middelalder. Gerald av Wales mente den var et verk, «ikke av mennesker, men
av engler», og Umberto Eco kalte den for «produktet til en kaldblodig
hallusinasjonist.» Den blir også regnet som en irsk nasjonalskatt.
Illustrasjonene og ornamentene i boken overgår tidligere irske
evangeliebøker i prakt og kompleksitet. Dekorasjonene kombinerer
tradisjonell kristen ikonografi med de snirklete, komplekse motivene som er
typisk for insulær kunst. Manuskriptsidene er rikt dekorert med figurer av
mennesker, dyr og mytologiske uhyrer, sammen med keltiske knuter og
flettverkmønstre i stimulerende farger. Mange av de små dekorative
elementene er gjennomsyret av kristen symbolisme, og bidrar til å
ytterligere framheve temaene i de større illustrasjonene.
Boken er skrevet på pergament av kalveskinn (vellum) og har 340 folioblader,
siden 1953 har manuskriptet vært innbundet i fire bind. Det er ti
fullsideillustrasjoner, men også tekstsidene er vakkert dekorert.
Tekstsidene er smykket med forseggjorte forstørrede initialer og miniatyrer
mellom tekstlinjene. Teksten er skrevet med insulær majuskelskrift, og synes
å være utført av tre, kanskje fire, forskjellige skrivere. Det er i hovedsak
brukt et brunaktig jerngallusblekk, laget av knuste eikenøtter og jernsulfat
i en blanding med harpiks og vann, men også karbonblekk er benyttet. Fargene
er framstilt fra en lang rekke substanser, mange av dem importert fra fjerne
land.
model-index:
- name: nb-bert-base-matryoshka
results:
- task:
type: information-retrieval
name: Information Retrieval
dataset:
name: dim 768
type: dim_768
metrics:
- type: cosine_accuracy@1
value: 0.615568862275449
name: Cosine Accuracy@1
- type: cosine_accuracy@3
value: 0.7197604790419162
name: Cosine Accuracy@3
- type: cosine_accuracy@5
value: 0.755688622754491
name: Cosine Accuracy@5
- type: cosine_accuracy@10
value: 0.8035928143712575
name: Cosine Accuracy@10
- type: cosine_precision@1
value: 0.615568862275449
name: Cosine Precision@1
- type: cosine_precision@3
value: 0.2399201596806387
name: Cosine Precision@3
- type: cosine_precision@5
value: 0.1511377245508982
name: Cosine Precision@5
- type: cosine_precision@10
value: 0.08035928143712574
name: Cosine Precision@10
- type: cosine_recall@1
value: 0.615568862275449
name: Cosine Recall@1
- type: cosine_recall@3
value: 0.7197604790419162
name: Cosine Recall@3
- type: cosine_recall@5
value: 0.755688622754491
name: Cosine Recall@5
- type: cosine_recall@10
value: 0.8035928143712575
name: Cosine Recall@10
- type: cosine_ndcg@10
value: 0.7080614748520773
name: Cosine Ndcg@10
- type: cosine_mrr@10
value: 0.6776938979184493
name: Cosine Mrr@10
- type: cosine_map@100
value: 0.6826416008493333
name: Cosine Map@100
- task:
type: information-retrieval
name: Information Retrieval
dataset:
name: dim 512
type: dim_512
metrics:
- type: cosine_accuracy@1
value: 0.6095808383233533
name: Cosine Accuracy@1
- type: cosine_accuracy@3
value: 0.7143712574850299
name: Cosine Accuracy@3
- type: cosine_accuracy@5
value: 0.7526946107784431
name: Cosine Accuracy@5
- type: cosine_accuracy@10
value: 0.7976047904191617
name: Cosine Accuracy@10
- type: cosine_precision@1
value: 0.6095808383233533
name: Cosine Precision@1
- type: cosine_precision@3
value: 0.23812375249501
name: Cosine Precision@3
- type: cosine_precision@5
value: 0.15053892215568862
name: Cosine Precision@5
- type: cosine_precision@10
value: 0.07976047904191616
name: Cosine Precision@10
- type: cosine_recall@1
value: 0.6095808383233533
name: Cosine Recall@1
- type: cosine_recall@3
value: 0.7143712574850299
name: Cosine Recall@3
- type: cosine_recall@5
value: 0.7526946107784431
name: Cosine Recall@5
- type: cosine_recall@10
value: 0.7976047904191617
name: Cosine Recall@10
- type: cosine_ndcg@10
value: 0.7022289246786922
name: Cosine Ndcg@10
- type: cosine_mrr@10
value: 0.6718291987453668
name: Cosine Mrr@10
- type: cosine_map@100
value: 0.6768142243569258
name: Cosine Map@100
- task:
type: information-retrieval
name: Information Retrieval
dataset:
name: dim 256
type: dim_256
metrics:
- type: cosine_accuracy@1
value: 0.5838323353293413
name: Cosine Accuracy@1
- type: cosine_accuracy@3
value: 0.6838323353293413
name: Cosine Accuracy@3
- type: cosine_accuracy@5
value: 0.725748502994012
name: Cosine Accuracy@5
- type: cosine_accuracy@10
value: 0.7808383233532934
name: Cosine Accuracy@10
- type: cosine_precision@1
value: 0.5838323353293413
name: Cosine Precision@1
- type: cosine_precision@3
value: 0.22794411177644708
name: Cosine Precision@3
- type: cosine_precision@5
value: 0.1451497005988024
name: Cosine Precision@5
- type: cosine_precision@10
value: 0.07808383233532933
name: Cosine Precision@10
- type: cosine_recall@1
value: 0.5838323353293413
name: Cosine Recall@1
- type: cosine_recall@3
value: 0.6838323353293413
name: Cosine Recall@3
- type: cosine_recall@5
value: 0.725748502994012
name: Cosine Recall@5
- type: cosine_recall@10
value: 0.7808383233532934
name: Cosine Recall@10
- type: cosine_ndcg@10
value: 0.6785690881656208
name: Cosine Ndcg@10
- type: cosine_mrr@10
value: 0.6463313848493489
name: Cosine Mrr@10
- type: cosine_map@100
value: 0.6515491005543756
name: Cosine Map@100
- task:
type: information-retrieval
name: Information Retrieval
dataset:
name: dim 128
type: dim_128
metrics:
- type: cosine_accuracy@1
value: 0.5497005988023952
name: Cosine Accuracy@1
- type: cosine_accuracy@3
value: 0.6574850299401198
name: Cosine Accuracy@3
- type: cosine_accuracy@5
value: 0.6922155688622754
name: Cosine Accuracy@5
- type: cosine_accuracy@10
value: 0.7467065868263473
name: Cosine Accuracy@10
- type: cosine_precision@1
