Add new SentenceTransformer model.

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 +1,453 @@
+---
+base_model: abdoelsayed/AraDPR
+library_name: sentence-transformers
+metrics:
+- map
+- mrr@10
+- ndcg@10
+pipeline_tag: sentence-similarity
+tags:
+- sentence-transformers
+- sentence-similarity
+- feature-extraction
+- generated_from_trainer
+- dataset_size:5000000
+- loss:MarginMSELoss
+widget:
+- source_sentence: من هو زوج صوفيا فيرغارا
+  sentences:
+  - 'عرض كل الصور ( 52 ) صوفيا فيرجارا متزوجة حاليا من جو مانجانييلو . لقد كانت في
+    تسع علاقات مع المشاهير بمتوسط حوالي 3 . 1 سنوات لكل منها . كان متوسط زواجها 2
+    . 2 سنة لكل منهما . الاسم المعطى : صوفيا مارجريتا فيرجارا .'
+  - ما الذي ترمز إليه السلطة الفلسطينية في Lawyer Name PA ؟ وباستخدام هذه الطريقة
+    ، فإن PA تعني النقابة المهنية . السلطة الفلسطينية هي شركة مكونة من محترفين مثل
+    المحامين وأطباء الأسنان والأطباء .
+  - تشير معاني DH DH عموما إلى الزوج العزيز أو الزوج الحبيب . عادة ، هذا شكل من أشكال
+    المودة المكتوبة التي تستخدمها الزوجات على الإنترنت عند الإشارة إلى أزواجهن .
+- source_sentence: أين الفيفا
+  sentences:
+  - هل تخطط لزيارة روسيا لحضور كأس القارات 2017 FIFA أو كأس العالم FIFA 2018 ؟ [رابط]
+    هي البوابة السياحية للحكومة الروسية وتزود المشجعين الذين يسافرون إلى روسيا بمعلومات
+    مفيدة عن الدولة المضيفة لكأس العالم FIFA المقبلة .
+  - '1 أصغر لاعب أرجنتيني سجل في نهائيات كأس العالم FIFA : عمره 18 عاما و 357 يوما
+    في عام 2006 ضد صربيا والجبل الأسود . 2 أصغر لاعب بلغ 100 مباراة دولية في تاريخ
+    الكونميبول ( 27 عاما ، 361 يوما ) .'
+  - Hotels Near Creation Museum مزيد من المعلومات . . يقع مقر متحف Creation في مدينة
+    بطرسبورغ بولاية كنتاكي . من خلال الأموال الخاصة لبناء المتحف ، بدأ Young Earth
+    Creationists ( YEC ) المتحف في عام 2011 . مفتوح للجمهور ، تم إنشاء متحف Creation
+    لتعزيز وتثقيف الزوار حول نظرية الخلق التي تشرح أصل الأرض . الخلق كما يرويه التفسير
+    الحرفي لسفر التكوين التوراتي .
+- source_sentence: ما هي صمامات الفراشة المستخدمة
+  sentences:
+  - سوف يتصل بك المختبر قائلا إن الأنبوب لم يكن ممتلئا وستتساءل عن السبب . تختلف إبر
+    الفراشة لجمع الدم عن إبر الفراشة للوريد في أنها تحتوي على إبرة مغطاة بالغمد في
+    النهاية حتى تتمكن من إرفاقها بحامل الفراغ وثقب الأنابيب .
+  - 1 قم دائما بشحن جهازك قبل مغادرة المنزل ، خاصة في الرحلات الطويلة . 2 أحضر الشاحن
+    معك إذا كنت ستغادر طوال الليل أو لفترة طويلة . 3 بينما من المقرر أن تدوم بطارية
+    iPad حتى 10 ساعات ، فإن الاستخدام المتكرر سيقصر هذا الوقت بشكل كبير . كيفية إطالة
+    عمر بطارية جهاز iPad . تماما كما هو الحال مع iPhone أو iPod Touch ، سيكون عمر
+    بطارية iPad أقصر أثناء الاستخدام الكثيف . ومع ذلك ، هناك بعض الإجراءات التي يمكنك
+    اتخاذها للحفاظ على جهازك قيد التشغيل ونشطا لساعات من الاستمتاع ، وتوضح هذه المقالة
+    ما يمكنك القيام به لإطالة عمر البطارية .
+  - صمامات AWWA الفراشة عبارة عن صمامات سريعة الفتح تتكون من قرص دائري معدني أو ريشة
+    مع محاورها المحورية بزوايا قائمة لاتجاه التدفق في الأنبوب ، والتي عند تدويرها
+    على عمود ، تسد المقاعد في جسم الصمام . تستخدم عادة كصمامات خنق للتحكم في التدفق
+    .
+- source_sentence: ما هو طلاء تمبرا
+  sentences:
+  - يحفظ . غالبا ما يشار إليه باسم طلاء الملصقات ، وهو عبارة عن صبغة مائية ممزوجة
+    بعامل ربط كيميائي . يستخدم على نطاق واسع لمشاريع الأطفال والحرف اليدوية بسبب مرونته
+    وألوانه الزاهية وسهولة استخد��مه . يتوفر طلاء تمبرا أيضا في مسحوق ، والذي يصبح
