Add new SentenceTransformer model.

.gitattributes

@@ -33,3 +33,4 @@ saved_model/**/* filter=lfs diff=lfs merge=lfs -text
 *.zip filter=lfs diff=lfs merge=lfs -text
 *.zst filter=lfs diff=lfs merge=lfs -text
 *tfevents* filter=lfs diff=lfs merge=lfs -text
+tokenizer.json filter=lfs diff=lfs merge=lfs -text

1_Pooling/config.json

@@ -0,0 +1,10 @@
+{
+  "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
+}

README.md

@@ -0,0 +1,600 @@
+---
+datasets: []
+language: []
+library_name: sentence-transformers
+metrics:
+- cosine_accuracy@1
+- cosine_accuracy@3
+- cosine_precision@1
+- cosine_precision@3
+- cosine_recall@1
+- cosine_recall@3
+- cosine_ndcg@10
+- cosine_mrr@10
+- cosine_map@100
+- dot_accuracy@1
+- dot_accuracy@3
+- dot_precision@1
+- dot_precision@3
+- dot_recall@1
+- dot_recall@3
+- dot_ndcg@10
+- dot_mrr@10
+- dot_map@100
+pipeline_tag: sentence-similarity
+tags:
+- sentence-transformers
+- sentence-similarity
+- feature-extraction
+- generated_from_trainer
+- dataset_size:35680
+- loss:TripletLoss
+widget:
+- source_sentence: Можем ли мы с мужем одновременно получать единовременное пособие
+    при рождении
+  sentences:
+  - Право на единовременное пособие при рождении ребенка имеет один из родителей или
+    лицо, официально его заменяющее.
+  - ЗП - это заработная плата.
+  - 'Для оформления отпуска по уходу за ребенком (внучкой/внуком) сотруднику необходимо
+    предоставить следующие документы: 1. Заявление на отпуск до 3 лет; 2. Заявление
+    на пособие до 1,5 лет; 3. Копия св-ва о браке родителей; 4. Копии св-ва о рождении
+    всех детей; 5. Документ, подтверждающий степень родства бабушки и внучки (св-во
+    о рождении сына или дочери, в зависимости от того, чья мама родителей оформляет
+    отпуск); 6. Справки от родителей: 1.1 Если работают: Справка с места работы отца
+    и матери ребенка - в справке прописать корректно вид пособия и вид отпуска. (Пример
+    оформления справки – «Выдана_____, в том, что работает с___по настоящее время
+    в_____. Отпуск по уходу за ребенком (ФИО, дата рождения ребенка) не оформлял.
+    Ежемесячное пособие по уходу за ребенком до 1,5 лет не назначалось и не выплачивалось.
+    Если у ребенка возраст до 3 месяцев – дополнительно справку с места работы мамы
+    с указанием периода нахождения в отпуске по беременности и родам. 1.2 Если родители
+    не трудоустроены: 1. Копии ТК 2. Справка с Пенсионного фонда РФ о неполучении
+    ежемесячного пособия по уходу за ребенком 3. Приложение к заявлению о назначении
+    пособия до 1,5 лет. Заявку следует создать по процессу 1091 – Администрирование
+    отпуска по уходу за ребенком.'
+- source_sentence: Можно ли получать пособие по рождению ребенка сразу в нескольких
+    организациях?
+  sentences:
+  - Пожалуйста, обратитесь к непосредственному руководителю для коммуникации с бизнес-партнером
+    по персоналу Вашего подразделения, чтобы он создал заявку на Вас в Личном кабинете
+    по теме «Отзыв из отпуска»
+  - Если Вы работаете в нескольких местах, то можете оформить пособие по беременности
+    и родам на каждом месте работы. При расчетах будет учитываться средний заработок
+    у каждого работодателя в течение 2 лет.
+  - С данным вопросом сотруднику необходимо обратиться в СФР по номеру телефона 8
+    (800) 100-00-01. Если требуется сделать перерасчет в связи с заменой лет по заявлению,
+    сотрудник должен создать заявку в Личном кабинете по теме "Больничный", "Перерасчет
+    пособий".
+- source_sentence: Можно ли изменить период больничного по беременности и родам, если
+    в ЭЛН указаны другие периоды
+  sentences:
+  - "При проблемах со входом в личный кабинет, прежде чем создавать заявку в поддержку,\
+    \ убедитесь, что заходите в ЛК на сайте https://company-x5.ru, указываете актуальные\