value: 0.5497005988023952
name: Cosine Precision@1
- type: cosine_precision@3
value: 0.21916167664670658
name: Cosine Precision@3
- type: cosine_precision@5
value: 0.13844311377245508
name: Cosine Precision@5
- type: cosine_precision@10
value: 0.07467065868263473
name: Cosine Precision@10
- type: cosine_recall@1
value: 0.5497005988023952
name: Cosine Recall@1
- type: cosine_recall@3
value: 0.6574850299401198
name: Cosine Recall@3
- type: cosine_recall@5
value: 0.6922155688622754
name: Cosine Recall@5
- type: cosine_recall@10
value: 0.7467065868263473
name: Cosine Recall@10
- type: cosine_ndcg@10
value: 0.6457099150785747
name: Cosine Ndcg@10
- type: cosine_mrr@10
value: 0.6137888508696895
name: Cosine Mrr@10
- type: cosine_map@100
value: 0.6195584321012455
name: Cosine Map@100
- task:
type: information-retrieval
name: Information Retrieval
dataset:
name: dim 64
type: dim_64
metrics:
- type: cosine_accuracy@1
value: 0.47365269461077847
name: Cosine Accuracy@1
- type: cosine_accuracy@3
value: 0.5856287425149701
name: Cosine Accuracy@3
- type: cosine_accuracy@5
value: 0.6293413173652694
name: Cosine Accuracy@5
- type: cosine_accuracy@10
value: 0.6844311377245509
name: Cosine Accuracy@10
- type: cosine_precision@1
value: 0.47365269461077847
name: Cosine Precision@1
- type: cosine_precision@3
value: 0.19520958083832335
name: Cosine Precision@3
- type: cosine_precision@5
value: 0.12586826347305388
name: Cosine Precision@5
- type: cosine_precision@10
value: 0.06844311377245509
name: Cosine Precision@10
- type: cosine_recall@1
value: 0.47365269461077847
name: Cosine Recall@1
- type: cosine_recall@3
value: 0.5856287425149701
name: Cosine Recall@3
- type: cosine_recall@5
value: 0.6293413173652694
name: Cosine Recall@5
- type: cosine_recall@10
value: 0.6844311377245509
name: Cosine Recall@10
- type: cosine_ndcg@10
value: 0.57495974122029
name: Cosine Ndcg@10
- type: cosine_mrr@10
value: 0.5404132211766949
name: Cosine Mrr@10
- type: cosine_map@100
value: 0.5462678855761745
name: Cosine Map@100
---
# nb-bert-base-matryoshka
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [NbAiLab/nb-bert-base](https://huggingface.co/NbAiLab/nb-bert-base) on the utdanning_pair, [ltg/norquad](https://huggingface.co/datasets/ltg/norquad) and [NbAiLab/mnli-norwegian](https://huggingface.co/datasets/NbAiLab/mnli-norwegian) datasets. 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.
As with the BGE architecture and Artic-embed I use the final hidden state of the [CLS] token as the embedding vector, instead of a mean pooling strategy.
## Model Details
### Model Description
- **Model Type:** Sentence Transformer
- **Base model:** [NbAiLab/nb-bert-base](https://huggingface.co/NbAiLab/nb-bert-base) <!-- at revision 9417c3f62a3adc99f17ff92bff446f35d011f994 -->
- **Maximum Sequence Length:** 512 tokens
- **Output Dimensionality:** 768 tokens
- **Similarity Function:** Cosine Similarity
- **Training Datasets:**
- utdanning_pair
- [ltg/norquad](https://huggingface.co/datasets/ltg/norquad)
- [NbAiLab/mnli-norwegian](https://huggingface.co/datasets/NbAiLab/mnli-norwegian)
- **Language:** no
- **License:** Apache 2.0 License
### 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': 512, 'do_lower_case': False}) with Transformer model: BertModel
(1): Pooling({'word_embedding_dimension': 768, '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})
)
```
## 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("MagnusSa/nb-bert-base-matryoshka")
# Run inference
sentences = [
'Hvilket språk brukes i Kellsboken?',
'Kellsboken\nKellsboken (irsk: Leabhar Cheanannais) er en evangeliebok i form av en kodeks av illuminerte manuskript fra 700- eller 800-tallet. Den er kjent for sine mange og vakre illustrasjoner. Boken ble tidligere også kalt «Sankt Columbas bok», etter den hellige Columba av Iona. Den inneholder de fire evangeliene fra Det nye testamente skrevet på latin. Evangelieteksten er hovedsakelig fra Vulgata, skjønt også en del tekst fra tidligere versjoner av Bibelen som Vetus Latina, den gammellatinske oversettelsen som Vulgata erstattet. I motsetning til mange evangeliebøker som var beregnet for reiser, misjon eller for egen oppbyggelse, var denne og andre store bind ment for alteret og til pryd for kirken.\nKellsboken er et mesterverk av irsk kunsthåndverk og kalligrafi, og representerer høydepunktet innenfor insulære illuminerte manuskript i tidlig middelalder. Gerald av Wales mente den var et verk, «ikke av mennesker, men av engler», og Umberto Eco kalte den for «produktet til en kaldblodig hallusinasjonist.» Den blir også regnet som en irsk nasjonalskatt. Illustrasjonene og ornamentene i boken overgår tidligere irske evangeliebøker i prakt og kompleksitet. Dekorasjonene kombinerer tradisjonell kristen ikonografi med de snirklete, komplekse motivene som er typisk for insulær kunst. Manuskriptsidene er rikt dekorert med figurer av mennesker, dyr og mytologiske uhyrer, sammen med keltiske knuter og flettverkmønstre i stimulerende farger. Mange av de små dekorative elementene er gjennomsyret av kristen symbolisme, og bidrar til å ytterligere framheve temaene i de større illustrasjonene.\nBoken er skrevet på pergament av kalveskinn (vellum) og har 340 folioblader, siden 1953 har manuskriptet vært innbundet i fire bind. Det er ti fullsideillustrasjoner, men også tekstsidene er vakkert dekorert. Tekstsidene er smykket med forseggjorte forstørrede initialer og miniatyrer mellom tekstlinjene. Teksten er skrevet med insulær majuskelskrift, og synes å være utført av tre, kanskje fire, forskjellige skrivere. Det er i hovedsak brukt et brunaktig jerngallusblekk, laget av knuste eikenøtter og jernsulfat i en blanding med harpiks og vann, men også karbonblekk er benyttet. Fargene er framstilt fra en lang rekke substanser, mange av dem importert fra fjerne land.\n\n\n',