+    جاهزا للطلاء عند مزجه بالماء .
+  - يتم تحديث ألوان الطلاء الأكثر مبيعا لدينا يوميا لمنحك أحدث اتجاهات ألوان الطلاء
+    . تحقق من ألوان الطلاء الأكثر شيوعا لدينا وابحث عن اللون المناسب لك . يتم تحديث
+    ألوان الطلاء الأكثر مبيعا لدينا يوميا لمنحك أحدث اتجاهات ألوان الطلاء . تحقق من
+    ألوان الطلاء الأكثر شيوعا لدينا وابحث عن اللون المناسب لك .
+  - 'لغة إجرائية . تم التحديث : 04 - 26 - 2017 بواسطة . اللغة الإجرائية هي لغة برمجة
+    كمبيوتر تتبع بالترتيب مجموعة من الأوامر . من أمثلة اللغات الإجرائية للكمبيوتر
+    BASIC و C و FORTRAN و Pascal . شروط البرمجة'
+- source_sentence: تحديد المسح
+  sentences:
+  - المسح أو مسح الأراضي هو تقنية ومهنة وعلم تحديد المواقع الأرضية أو ثلاثية الأبعاد
+    للنقاط والمسافات والزوايا بينها . يطلق على أخصائي مسح الأراضي اسم مساح الأراضي
+    .
+  - جمعية إعادة تأهيل العظام ( ORA ) هي فريق من المتخصصين في العلاج الطبيعي في كولورادو
+    سبرينغز . سيساعدك هؤلاء المتخصصون في التغلب على القيود الجسدية لمساعدتك على العودة
+    إلى أعلى مستوى ممكن من الوظائف .
+  - إجمالي المحطات . تعد المحطات الإجمالية واحدة من أكثر أدوات المسح شيوعا المستخدمة
+    اليوم . وهي تتألف من جهاز ثيودوليت إلكتروني ومكون إلكتروني لقياس المسافة ( EDM
+    ) . تتوفر أيضا محطات روبوتية كاملة تتيح التشغيل لشخص واحد من خلال التحكم في الجهاز
+    باستخدام جهاز التحكم عن بعد . تاريخ
+model-index:
+- name: SentenceTransformer based on abdoelsayed/AraDPR
+  results:
+  - task:
+      type: reranking
+      name: Reranking
+    dataset:
+      name: Unknown
+      type: unknown
+    metrics:
+    - type: map
+      value: 0.5469561036637695
+      name: Map
+    - type: mrr@10
+      value: 0.5489391534391534
+      name: Mrr@10
+    - type: ndcg@10
+      value: 0.6230636076274872
+      name: Ndcg@10
+---
+
+# SentenceTransformer based on abdoelsayed/AraDPR
+
+This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [abdoelsayed/AraDPR](https://huggingface.co/abdoelsayed/AraDPR). 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:** [abdoelsayed/AraDPR](https://huggingface.co/abdoelsayed/AraDPR) <!-- at revision b5655f33f56d0d301dd6950872898bc45867807b -->
+- **Maximum Sequence Length:** 512 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': 512, 'do_lower_case': False}) with Transformer model: BertModel 
+  (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("hatemestinbejaia/KDAraDPR2_initialversion0")
+# Run inference
+sentences = [
+    'تحديد المسح',
+    'المسح أو مسح الأراضي هو تقنية ومهنة وعلم تحديد المواقع الأرضية أو ثلاثية الأبعاد للنقاط والمسافات والزوايا بينها . يطلق على أخصائي مسح الأراضي اسم مساح الأراضي .',
+    'إجمالي المحطات . تعد المحطات الإجمالية واحدة من أكثر أدوات المسح شيوعا المستخدمة اليوم . وهي تتألف من جهاز ثيودوليت إلكتروني ومكون إلكتروني لقياس المسافة ( EDM ) . تتوفر أيضا محطات روبوتية كاملة تتيح التشغيل لشخص واحد من خلال التحكم في الجهاز باستخدام جهاز التحكم عن بعد . تاريخ',
+]
+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
+
+#### Reranking
+
+* Evaluated with [<code>RerankingEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.RerankingEvaluator)
+
+| Metric  | Value     |
+|:--------|:----------|
+| **map** | **0.547** |
+| mrr@10  | 0.5489    |
+| ndcg@10 | 0.6231    |
+
+<!--
+## 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 Hyperparameters
+#### Non-Default Hyperparameters
+
+- `eval_strategy`: steps
+- `per_device_train_batch_size`: 16