+    \ и верные логин и пароль.\n Если Вам неизвестен логин, обратитесь к руководителю\
+    \ (ДМ), он сможет посмотреть Ваш логин и сбросить пароль в веб-табеле.\n Для самостоятельного\
+    \ сброса пароля позвоните с вашего мобильного телефона на +7 (XXX) XXX XX XX,\
+    \ наберите добавочный номер 10100, нажмите * и подтвердите сброс пароля, нажав\
+    \ #.\n Обновленный пароль отправляется по SMS."
+  - Перевод возможен после окончания отпуска по беременности и родам.
+  - Вы можете продолжить работу во время больничного по беременности и родам, при
+    этом Вам будет выплачиваться заработная плата. Пособие по беременности и родам
+    будет рассчитано с фактической даты ухода в отпуск по беременности и родам (соответственно,
+    будет оплачено меньшее кол-во дней БИРа).
+- source_sentence: Можно ли получать пособие по рождению ребенка сразу в нескольких
+    организациях?
+  sentences:
+  - Сотруднику следует написать заявление о предоставлении отпуска по беременности
+    и родам и передать его непосредственному руководителю, он оформит соответствующее
+    мероприятие.
+  - Для обнуления ставки создайте заявку в Личном кабинете по теме «Табель/график/рабочее
+    время», далее «Обнуление ставок». Обратите внимание, что обнуление ставок проводится
+    в случае нахождения сотрудника на длительном больничном или в отпуске без сохранения
+    заработной платы.
+  - Если Вы работаете в нескольких местах, то можете оформить пособие по беременности
+    и родам на каждом месте работы. При расчетах будет учитываться средний заработок
+    у каждого работодателя в течение 2 лет.
+- source_sentence: я могу перевести во время отпуска по беременности?
+  sentences:
+  - Если Вы работаете в нескольких местах, то можете оформить пособие по беременности
+    и родам на каждом месте работы. При расчетах будет учитываться средний заработок
+    у каждого работодателя в течение 2 лет.
+  - Перевод возможен после окончания отпуска по беременности и родам.
+  - Номер и срок действия доверенности можно выгрузить в Личном кабинете в блоке Профиль,
+    Раздел «Доверенности».
+model-index:
+- name: SentenceTransformer
+  results:
+  - task:
+      type: information-retrieval
+      name: Information Retrieval
+    dataset:
+      name: single answer eval
+      type: single_answer_eval
+    metrics:
+    - type: cosine_accuracy@1
+      value: 0.6350941105039466
+      name: Cosine Accuracy@1
+    - type: cosine_accuracy@3
+      value: 0.9034608378870674
+      name: Cosine Accuracy@3
+    - type: cosine_precision@1
+      value: 0.6350941105039466
+      name: Cosine Precision@1
+    - type: cosine_precision@3
+      value: 0.302367941712204
+      name: Cosine Precision@3
+    - type: cosine_recall@1
+      value: 0.060118489080237716
+      name: Cosine Recall@1
+    - type: cosine_recall@3
+      value: 0.08666323220057282
+      name: Cosine Recall@3
+    - type: cosine_ndcg@10
+      value: 0.1854670878334577
+      name: Cosine Ndcg@10
+    - type: cosine_mrr@10
+      value: 0.778253630940333
+      name: Cosine Mrr@10
+    - type: cosine_map@100
+      value: 0.07722249429342806
+      name: Cosine Map@100
+    - type: dot_accuracy@1
+      value: 0.6174863387978142
+      name: Dot Accuracy@1
+    - type: dot_accuracy@3
+      value: 0.9077109896782027
+      name: Dot Accuracy@3
+    - type: dot_precision@1
+      value: 0.6174863387978142
+      name: Dot Precision@1
+    - type: dot_precision@3
+      value: 0.3035822707953855
+      name: Dot Precision@3
+    - type: dot_recall@1
+      value: 0.058461359189956645
+      name: Dot Recall@1
+    - type: dot_recall@3
+      value: 0.0871360845859935
+      name: Dot Recall@3
+    - type: dot_ndcg@10
+      value: 0.1836029943640663
+      name: Dot Ndcg@10