"Trump buet ut på hjemmebane\nPresident Donald Trump ble buet ut under en baseballkamp i Washington. På bildet forlater han kampen før den er ferdigspilt. (Foto: Pablo Martinez Monsivais/AP/NTB Scanpix)\nDette var første gang Trump-ekteparet har dristet seg til å gå på en baseballkamp på hjemmebane i svært så demokratiske Washington, til tross for at Nationals' hjemmebane ligger veldig nærme Det hvite hus.\nDet ble ikke gjort noe stort nummer ut av at presidentparet skulle på kampen mellom Washington Nationals og Houston Astros på Nationals Park. Det kunne Det hvite hus godt ha gjort, sett i lys av at Donald Trump hadde gjort seg populær i USA da han bare timer i forveien hadde kunngjort at amerikanske styrker hadde angrepet skjulestedet til en av USA mest forhatte fiender.\nDet USA-ledede angrepet medførte at IS-lederen Abu Bakr al-Baghdadi tok sitt eget liv ved å utløse en bombevest da spesialstyrkene rykket inn i Idlib nordvest i Syria.\n«Lås ham inne!»\nTrump-ekteparet vinket litt og smilte da de ankom kampen søndag, men det var først i en av pausene den store reaksjonen kom.\nDa skulle amerikanske krigshelter hylles på arenaen, men da videoen på storskjermen sveipet over til Trump og følget hans, og det ble kunngjort hvem som var på besøk, besvarte folkemengden det med unison buing og hyllesten til heltene ble på seksjoner av tribunen plutselig til taktfaste rop av typen «Lås ham inne!», mens plakater med «Veteraner støtter riksrett» og «Still Trump for riksrett» dukket opp.\nSkjermer Trump\nPresidentparet lot seg ikke affisere. Det forlot for øvrig kampen før den var ferdigspilt.\nTrumps stab har forsøkt å skjerme ham for situasjoner der han kan bli utsatt for massiv buing og hetsing fra store menneskemengder, og han unngår spesielt slike situasjoner i tettsteder og byer der flertallet av velgerne er demokrater, som i Washington.\nI District of Columbia, der Washington ligger, fikk han bare fire prosents oppslutning under valget i 2016.",
]
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
#### Information Retrieval
* Dataset: `dim_768`
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
| Metric | Value |
|:--------------------|:-----------|
| cosine_accuracy@1 | 0.6156 |
| cosine_accuracy@3 | 0.7198 |
| cosine_accuracy@5 | 0.7557 |
| cosine_accuracy@10 | 0.8036 |
| cosine_precision@1 | 0.6156 |
| cosine_precision@3 | 0.2399 |
| cosine_precision@5 | 0.1511 |
| cosine_precision@10 | 0.0804 |
| cosine_recall@1 | 0.6156 |
| cosine_recall@3 | 0.7198 |
| cosine_recall@5 | 0.7557 |
| cosine_recall@10 | 0.8036 |
| cosine_ndcg@10 | 0.7081 |
| cosine_mrr@10 | 0.6777 |
| **cosine_map@100** | **0.6826** |
#### Information Retrieval
* Dataset: `dim_512`
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
| Metric | Value |
|:--------------------|:-----------|
| cosine_accuracy@1 | 0.6096 |
| cosine_accuracy@3 | 0.7144 |
| cosine_accuracy@5 | 0.7527 |
| cosine_accuracy@10 | 0.7976 |
| cosine_precision@1 | 0.6096 |
| cosine_precision@3 | 0.2381 |
| cosine_precision@5 | 0.1505 |
| cosine_precision@10 | 0.0798 |
| cosine_recall@1 | 0.6096 |
| cosine_recall@3 | 0.7144 |
| cosine_recall@5 | 0.7527 |
| cosine_recall@10 | 0.7976 |
| cosine_ndcg@10 | 0.7022 |
| cosine_mrr@10 | 0.6718 |
| **cosine_map@100** | **0.6768** |
#### Information Retrieval
* Dataset: `dim_256`
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
| Metric | Value |
|:--------------------|:-----------|
| cosine_accuracy@1 | 0.5838 |
| cosine_accuracy@3 | 0.6838 |
| cosine_accuracy@5 | 0.7257 |
| cosine_accuracy@10 | 0.7808 |
| cosine_precision@1 | 0.5838 |
| cosine_precision@3 | 0.2279 |
| cosine_precision@5 | 0.1451 |
| cosine_precision@10 | 0.0781 |
| cosine_recall@1 | 0.5838 |
| cosine_recall@3 | 0.6838 |
| cosine_recall@5 | 0.7257 |
| cosine_recall@10 | 0.7808 |
| cosine_ndcg@10 | 0.6786 |
| cosine_mrr@10 | 0.6463 |
| **cosine_map@100** | **0.6515** |
#### Information Retrieval
* Dataset: `dim_128`
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
| Metric | Value |
|:--------------------|:-----------|
| cosine_accuracy@1 | 0.5497 |
| cosine_accuracy@3 | 0.6575 |
| cosine_accuracy@5 | 0.6922 |
| cosine_accuracy@10 | 0.7467 |
| cosine_precision@1 | 0.5497 |
| cosine_precision@3 | 0.2192 |
| cosine_precision@5 | 0.1384 |
| cosine_precision@10 | 0.0747 |
| cosine_recall@1 | 0.5497 |
| cosine_recall@3 | 0.6575 |
| cosine_recall@5 | 0.6922 |
| cosine_recall@10 | 0.7467 |
| cosine_ndcg@10 | 0.6457 |
| cosine_mrr@10 | 0.6138 |
| **cosine_map@100** | **0.6196** |
#### Information Retrieval
* Dataset: `dim_64`
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
| Metric | Value |
|:--------------------|:-----------|
| cosine_accuracy@1 | 0.4737 |
| cosine_accuracy@3 | 0.5856 |
| cosine_accuracy@5 | 0.6293 |
| cosine_accuracy@10 | 0.6844 |
| cosine_precision@1 | 0.4737 |
| cosine_precision@3 | 0.1952 |
| cosine_precision@5 | 0.1259 |
| cosine_precision@10 | 0.0684 |
| cosine_recall@1 | 0.4737 |
| cosine_recall@3 | 0.5856 |
| cosine_recall@5 | 0.6293 |
| cosine_recall@10 | 0.6844 |
| cosine_ndcg@10 | 0.575 |
| cosine_mrr@10 | 0.5404 |
| **cosine_map@100** | **0.5463** |
<!--
## 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 Datasets
#### utdanning_pair
* Dataset: utdanning_pair
* Size: 1,015 training samples
* Columns: <code>anchor</code> and <code>positive</code>
* Approximate statistics based on the first 1000 samples:
| | anchor | positive |
|:--------|:---------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|
| type | string | string |
| details | <ul><li>min: 3 tokens</li><li>mean: 7.32 tokens</li><li>max: 23 tokens</li></ul> | <ul><li>min: 2 tokens</li><li>mean: 184.2 tokens</li><li>max: 512 tokens</li></ul> |
* Samples:
| anchor | positive |
|:----------------------------|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| <code>Pølsemakerfag</code> | <code>Fullført og bestått opplæring fører fram til svennebrev. Yrkestittel er pølsemaker.</code> |
| <code>Områdestudier</code> | <code>Områdestudier er et samlebegrep på tverrfaglige utdanninger av et utvalgt geografisk område eller en nasjonal eller kulturell gruppe. </code> |
| <code>Prosessteknikk</code> | <code>En fagtekniker i prosessteknikk kan finne sin arbeidsplass i mange ulike bedrifter fra smelteverk papirfabrikker olje- og gassproduksjon og kjemiske bedrifter til forskningsinstitutter og kommunal vann- og avløpsrensing. </code> |
* Loss: [<code>MatryoshkaLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#matryoshkaloss) with these parameters:
```json
{
"loss": "MultipleNegativesRankingLoss",
"matryoshka_dims": [
768,
512,
256,
128,
64
],
"matryoshka_weights": [
1,
1,
1,
1,
1
],
"n_dims_per_step": -1
}
```
#### NorQuAD
* Dataset: [ltg/norquad](https://huggingface.co/datasets/ltg/norquad)
* Size: 3,808 training samples
* Columns: <code>anchor</code> and <code>positive</code>
* Approximate statistics based on the first 1000 samples:
| | anchor | positive |
|:--------|:----------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------|
| type | string | string |
| details | <ul><li>min: 6 tokens</li><li>mean: 15.88 tokens</li><li>max: 58 tokens</li></ul> | <ul><li>min: 441 tokens</li><li>mean: 509.42 tokens</li><li>max: 512 tokens</li></ul> |
* Samples:
| anchor | positive |
|:-----------------------------------------------------------------|:--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| <code>Når døde Shackleton?</code> | <code>Shackleton–Rowett-ekspedisjonen<br>Shackleton–Rowett-ekspedisjonen (1921–22) var den siste antarktisekspedisjonen til den britiske polarforskeren Ernest Shackleton og markerte slutten på den heroiske tidsalder for antarktisutforskning. Ekspedisjonen ble finansiert av forretningsmannen John Quiller Rowett, og benevnes tidvis som Quest-ekspedisjonen etter ekspedisjonsskipet «Quest», ei ombygd norsk selfangstskute. Shackletons opprinnelige plan var å utforske Beauforthavet i Arktis, men denne planen ble forkastet etter at kanadiske myndigheter holdt tilbake økonomisk støtte. «Quest» var mindre enn fartøyene som hadde blitt benyttet på de foregående ekspedisjonene, og hun viste seg raskt lite egnet for oppgaven. Framdriften sørover ble forsinket av skipets dårlige sjøegenskaper og hyppige motorproblemer. Før ekspedisjonen hadde kommet skikkelig i gang, døde Shackleton om bord i skipet rett etter ankomsten til Sør-Georgia.<br>Hovedaktiviteten i den påfølgende svekkede ekspedisjonen var en tremåneders seilas til Øst-Antarktis under ledelse av nestkommanderende, Frank Wild. I dette farvannet kom «Quest»s svakheter raskt til syne: lav fart, høyt drivstofforbruk, tung rulling i høy sjø og stadig lekk. Skipet var ikke i stand til å fortsette lenger enn 20° øst, vesentlig kortere enn målsetningen, og den lave motoreffekten var ikke tilstrekkelig til å forsere den antarktiske sjøisen. Etter flere mislykkede forsøk på å bryte seg gjennom pakkisen valgte Wild å returnere til Sør-Georgia. På veien ble turen lagt innom Elefantøya, der Wild sammen med 21 andre hadde vært skipbrudden etter tapet av «Endurance» seks år tidligere.<br>Wild hadde tanker om en andre, mer produktiv sesong i isen, og tok skipet til Cape Town for overhaling. Her mottok han en melding fra Rowett som beordret skipet hjem til England, slik at ekspedisjonen endte i stillhet. Selv om den ikke har fått stor oppmerksomhet i polarhistorien, markerte Quest-ekspedisjonen avslutningen på den heroiske tidsalder for antarktisutforskning og begynnelsen på den «mekaniske tidsalder» som fulgte. Til sjuende og sist er det imidlertid Shackletons død som har blitt stående igjen som minnet fra ekspedisjonen.<br><br><br></code> |
| <code>Hva har Apollon blitt anerkjent som?</code> | <code>Apollon<br>Apollon (gresk: Ἀπόλλων, Apóllōn) er i gresk og romersk mytologi en av de mest betydningsfulle av de olympiske guder og med flest sider (guddommelige assosiasjoner) knyttet til sin guddom. Som idealet av kouros (en skjeggløs yngling) har Apollon blitt anerkjent som en gud av lyset og solen, sannhet og profeti, bueskyting, medisin og helbredelse, musikk, poesi og kunstartene, og mer.<br>Apollon er sønn av Zevs og Leto, og har tvillingsøsteren Artemis, den jomfruelige månegudinnen for jakt, helbredelse, kyskhet og barnefødsler og beskytter av ville dyr og villmarken. Apollon er kjent i den greskpåvirkede etruskiske mytologien som Apulu. Apollon ble dyrket både i antikkens Hellas og i Romerriket, i tillegg til i den moderne hellenistiske nypaganisme (nyhedendommen).<br>Som beskytter av Delfi (Pythianske Apollon) var Apollon er en spådomsgud — den profetiske guddom av Delfis orakel. Medisin og helbredelse ble knyttet til Apollon, enten gjennom guden selv eller indirekte ved hans sønn Asklepios. Apollon ble også sett som en som kunne påføre dårlig helse og dødelig pest foruten å være den som hadde muligheten til å helbrede. Blant gudens religiøse endringer var at han ble assosiert med herredømmet over de greske kolonistatene som spredte seg langs kysten av Middelhavet, foruten å bli beskytter av gjetere og dyreflokker. Som leder av musene (Apollon Musagetes) og leder for deres kor fungerte Apollon som beskytter av musikk og poesi. Hermes oppfant lyren for ham, og instrumentet ble en vanlig attributt for Apollon. Hymner som ble sunget til Apollons pris ble kalt for paeaner.