+- `gradient_accumulation_steps`: 8
+- `learning_rate`: 7e-05
+- `warmup_ratio`: 0.07
+- `fp16`: True
+- `half_precision_backend`: amp
+- `load_best_model_at_end`: True
+- `fp16_backend`: amp
+
+#### 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`: 16
+- `per_device_eval_batch_size`: 8
+- `per_gpu_train_batch_size`: None
+- `per_gpu_eval_batch_size`: None
+- `gradient_accumulation_steps`: 8
+- `eval_accumulation_steps`: None
+- `torch_empty_cache_steps`: None
+- `learning_rate`: 7e-05
+- `weight_decay`: 0.0
+- `adam_beta1`: 0.9
+- `adam_beta2`: 0.999
+- `adam_epsilon`: 1e-08
+- `max_grad_norm`: 1.0
+- `num_train_epochs`: 3
+- `max_steps`: -1
+- `lr_scheduler_type`: linear
+- `lr_scheduler_kwargs`: {}
+- `warmup_ratio`: 0.07
+- `warmup_steps`: 0
+- `log_level`: passive
+- `log_level_replica`: warning
+- `log_on_each_node`: True
+- `logging_nan_inf_filter`: True
+- `save_safetensors`: True
+- `save_on_each_node`: False
+- `save_only_model`: False
+- `restore_callback_states_from_checkpoint`: False
+- `no_cuda`: False
+- `use_cpu`: False
+- `use_mps_device`: False
+- `seed`: 42
+- `data_seed`: None
+- `jit_mode_eval`: False
+- `use_ipex`: False
+- `bf16`: False
+- `fp16`: True
+- `fp16_opt_level`: O1
+- `half_precision_backend`: amp
+- `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`: amp
+- `push_to_hub_model_id`: None
+- `push_to_hub_organization`: None
+- `mp_parameters`: 
+- `auto_find_batch_size`: False
+- `full_determinism`: False
+- `torchdynamo`: None
+- `ray_scope`: last
+- `ddp_timeout`: 1800
+- `torch_compile`: False
+- `torch_compile_backend`: None
+- `torch_compile_mode`: None
+- `dispatch_batches`: None
+- `split_batches`: None
+- `include_tokens_per_second`: False
+- `include_num_input_tokens_seen`: False
+- `neftune_noise_alpha`: None
+- `optim_target_modules`: None
+- `batch_eval_metrics`: False
+- `eval_on_start`: False
+- `use_liger_kernel`: False
+- `eval_use_gather_object`: False
+- `batch_sampler`: batch_sampler
+- `multi_dataset_batch_sampler`: proportional
+
+</details>
+
+### Training Logs
+| Epoch     | Step      | Training Loss | loss      | map        |
+|:---------:|:---------:|:-------------:|:---------:|:----------:|
+| 0.0512    | 2000      | 0.0019        | 0.0045    | 0.4548     |
+| 0.1024    | 4000      | 0.0011        | 0.0039    | 0.4988     |
+| 0.1536    | 6000      | 0.001         | 0.0034    | 0.4871     |
+| 0.2048    | 8000      | 0.0009        | 0.0032    | 0.4811     |
+| 0.256     | 10000     | 0.0009        | 0.0032    | 0.4641     |
+| 0.3072    | 12000     | 0.0008        | 0.0028    | 0.4540     |
+| 0.3584    | 14000     | 0.0007        | 0.0027    | 0.4918     |
+| 0.4096    | 16000     | 0.0007        | 0.0024    | 0.5039     |
+| 0.4608    | 18000     | 0.0006        | 0.0024    | 0.5051     |
+| 0.512     | 20000     | 0.0006        | 0.0021    | 0.4772     |
+| 0.5632    | 22000     | 0.0006        | 0.0021    | 0.5110     |
+| 0.6144    | 24000     | 0.0005        | 0.0020    | 0.5286     |
+| 0.6656    | 26000     | 0.0005        | 0.0020    | 0.5217     |
+| 0.7168    | 28000     | 0.0005        | 0.0018    | 0.5193     |
+| 0.768     | 30000     | 0.0005        | 0.0018    | 0.5152     |
+| 0.8192    | 32000     | 0.0005        | 0.0017    | 0.5322     |
+| 0.8704    | 34000     | 0.0004        | 0.0016    | 0.5296     |
+| 0.9216    | 36000     | 0.0004        | 0.0016    | 0.5266     |