+    - type: dot_mrr@10
+      value: 0.7690208748951909
+      name: Dot Mrr@10
+    - type: dot_map@100
+      value: 0.07636564425734757
+      name: Dot Map@100
+    - type: cosine_accuracy@1
+      value: 0.6387370977534912
+      name: Cosine Accuracy@1
+    - type: cosine_accuracy@3
+      value: 0.9143897996357013
+      name: Cosine Accuracy@3
+    - type: cosine_precision@1
+      value: 0.6387370977534912
+      name: Cosine Precision@1
+    - type: cosine_precision@3
+      value: 0.30641570532280915
+      name: Cosine Precision@3
+    - type: cosine_recall@1
+      value: 0.060576622325256214
+      name: Cosine Recall@1
+    - type: cosine_recall@3
+      value: 0.08786713522596946
+      name: Cosine Recall@3
+    - type: cosine_ndcg@10
+      value: 0.1858853074512683
+      name: Cosine Ndcg@10
+    - type: cosine_mrr@10
+      value: 0.7825984714873584
+      name: Cosine Mrr@10
+    - type: cosine_map@100
+      value: 0.07818077180950797
+      name: Cosine Map@100
+    - type: dot_accuracy@1
+      value: 0.5865209471766849
+      name: Dot Accuracy@1
+    - type: dot_accuracy@3
+      value: 0.8973891924711597
+      name: Dot Accuracy@3
+    - type: dot_precision@1
+      value: 0.5865209471766849
+      name: Dot Precision@1
+    - type: dot_precision@3
+      value: 0.30054644808743175
+      name: Dot Precision@3
+    - type: dot_recall@1
+      value: 0.05554451620025391
+      name: Dot Recall@1
+    - type: dot_recall@3
+      value: 0.08624741648421065
+      name: Dot Recall@3
+    - type: dot_ndcg@10
+      value: 0.18048100103562123
+      name: Dot Ndcg@10
+    - type: dot_mrr@10
+      value: 0.751049286340724
+      name: Dot Mrr@10
+    - type: dot_map@100
+      value: 0.0751764626788709
+      name: Dot Map@100
+---
+
+# SentenceTransformer
+
+This is a [sentence-transformers](https://www.SBERT.net) model trained. 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:** [Unknown](https://huggingface.co/unknown) -->
+- **Maximum Sequence Length:** 128 tokens
+- **Output Dimensionality:** 768 tokens
+- **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': 128, 'do_lower_case': False}) with Transformer model: XLMRobertaModel 
+  (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})
+)
+```
+
+## 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("WpythonW/custom-paraphrase-v2")
+# Run inference
+sentences = [
+    'я могу перевести во время отпуска по беременности?',
+    'Перевод возможен после окончания отпуска по беременности и родам.',
+    'Номер и срок действия доверенности можно выгрузить в Личном кабинете в блоке Профиль, Раздел «Доверенности».',
+]
+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: `single_answer_eval`
+* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
+
+| Metric             | Value      |
+|:-------------------|:-----------|
+| cosine_accuracy@1  | 0.6351     |
+| cosine_accuracy@3  | 0.9035     |
+| cosine_precision@1 | 0.6351     |
+| cosine_precision@3 | 0.3024     |
+| cosine_recall@1    | 0.0601     |
+| cosine_recall@3    | 0.0867     |
+| cosine_ndcg@10     | 0.1855     |
+| cosine_mrr@10      | 0.7783     |
+| **cosine_map@100** | **0.0772** |
+| dot_accuracy@1     | 0.6175     |
+| dot_accuracy@3     | 0.9077     |
+| dot_precision@1    | 0.6175     |
+| dot_precision@3    | 0.3036     |
+| dot_recall@1       | 0.0585     |
+| dot_recall@3       | 0.0871     |
+| dot_ndcg@10        | 0.1836     |
+| dot_mrr@10         | 0.769      |
+| dot_map@100        | 0.0764     |
+
+#### Information Retrieval
+* Dataset: `single_answer_eval`
+* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
+
+| Metric             | Value      |
+|:-------------------|:-----------|
+| cosine_accuracy@1  | 0.6387     |
+| cosine_accuracy@3  | 0.9144     |