<br>I hellenistiske tider, særlig i løpet av 200-tallet f.Kr. som Apollon Helios, ble Apollon identifisert blant grekerne med Helios, solguden, og hans søster Artemis ble tilsvarende lik Selene, månegudinnen. I latinske tekster har forskeren Joseph Fontenrose imidlertid erklært seg ute av stand til å finne noen sammensmelting med Sol blant de augustinske poeter i det første århundre. Selv ikke i besvergelsene til Æneas og Latinus i Æneiden XII (161-215). Apollo og Helios/Sol forble atskilte vesener i de litterære og mytologiske tekstene fram til 200-tallet e.Kr.<br><br><br></code> |
| <code>Hva heter de fire innerste planetene i solsystemet?</code> | <code>Solsystemet<br>Planeter og dvergplaneter i solsystemet. Planetenes størrelse er i skala, men ikke den relative avstanden til solen.<br>Solsystemet er det sol-planetsystemet som består av solen, jorden og månen, og andre kjente himmellegemer i det nærmeste verdensrommet. I dette systemet er solen i sentrum med de himmellegemer som den binder til seg gjennom gravitasjon, og har sin opprinnelse i en gravitasjonskollaps av en gigantisk gass- og støvsky for 4,6 milliarder år siden. Solsystemet befinner seg i Orion-armen i galaksen Melkeveien.<br>Rundt solen kretser en rekke himmellegemer i en nærmest flat skive i ekvatorbaneplanet som kalles ekliptikken. Utenfor solen finnes det meste av solsystemets masse i de åtte planetene, som har tilnærmet sirkulære omløpsbaner. De fire indre planetene Merkur, Venus, jorden og Mars består i stor grad av stein og metall og kalles steinplanetene. De fire ytre planetene Jupiter, Saturn, Uranus og Neptun består i stor grad av hydrogen og helium. De kalles ofte gasskjempene, da de har en mye tykkere atmosfære bestående av ulike gasser, og de er i tillegg mye tyngre og større enn steinplanetene.<br>Det finnes to områder med mindre himmellegemer. Asteroidebeltet mellom Mars og Jupiter består av mindre legemer av metall og stein slik som steinplanetene. Kuiperbeltet utenfor Neptuns omløpsbane består hovedsakelig av himmellegemer av frossent vann, ammoniakk og metan. Innenfor disse beltene er det kjent ti større objekter, Ceres, Pluto, Haumea, Makemake, Eris, Orcus, Quaoar, Varuna, Sedna og (225088) 2007 OR 10. De kalles dvergplaneter siden de er store nok til å ha blitt runde som en følge av sin gravitasjon. I en avstand av 0,8–1,6 lysår fra solen antar man at det finnes en Oorts sky, som kan være opprinnelsen til de langperiodiske kometene.<br>Talløse mindre legemer som kometer, kentaurer, damokloider og interplanetariske støvpartikler følger sine egne baner gjennom solsystemet. Solvinden, en strøm av plasma fra solen, skaper en boble i den interplanetariske materien som også kalles heliosfæren. Den strekker seg ut til midten av det området som kalles den spredte skiven, et område i tilknytting til Kuiperbeltet.<br><br><br></code> |
* Loss: [<code>MatryoshkaLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#matryoshkaloss) with these parameters:
```json
{
"loss": "MultipleNegativesRankingLoss",
"matryoshka_dims": [
768,
512,
256,
128,
64
],
"matryoshka_weights": [
1,
1,
1,
1,
1
],
"n_dims_per_step": -1
}
```
#### MNLI-Norwegian
* Dataset: [NbAiLab/mnli-norwegian](https://huggingface.co/datasets/NbAiLab/mnli-norwegian)
* Size: 128,084 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: 5 tokens</li><li>mean: 33.46 tokens</li><li>max: 222 tokens</li></ul> | <ul><li>min: 4 tokens</li><li>mean: 17.25 tokens</li><li>max: 56 tokens</li></ul> | <ul><li>min: 4 tokens</li><li>mean: 16.49 tokens</li><li>max: 52 tokens</li></ul> |
* Samples:
| anchor | positive | negative |
|:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:------------------------------------------------------------------------|
| <code>Begrepsmessig kremskimming har to grunnleggende dimensjoner - produkt og geografi.</code> | <code>Cream skimming har to fokus - produkt og geografi.</code> | <code>Produkt og geografi har ingenting med kremskuming å gjøre.</code> |
| <code>du vet i løpet av sesongen, og jeg antar at på nivået ditt øh, mister du dem til neste nivå hvis hvis de bestemmer seg for å huske foreldrelaget, bestemmer Braves seg for å ringe for å huske en fyr fra trippel A, så går en dobbel A-fyr opp til erstatt ham og en singel En fyr går opp for å erstatte ham</code> | <code>Du mister tingene til følgende nivå hvis folket husker det.</code> | <code>De utfører aldri tilbakekallinger på noe.</code> |
| <code>Et av våre nummer vil utføre instruksjonene dine minutiøst.</code> | <code>Et medlem av teamet mitt vil utføre ordrene dine med enorm presisjon.</code> | <code>Vi har ingen ledige for øyeblikket, så du må ta grep selv.</code> |
* Loss: [<code>MatryoshkaLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#matryoshkaloss) with these parameters:
```json
{
"loss": "MultipleNegativesRankingLoss",
"matryoshka_dims": [
768,
512,
256,
128,
64
],
"matryoshka_weights": [
1,
1,
1,
1,
1
],
"n_dims_per_step": -1
}
```
### Evaluation Datasets
#### utdanning_pair
* Dataset: utdanning_pair
* Size: 113 evaluation samples
* Columns: <code>anchor</code> and <code>positive</code>
* Approximate statistics based on the first 1000 samples:
| | anchor | positive |
|:--------|:---------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|