+| 0.9728    | 38000     | 0.0004        | 0.0015    | 0.5244     |
+| 1.024     | 40000     | 0.0004        | 0.0014    | 0.5251     |
+| 1.0752    | 42000     | 0.0003        | 0.0014    | 0.5202     |
+| 1.1264    | 44000     | 0.0003        | 0.0014    | 0.5089     |
+| 1.1776    | 46000     | 0.0003        | 0.0013    | 0.5030     |
+| 1.2288    | 48000     | 0.0003        | 0.0013    | 0.5184     |
+| 1.28      | 50000     | 0.0003        | 0.0012    | 0.5267     |
+| 1.3312    | 52000     | 0.0003        | 0.0012    | 0.5386     |
+| 1.3824    | 54000     | 0.0003        | 0.0012    | 0.5254     |
+| 1.4336    | 56000     | 0.0003        | 0.0012    | 0.5378     |
+| 1.4848    | 58000     | 0.0003        | 0.0011    | 0.5324     |
+| 1.536     | 60000     | 0.0003        | 0.0011    | 0.5364     |
+| 1.5872    | 62000     | 0.0003        | 0.0011    | 0.5412     |
+| 1.6384    | 64000     | 0.0003        | 0.0010    | 0.5339     |
+| 1.6896    | 66000     | 0.0003        | 0.0010    | 0.5452     |
+| 1.7408    | 68000     | 0.0003        | 0.0010    | 0.5557     |
+| **1.792** | **70000** | **0.0002**    | **0.001** | **0.5619** |
+| 1.8432    | 72000     | 0.0002        | 0.0010    | 0.5512     |
+| 1.8944    | 74000     | 0.0002        | 0.0010    | 0.5434     |
+| 1.9456    | 76000     | 0.0002        | 0.0009    | 0.5367     |
+| 1.9968    | 78000     | 0.0002        | 0.0009    | 0.5497     |
+| 2.048     | 80000     | 0.0002        | 0.0009    | 0.5459     |
+| 2.0992    | 82000     | 0.0002        | 0.0009    | 0.5616     |
+| 2.1504    | 84000     | 0.0002        | 0.0009    | 0.5573     |
+| 2.2016    | 86000     | 0.0002        | 0.0009    | 0.5526     |
+| 2.2528    | 88000     | 0.0002        | 0.0008    | 0.5557     |
+| 2.304     | 90000     | 0.0002        | 0.0008    | 0.5470     |
+
+* The bold row denotes the saved checkpoint.
+
+### Framework Versions
+- Python: 3.11.9
+- Sentence Transformers: 3.1.1
+- Transformers: 4.45.2
+- PyTorch: 2.4.1+cu121
+- Accelerate: 1.2.0
+- Datasets: 3.0.1
+- Tokenizers: 0.20.1
+
+## 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",
+}
+```
+
+#### MarginMSELoss
+```bibtex
+@misc{hofstätter2021improving,
+    title={Improving Efficient Neural Ranking Models with Cross-Architecture Knowledge Distillation},
+    author={Sebastian Hofstätter and Sophia Althammer and Michael Schröder and Mete Sertkan and Allan Hanbury},
+    year={2021},
+    eprint={2010.02666},
+    archivePrefix={arXiv},
+    primaryClass={cs.IR}
+}
+```
+
+<!--
+## 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 +1,32 @@
+{
+  "_name_or_path": "abdoelsayed/AraDPR",
+  "architectures": [
+    "BertModel"
+  ],
+  "attention_probs_dropout_prob": 0.1,
+  "classifier_dropout": null,
+  "directionality": "bidi",
+  "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-12,
+  "max_position_embeddings": 512,
+  "model_type": "bert",
+  "num_attention_heads": 12,
+  "num_hidden_layers": 12,
+  "pad_token_id": 0,
+  "pooler_fc_size": 768,
+  "pooler_num_attention_heads": 12,
+  "pooler_num_fc_layers": 3,
+  "pooler_size_per_head": 128,
+  "pooler_type": "first_token_transform",
+  "position_embedding_type": "absolute",
+  "torch_dtype": "float32",
+  "transformers_version": "4.45.2",
+  "type_vocab_size": 2,
+  "use_cache": true,
+  "vocab_size": 119547
+}