+| cosine_precision@1 | 0.6387     |
+| cosine_precision@3 | 0.3064     |
+| cosine_recall@1    | 0.0606     |
+| cosine_recall@3    | 0.0879     |
+| cosine_ndcg@10     | 0.1859     |
+| cosine_mrr@10      | 0.7826     |
+| **cosine_map@100** | **0.0782** |
+| dot_accuracy@1     | 0.5865     |
+| dot_accuracy@3     | 0.8974     |
+| dot_precision@1    | 0.5865     |
+| dot_precision@3    | 0.3005     |
+| dot_recall@1       | 0.0555     |
+| dot_recall@3       | 0.0862     |
+| dot_ndcg@10        | 0.1805     |
+| dot_mrr@10         | 0.751      |
+| dot_map@100        | 0.0752     |
+
+<!--
+## 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: 35,680 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: 6 tokens</li><li>mean: 14.66 tokens</li><li>max: 26 tokens</li></ul> | <ul><li>min: 16 tokens</li><li>mean: 60.02 tokens</li><li>max: 128 tokens</li></ul> | <ul><li>min: 8 tokens</li><li>mean: 61.86 tokens</li><li>max: 128 tokens</li></ul> |
+* Samples:
+  | anchor                                                        | positive                                                                                                                                  | negative                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                    |
+  |:--------------------------------------------------------------|:------------------------------------------------------------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
+  | <code>Можно ли выгрузить копию доверенности через SED?</code> | <code>Копию доверенности можно выгрузить через раздел Отчеты в SED. Также там можно посмотреть номер и срок действия доверенности.</code> | <code>Для проведения отгула сотрудник обращается к непосредственному руководителю, чтобы он создал заявку в Личном кабинете по теме «Отмена/аннулирование мероприятия». После выполнения мероприятия необходимо создать заявку в Личном кабинете в разделе «Отпуска» (https://company-x5.ru/vacations/plan?vp_page=1 ), указав новый период отсутствия.</code>                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                              |
+  | <code>Можно ли выгрузить копию доверенности через SED?</code> | <code>Копию доверенности можно выгрузить через раздел Отчеты в SED. Также там можно посмотреть номер и срок действия доверенности.</code> | <code>В течение 5 рабочих дней работодатель предоставит ответ на извещение, после чего пособие будет выплачено.</code>                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                      |
+  | <code>Можно ли выгрузить копию доверенности через SED?</code> | <code>Копию доверенности можно выгрузить через раздел Отчеты в SED. Также там можно посмотреть номер и срок действия доверенности.</code> | <code>Для оформления отпуска по уходу за ребенком (внучкой/внуком) сотруднику необходимо предоставить следующие документы: 1. Заявление на отпуск до 3 лет; 2. Заявление на пособие до 1,5 лет; 3. Копия св-ва о браке родителей; 4. Копии св-ва о рождении всех детей; 5. Документ, подтверждающий степень родства бабушки и внучки (св-во о рождении сына или дочери, в зависимости от того, чья мама родителей оформляет отпуск); 6. Справки от родителей: 1.1 Если работают: Справка с места работы отца и матери ребенка - в справке прописать корректно вид пособия и вид отпуска. (Пример оформления справки – «Выдана_____, в том, что работает с___по настоящее время в_____. Отпуск по уходу за ребенком (ФИО, дата рождения ребенка) не оформлял. Ежемесячное пособие по уходу за ребенком до 1,5 лет не назначалось и не выплачивалось. Если у ребенка возраст до 3 месяцев – дополнительно справку с места работы мамы с указанием периода нахождения в отпуске по беременности и родам. 1.2 Если родители не трудоустроены: 1. Копии ТК 2. Справка с Пенсионного фонда РФ о неполучении ежемесячного пособия по уходу за ребенком 3. Приложение к заявлению о назначении пособия до 1,5 лет. Заявку следует создать по процессу 1091 – Администрирование отпуска по уходу за ребенком.</code> |