| type | string | string |
| details | <ul><li>min: 3 tokens</li><li>mean: 7.39 tokens</li><li>max: 19 tokens</li></ul> | <ul><li>min: 3 tokens</li><li>mean: 195.22 tokens</li><li>max: 512 tokens</li></ul> |
* Samples:
| anchor | positive |
|:------------------------------------|:--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| <code>Arrangementsplanlegger</code> | <code>Som arrangementsplanlegger har du ansvaret for arrangementer av ulik størrelse. Du kan for eksempel arrangere konferanser messer bryllup eller konserter. Du jobber som leder av arrangementet og må planlegge koordinere og gjennomføre arrangementet fra start til slutt. Det er også viktig å ha god dialog med alle involverte. Vanlige arbeidsoppgaver for en arrangementsplanlegger planlegge arrangementet etter forespørsel fra kunde utarbeide tilbud gjennomføring av arrangementet etter bestilling fra kunde markedsføre arrangementet og sende ut invitasjoner bestille foredragsholdere underholdning og lignende forhandle frem avtaler for eksempel med sponsorer administrativt arbeid som eksempelvis å sette opp budsjett sende faktura og gjennomføre utbetalinger </code> |
| <code>Intensivsykepleier</code> | <code>Intensivsykepleiere er autoriserte sykepleiere med spesialisering i intensivsykepleie. Vanlige arbeidsoppgaver for en intensivsykepleier Behandle akutt eller kritisk syke pasienter hvor situasjonen ofte er livstruende og kompleks og sykdomstilstanden kan endre seg raskt. Kontinuerlig overvåking og pleie for å opprettholde livsviktige funksjoner hos pasienten. En intensivavdeling er høyteknologisk og yrket krever bruk av svært avansert medisinsk utstyr. Som intensivsykepleier har du et selvstendig sykepleierfaglig ansvar. Du skal handle forsvarlig ivareta pårørende og sikre pasientens autonomi integritet og rettigheter. Det betyr at du skal ivareta den alvorlig kritisk syke pasienten og dens pårørende på en omsorgsfull og forsvarlig måte. Intensivsykepleieren jobber med behandlende helsefremmende forebyggende lindrende og rehabiliterende tiltak. Intensivsykepleiere jobber tett med andre yrker som for eksempel anestesileger intensivister/intensivmedisinere fysioterapeuter kirurger prester barneleger og lignende. </code> |
| <code>Kirurg</code> | <code>Kirurgen er lege med spesialisering i kirurgi altså operasjoner. Kirurgi er et bredt fagfelt hvor du kan utdanne deg innenfor spesialiseringsområder som for eksempel barnekirurgiendokrinkirurgigastroenterologisk kirurgihovud- og halskirurgikarkirurginevrokirurgiplastikkirurgithoraxkirurgiurologiortopediDe fleste velger i dag å utdanne seg til spesialist i et felt i tillegg til å være generell kirurg på grunn av et økende behov for spesialisering.</code> |
* Loss: [<code>MatryoshkaLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#matryoshkaloss) with these parameters:
```json
{
"loss": "MultipleNegativesRankingLoss",
"matryoshka_dims": [
768,
512,
256,
128,
64
],
"matryoshka_weights": [
1,
1,
1,
1,
1
],
"n_dims_per_step": -1
}
```
#### NorQuAD
* Dataset: [ltg/norquad](https://huggingface.co/datasets/ltg/norquad)
* Size: 472 evaluation samples
* Columns: <code>anchor</code> and <code>positive</code>
* Approximate statistics based on the first 1000 samples:
| | anchor | positive |
|:--------|:----------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------|
| type | string | string |
| details | <ul><li>min: 7 tokens</li><li>mean: 15.64 tokens</li><li>max: 39 tokens</li></ul> | <ul><li>min: 315 tokens</li><li>mean: 509.97 tokens</li><li>max: 512 tokens</li></ul> |
* Samples:
| anchor | positive |
|:------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| <code>Hvordan har det vært for Dan Coats å finne seg en god posisjon i Donald Trumps administrasjon?</code> | <code>USAs nasjonale etterretningssjef går av<br>President Donald Trump bekrefter at Dan Coats skal gå av som USAs nasjonale etterretningsdirektør. (Foto: Evan Vucci/AP/NTB Scanpix)<br>Coats har vært på kollisjonskurs med president Donald Trump i flere saker, deriblant Russland og presidentens kritikk av etterretningsvesenet. Den forestående avgangen ble varslet tidligere søndag av kilder som avisen New York Times hadde snakket med.<br>Nå bekrefter USAs president Donald Trump at Coats vil gå av 15. august. Presidenten vil nominere republikaneren John Ratcliffe til å overta stillingen.<br>Den tidligere republikanske senatoren Coats har siden mars 2017 vært øverste sjef for 17 etterretningsorganer. Han tok over stillingen fra James Clapper.<br>Uenigheter<br>Ifølge nyhetsbyrået AP har det blant toppolitikere i Washington i flere måneder gått rykter om at Coats kom til å trekke seg som etterretningsdirektør. Det var imidlertid ventet at han kom til å forlate sin stilling i forbindelse med slutten av presidentperioden neste høst.<br>Ifølge amerikanske medier har det vært vanskelig for Coats å finne fotfeste i Trump-administrasjonen. Etterforskningen rundt Russlands angivelige innblanding i 2016-valget er blant sakene som har vært grobunn til flere uenigheter mellom Coats og Trump.<br>Også Nord-Korea, IS og Iran har vært saker hvor de har vært på kollisjonskurs. Blant annet uttalte Coats i januar at etterretningstjenesten er av den oppfatning at Nord-Korea sannsynligvis ikke kommer til å gi slipp på alle sine atomvåpen og produksjonskapasiteter, i strid med Trumps egen oppfatning.<br>Lojal<br>Ratcliffe blir beskrevet som lojal overfor Trump og er i motsetning til Coats en kritiker av spesialetterforsker Robert Mueller, som var sjef for Russland-etterforskningen.<br>Republikaneren kritiserte Mueller for å si at Trump kan straffeforfølges når han går av som president fordi han forsøkte å hindre Russland-etterforskningen. Ratcliffe hevdet at premisset for hans etterforskning var at Trump var skyldig inntil det motsatte ble bevist.<br>Ratcliffe blir den sjette personen i stillingen siden den ble opprettet i kjølvannet av terrorangrepene 11. september 2001.</code> |