config_sentence_transformers.json

@@ -0,0 +1,10 @@
+{
+  "__version__": {
+    "sentence_transformers": "3.1.1",
+    "transformers": "4.45.2",
+    "pytorch": "2.4.1+cu121"
+  },
+  "prompts": {},
+  "default_prompt_name": null,
+  "similarity_fn_name": null
+}

model.safetensors

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:794ff856182e03f1f2034c51c186ba0e80bd0d648cacd8583889ce45e2755ebb
+size 711436136

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": 512,
+  "do_lower_case": false
+}

special_tokens_map.json

@@ -0,0 +1,7 @@
+{
+  "cls_token": "[CLS]",
+  "mask_token": "[MASK]",
+  "pad_token": "[PAD]",
+  "sep_token": "[SEP]",
+  "unk_token": "[UNK]"
+}

tokenizer_config.json

@@ -0,0 +1,57 @@
+{
+  "added_tokens_decoder": {
+    "0": {
+      "content": "[PAD]",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "100": {
+      "content": "[UNK]",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "101": {
+      "content": "[CLS]",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "102": {
+      "content": "[SEP]",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "103": {
+      "content": "[MASK]",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    }
+  },
+  "clean_up_tokenization_spaces": true,
+  "cls_token": "[CLS]",
+  "do_basic_tokenize": true,
+  "do_lower_case": true,
+  "mask_token": "[MASK]",
+  "model_max_length": 512,
+  "never_split": null,
+  "pad_token": "[PAD]",
+  "sep_token": "[SEP]",
+  "strip_accents": null,
+  "tokenize_chinese_chars": true,
+  "tokenizer_class": "BertTokenizer",
+  "unk_token": "[UNK]"
+}