+* Loss: [<code>TripletLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#tripletloss) with these parameters:
+  ```json
+  {
+      "distance_metric": "TripletDistanceMetric.EUCLIDEAN",
+      "triplet_margin": 5
+  }
+  ```
+
+### Training Hyperparameters
+#### Non-Default Hyperparameters
+
+- `eval_strategy`: steps
+- `per_device_train_batch_size`: 32
+- `num_train_epochs`: 10
+- `load_best_model_at_end`: 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`: 32
+- `per_device_eval_batch_size`: 8
+- `per_gpu_train_batch_size`: None
+- `per_gpu_eval_batch_size`: None
+- `gradient_accumulation_steps`: 1
+- `eval_accumulation_steps`: None
+- `torch_empty_cache_steps`: None
+- `learning_rate`: 5e-05
+- `weight_decay`: 0.0
+- `adam_beta1`: 0.9
+- `adam_beta2`: 0.999
+- `adam_epsilon`: 1e-08
+- `max_grad_norm`: 1.0
+- `num_train_epochs`: 10
+- `max_steps`: -1
+- `lr_scheduler_type`: linear
+- `lr_scheduler_kwargs`: {}
+- `warmup_ratio`: 0.0
+- `warmup_steps`: 0
+- `log_level`: passive
+- `log_level_replica`: warning
+- `log_on_each_node`: True
+- `logging_nan_inf_filter`: True
+- `save_safetensors`: True
+- `save_on_each_node`: False
+- `save_only_model`: False
+- `restore_callback_states_from_checkpoint`: False
+- `no_cuda`: False
+- `use_cpu`: False
+- `use_mps_device`: False
+- `seed`: 42
+- `data_seed`: None
+- `jit_mode_eval`: False
+- `use_ipex`: False
+- `bf16`: False
+- `fp16`: False
+- `fp16_opt_level`: O1
+- `half_precision_backend`: auto
+- `bf16_full_eval`: False
+- `fp16_full_eval`: False
+- `tf32`: None
+- `local_rank`: 0
+- `ddp_backend`: None
+- `tpu_num_cores`: None
+- `tpu_metrics_debug`: False
+- `debug`: []
+- `dataloader_drop_last`: 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`: 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
+- `eval_use_gather_object`: False
+- `batch_sampler`: batch_sampler
+- `multi_dataset_batch_sampler`: proportional
+
+</details>
+
+### Training Logs
+| Epoch      | Step     | Training Loss | single_answer_eval_cosine_map@100 |
+|:----------:|:--------:|:-------------:|:---------------------------------:|
+| 0.8961     | 500      | 0.0296        | 0.0824                            |
+| 1.7921     | 1000     | 0.0188        | 0.0833                            |
+| **2.6882** | **1500** | **0.0137**    | **0.0804**                        |
+| 3.5842     | 2000     | 0.0127        | 0.0764                            |
+| 4.4803     | 2500     | 0.0077        | 0.0772                            |
+| 0.8961     | 500      | 0.0194        | 0.0773                            |
+| 1.7921     | 1000     | 0.0202        | 0.0840                            |
+| **2.6882** | **1500** | **0.0136**    | **0.0797**                        |
+| 3.5842     | 2000     | 0.0132        | 0.0865                            |
+| 4.4803     | 2500     | 0.0096        | 0.0782                            |
+
+* The bold row denotes the saved checkpoint.
+
+### Framework Versions
+- Python: 3.10.14
+- Sentence Transformers: 3.0.1
+- Transformers: 4.44.0
+- PyTorch: 2.4.0
+- Accelerate: 0.34.0
+- Datasets: 2.21.0
+- 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",
+}
+```
+
+#### TripletLoss
+```bibtex
+@misc{hermans2017defense,
+    title={In Defense of the Triplet Loss for Person Re-Identification}, 
+    author={Alexander Hermans and Lucas Beyer and Bastian Leibe},
+    year={2017},
+    eprint={1703.07737},
+    archivePrefix={arXiv},
+    primaryClass={cs.CV}
+}
+```
+
+<!--
+## 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.*
+-->