| <code>Når lover Boris Johnson å ta Strobritannia ut av EU?</code> | <code>Corbyn trapper opp kampen mot brexit uten avtale<br>Jeremy Corbyn skal i samtale med andre politikere tirsdag for å se hvordan han kan hindre at britene forlater EU uten en avtale. Foto: Frank Augstein / AP / NTB scanpix<br>På Corbyns gjesteliste står ikke bare andre opposisjonspolitikere, men også moderate, EU-vennlige medlemmer av Det konservative partiet.<br>– Jeg håper vi kan komme fram til en velfungerende løsning og få med oss andre fra hele spekteret i Parlamentet som ser farene ved en brexit uten avtale, skrev Corbyn i et innlegg i avisen The Independent mandag.<br>– Prisgitt Trump<br>– Jeg vil gjøre alt for å hindre en brexit uten avtale, skriver Labour-lederen, som blant annet er bekymret for statsminister Boris Johnsons tilnærming til USAs president Donald Trump. Corbyn mener «en hard brexit i virkeligheten er en Trump-avtale-brexit»<br>– Det vil ikke gi oss selvråderetten tilbake, men vi vil være prisgitt Trump og amerikanske storselskaper, skriver han, med henvisning til en mulig fremtidig frihandelsavtale mellom USA og Storbritannia.<br>Selv mener han et nyvalg er den beste muligheten for å hindre at britene forlater EU uten en sluttavtale. Andre parlamentarikere har luftet tanken om å lovfeste en utsettelse av brexit.<br>Samles neste uke<br>Parlamentet trer ikke sammen før til neste uke, men brexitmotstandere har diskutert hva de skal gjøre helt siden Johnson tok over etter Theresa May og gjentok løftet om å ta britene ut av unionen 31. oktober – med eller uten en avtale.<br>Johnson har sagt at han ønsker en ny og bedre avtale med EU, men at det viktigste er å unngå flere utsettelser.<br>Corbyn har sagt han vil stille mistillitsforslag mot Johnson så fort det lar seg gjøre og har tilbudt seg å lede en overgangsregjering dersom forslaget blir vedtatt. En av utfordringene med den løsningen er at flere av dem som vil stikke kjepper i hjulene for Johnsons brexitprosess, slett ikke vil ha Corbyn som statsminister.</code> |
| <code>Hva heter det meste solgte videospillet i 2007?</code> | <code>Call of Duty 4: Modern Warfare<br>Call of Duty 4: Modern Warfare (ofte forkortet til Call of Duty 4 eller COD4) er et førstepersonsskytespill utviklet av Infinity Ward og gitt ut av Activision i 2007. Spillet er det fjerde i Call of Duty-serien, og det første i underserien Modern Warfare. Spillets etterfølger er Call of Duty: Modern Warfare 2, hvor handlingen i Call of Duty 4: Modern Warfare fortsetter.<br>I motsetning til de tidligere Call of Duty-spillene, hvor handlingen er lagt til andre verdenskrig, er Call of Duty 4: Modern Warfare satt til 2011. I spillet har en radikal leder tatt kontroll over et uspesifisert land i Midtøsten og henrettet presidenten. Samtidig har en ultranasjonalistisk bevegelse startet en borgerkrig i Russland. Handlingen blir hovedsakelig vist fra perspektivet til en soldat i United States Marine Corps (USMC) og en britisk soldat i Special Air Service (SAS). Enspillerdelen knyttes til en rekke land og områder, blant annet Storbritannia, Aserbajdsjan, Midtøsten, Russland og Ukraina. Flerspillerdelen har flere spillmoduser og et nivåsystem som lar spillere få tilgang til nye våpen og evner mens de når høyere nivåer.<br>Spillet fikk god kritikk: 94 av 100 poeng fra både GameRankings og Metacritic. Det fikk ros for sin enspiller- og flerspillerdel, men ble kritisert for at det ikke gjorde mye nytt innenfor førstepersonsskytespill-sjangeren. Spillet fikk flere priser, blant annet IGNs «Best Xbox 360 Game», GameSpots «PlayStation 3 Game of the Year», GamePros «Game of the Year» og tre priser fra Academy of Interactive Arts & Sciences. Det var verdens bestselgende videospill i 2007, og hadde solgt syv millioner kopier per januar 2008 og nesten 16 millioner per november 2013.<br>Spillet ble først utviklet for Microsoft Windows, PlayStation 3 og Xbox 360 over en toårsperiode. OS X-versjonen ble senere utviklet av Aspyr, ett år etter de andre versjonene. Nintendo Wii-versjonen ble utviklet av Treyarch ennå ett år senere. Det ble også lagd en versjon for Nintendo DS. En ny og oppdatert remaster-versjon kalt Call of Duty: Modern Warfare Remastered ble gitt ut for PlayStation 4, Xbox One og PC sammen med visse utgaver av Call of Duty: Infinite Warfare 4. november 2016. Denne nyversjonen fikk en selvstenig utgivelse i juni 2017. Serien fikk en reboot med utgivelsen av Call of Duty: Modern Warfare i 2019.<br><br><br></code> |
* Loss: [<code>MatryoshkaLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#matryoshkaloss) with these parameters:
```json
{
"loss": "MultipleNegativesRankingLoss",
"matryoshka_dims": [
768,
512,
256,
128,
64
],
"matryoshka_weights": [
1,
1,
1,
1,
1
],
"n_dims_per_step": -1
}
```
#### MNLI-Norwegian
* Dataset: [NbAiLab/mnli-norwegian](https://huggingface.co/datasets/NbAiLab/mnli-norwegian)
* Size: 1,670 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: 6 tokens</li><li>mean: 30.34 tokens</li><li>max: 74 tokens</li></ul> | <ul><li>min: 6 tokens</li><li>mean: 14.76 tokens</li><li>max: 43 tokens</li></ul> | <ul><li>min: 6 tokens</li><li>mean: 15.13 tokens</li><li>max: 38 tokens</li></ul> |
* Samples:
| anchor | positive | negative |
|:------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------------------|
| <code>Jeg tenkte ikke engang på det, men jeg var så frustrert, og jeg endte opp med å snakke med ham igjen.</code> | <code>Jeg var så opprørt at jeg bare begynte å snakke med ham igjen.</code> | <code>Jeg har ikke snakket med ham igjen.</code> |
| <code>Og jeg trodde det var et privilegium, og det er fortsatt, det er fortsatt, jeg var den eneste ni to-to Ex-O som var mitt AFFC Air Force Career-felt.</code> | <code>Jeg var under inntrykk av at jeg var den eneste med det nummeret på AFFC Air Force Career-feltet.</code> | <code>Vi fikk alle det samme nøyaktige antallet, uansett hvilke privilegier vi ble lovet å bli gitt, det hele var løgn.</code> |
| <code>De fortalte meg at jeg ville bli kalt inn en fyr på slutten for at jeg skulle møtes.</code> | <code>Jeg ble fortalt at en fyr ville bli kalt inn for at jeg skulle møte.</code> | <code>Jeg ble aldri fortalt noe om å møte noen.</code> |
* Loss: [<code>MatryoshkaLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#matryoshkaloss) with these parameters:
```json
{
"loss": "MultipleNegativesRankingLoss",
"matryoshka_dims": [
768,
512,
256,
128,
64
],
"matryoshka_weights": [
1,
1,
1,
1,
1
],
"n_dims_per_step": -1
}
```
### Training Hyperparameters
#### Non-Default Hyperparameters
- `eval_strategy`: epoch
- `per_device_train_batch_size`: 32
- `per_device_eval_batch_size`: 16
- `gradient_accumulation_steps`: 16
- `learning_rate`: 2e-05
- `num_train_epochs`: 4
- `lr_scheduler_type`: cosine
- `warmup_ratio`: 0.1
- `bf16`: True
- `tf32`: True
- `load_best_model_at_end`: True
- `optim`: adamw_torch_fused
- `batch_sampler`: no_duplicates
#### All Hyperparameters
<details><summary>Click to expand</summary>
- `overwrite_output_dir`: False
- `do_predict`: False
- `eval_strategy`: epoch
- `prediction_loss_only`: True
- `per_device_train_batch_size`: 32
- `per_device_eval_batch_size`: 16
- `per_gpu_train_batch_size`: None
- `per_gpu_eval_batch_size`: None
- `gradient_accumulation_steps`: 16
- `eval_accumulation_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`: 4
- `max_steps`: -1
- `lr_scheduler_type`: cosine
- `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`: True
- `fp16`: False
- `fp16_opt_level`: O1
- `half_precision_backend`: auto
- `bf16_full_eval`: False
- `fp16_full_eval`: False
- `tf32`: True
- `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`: False
- `hub_always_push`: False
- `gradient_checkpointing`: False
- `gradient_checkpointing_kwargs`: None
- `include_inputs_for_metrics`: False
- `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
- `batch_sampler`: no_duplicates
- `multi_dataset_batch_sampler`: proportional
</details>
### Training Logs
| Epoch | Step | Training Loss | utdanning pair loss | norqa loss | mnli no triplet loss | dim_128_cosine_map@100 | dim_256_cosine_map@100 | dim_512_cosine_map@100 | dim_64_cosine_map@100 | dim_768_cosine_map@100 |
|:---------:|:-------:|:-------------:|:-------------------:|:----------:|:--------------------:|:----------------------:|:----------------------:|:----------------------:|:---------------------:|:----------------------:|
| 0.3852 | 100 | 6.441 | - | - | - | - | - | - | - | - |
| 0.7703 | 200 | 1.9466 | - | - | - | - | - | - | - | - |
| 0.9976 | 259 | - | 0.5855 | 2.2512 | 2.2030 | 0.6311 | 0.6596 | 0.6827 | 0.5448 | 0.6877 |
| 1.1555 | 300 | 1.7012 | - | - | - | - | - | - | - | - |
| 1.5407 | 400 | 1.3651 | - | - | - | - | - | - | - | - |
| 1.9259 | 500 | 1.2186 | - | - | - | - | - | - | - | - |
| **1.999** | **519** | **-** | **0.4506** | **2.0231** | **2.0452** | **0.6235** | **0.656** | **0.6816** | **0.5518** | **0.6852** |
| 2.3110 | 600 | 1.1422 | - | - | - | - | - | - | - | - |
| 2.6962 | 700 | 0.9341 | - | - | - | - | - | - | - | - |
| 2.9966 | 778 | - | 0.3950 | 1.8989 | 1.9680 | 0.6242 | 0.6560 | 0.6785 | 0.5475 | 0.6837 |
| 3.0814 | 800 | 0.9459 | - | - | - | - | - | - | - | - |
| 3.4665 | 900 | 0.8713 | - | - | - | - | - | - | - | - |
| 3.8517 | 1000 | 0.8365 | - | - | - | - | - | - | - | - |
| 3.9904 | 1036 | - | 0.4154 | 1.8701 | 1.9717 | 0.6196 | 0.6515 | 0.6768 | 0.5463 | 0.6826 |
* The bold row denotes the saved checkpoint.
### Framework Versions
- Python: 3.11.9
- Sentence Transformers: 3.0.1
- Transformers: 4.42.3
- PyTorch: 2.3.1+cu121
- Accelerate: 0.31.0
- Datasets: 2.20.0
- Tokenizers: 0.19.1
## 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",
}
```
#### MatryoshkaLoss
```bibtex
@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
```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}
}
```
#### NorQuAD
```bibtex
@inproceedings{
ivanova2023norquad,
title={NorQu{AD}: Norwegian Question Answering Dataset},
author={Sardana Ivanova and Fredrik Aas Andreassen and Matias Jentoft and Sondre Wold and Lilja {\O}vrelid},
booktitle={The 24th Nordic Conference on Computational Linguistics},
year={2023},
url={https://aclanthology.org/2023.nodalida-1.17.pdf}
}
```
#### MNLI-Norwegian
```bibtex
@InProceedings{N18-1101,
author = "Williams, Adina
and Nangia, Nikita
and Bowman, Samuel",
title = "A Broad-Coverage Challenge Corpus for
Sentence Understanding through Inference",
booktitle = "Proceedings of the 2018 Conference of
the North American Chapter of the
Association for Computational Linguistics:
Human Language Technologies, Volume 1 (Long
Papers)",
year = "2018",
publisher = "Association for Computational Linguistics",
pages = "1112--1122",
location = "New Orleans, Louisiana",
url = "http://aclweb.org/anthology/N18-1101"
}
```
<!--
## 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.*
-->