config.json

@@ -0,0 +1,29 @@
+{
+  "_name_or_path": "/kaggle/input/mydataset/checkpoint-3000/",
+  "architectures": [
+    "XLMRobertaModel"
+  ],
+  "attention_probs_dropout_prob": 0.1,
+  "bos_token_id": 0,
+  "classifier_dropout": null,
+  "eos_token_id": 2,
+  "gradient_checkpointing": false,
+  "hidden_act": "gelu",
+  "hidden_dropout_prob": 0.1,
+  "hidden_size": 768,
+  "initializer_range": 0.02,
+  "intermediate_size": 3072,
+  "layer_norm_eps": 1e-05,
+  "max_position_embeddings": 514,
+  "model_type": "xlm-roberta",
+  "num_attention_heads": 12,
+  "num_hidden_layers": 12,
+  "output_past": true,
+  "pad_token_id": 1,
+  "position_embedding_type": "absolute",
+  "torch_dtype": "float32",
+  "transformers_version": "4.44.0",
+  "type_vocab_size": 1,
+  "use_cache": true,
+  "vocab_size": 250002
+}

config_sentence_transformers.json

@@ -0,0 +1,10 @@
+{
+  "__version__": {
+    "sentence_transformers": "3.0.1",
+    "transformers": "4.44.0",
+    "pytorch": "2.4.0"
+  },
+  "prompts": {},
+  "default_prompt_name": null,
+  "similarity_fn_name": null
+}

model.safetensors

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:5770253effde3380922a612ab8b8d204b381dada9d2ed53a25f4a40a0b3b079f
+size 1112197096

modules.json

@@ -0,0 +1,14 @@
+[
+  {
+    "idx": 0,
+    "name": "0",
+    "path": "",
+    "type": "sentence_transformers.models.Transformer"
+  },
+  {
+    "idx": 1,
+    "name": "1",
+    "path": "1_Pooling",
+    "type": "sentence_transformers.models.Pooling"
+  }
+]

sentence_bert_config.json

@@ -0,0 +1,4 @@
+{
+  "max_seq_length": 128,
+  "do_lower_case": false
+}

sentencepiece.bpe.model

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:cfc8146abe2a0488e9e2a0c56de7952f7c11ab059eca145a0a727afce0db2865
+size 5069051

special_tokens_map.json

@@ -0,0 +1,51 @@
+{
+  "bos_token": {
+    "content": "<s>",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "cls_token": {
+    "content": "<s>",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "eos_token": {
+    "content": "</s>",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "mask_token": {
+    "content": "<mask>",
+    "lstrip": true,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "pad_token": {
+    "content": "<pad>",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "sep_token": {
+    "content": "</s>",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "unk_token": {
+    "content": "<unk>",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  }
+}

tokenizer.json

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:cad551d5600a84242d0973327029452a1e3672ba6313c2a3c3d69c4310e12719
+size 17082987

tokenizer_config.json

@@ -0,0 +1,61 @@
+{
+  "added_tokens_decoder": {
+    "0": {
+      "content": "<s>",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "1": {
+      "content": "<pad>",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "2": {
+      "content": "</s>",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "3": {
+      "content": "<unk>",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "250001": {
+      "content": "<mask>",
+      "lstrip": true,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    }
+  },
+  "bos_token": "<s>",
+  "clean_up_tokenization_spaces": true,
+  "cls_token": "<s>",
+  "eos_token": "</s>",
+  "mask_token": "<mask>",
+  "max_length": 128,
+  "model_max_length": 128,
+  "pad_to_multiple_of": null,
+  "pad_token": "<pad>",
+  "pad_token_type_id": 0,
+  "padding_side": "right",
+  "sep_token": "</s>",
+  "stride": 0,
+  "tokenizer_class": "XLMRobertaTokenizer",
+  "truncation_side": "right",
+  "truncation_strategy": "longest_first",
+  "unk_token": "<unk>"
+}