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
+}

2_Dense/config.json

@@ -0,0 +1,6 @@
+{
+    "in_features": 768,
+    "out_features": 3072,
+    "bias": false,
+    "activation_function": "torch.nn.modules.linear.Identity"
+}

2_Dense/model.safetensors

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:801a489820b652e8b663a7eec9ea81820aebaa640ca2bd39bc0f73ad7f740baf
+size 9437272

3_Dense/config.json

@@ -0,0 +1,6 @@
+{
+    "in_features": 3072,
+    "out_features": 768,
+    "bias": false,
+    "activation_function": "torch.nn.modules.linear.Identity"
+}

3_Dense/model.safetensors

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:7c6c173a345c1619223b163593d162c2b70a5c040a186cc399daa48c04b438a0
+size 9437272

README.md

@@ -0,0 +1,769 @@
+---
+language:
+- vi
+tags:
+- sentence-transformers
+- sentence-similarity
+- feature-extraction
+- dense
+- generated_from_trainer
+- dataset_size:9590
+- loss:CachedMultipleNegativesRankingLoss
+base_model: google/embeddinggemma-300m
+widget:
+- source_sentence: Phẫu thuật cắt lách được xem là phương pháp điều trị bậc hai cho
+    AIHA ấm trong những trường hợp nào?
+  sentences:
+  - 'Viêm não do kháng thể kháng thụ thể NMDA có thể liên quan đến một khối u, thường
+    là u quái của buồng trứng (khối u này có thể chứa nhiều loại mô cơ thể khác nhau
+    bao gồm cả mô não). Ở nam giới có thể gặp U tinh hoàn. Các loại khối u khác có
+    liên quan đến viêm não kháng thể thụ thể NMDA bao gồm ung thư phổi, khối u của
+    tuyến giáp, ung thư vú, ung thư ruột kết và u nguyên bào thần kinh.Vai trò của
+    khối u trong sự phát triển của bệnh viêm não kháng thể kháng thụ thể NMDA vẫn
+    chưa được hiểu đầy đủ. Tuy nhiên, tất cả các khối u liên quan đến viêm não kháng
+    thể kháng thụ thể NMDA đều chứa mô thần kinh (mô chứa các tế bào giống hệt với
+    các tế bào được tìm thấy trong não) và các thụ thể NMDA. Người ta cho rằng ban
+    đầu các kháng thể được hình thành để chống lại các thụ thể NMDA có trong khối
+    u và sau đó chúng tấn công các thụ thể trông tương tự trong não, tạo ra các triệu
+    chứng và dấu hiệu liên quan đến viêm não kháng thể kháng thụ thể NMDA.Nếu khối
+    u được tìm thấy, việc loại bỏ khối u là một phần quan trọng trong điều trị viêm
+    não kháng thể kháng thụ thể NMDA. Những bệnh nhân được loại bỏ khối u hồi phục
+    nhanh hơn và ít có khả năng bị tái phát hơn so với những bệnh nhân không được
+    tìm thấy khối u. Tất cả bệnh nhân nghi ngờ viêm não do thụ thể NMDA nên được kiểm
+    tra sự hiện diện của khối u. Nên thực hiện phương pháp chẩn đoán hình ảnh (cắt
+    lớp vi tính hoặc cộng hưởng từ) ngực, bụng và xương chậu.... Ở phụ nữ cũng nên
+    siêu âm buồng trứng, và nam giới nên siêu âm tinh hoàn. Ngay cả khi đã được cắt
+    bỏ, các khối u vẫn có thể tái phát.Vì vậy, những người bị viêm não kháng thể kháng
+    thụ thể NMDA nên được kiểm tra định kỳ về sự hiện diện (hoặc tái phát) của các
+    khối u.
+
+
+    Ung thư vú có mối liên quan đến viêm não kháng thể thụ thể NMDA
+
+
+    Ở nhiều người bị viêm não kháng thể kháng thụ thể NMDA mà không tìm thấy khối
+    u (do khối u quá nhỏ không thể phát hiện được bằng kỹ thuật hình ảnh hay khối
+    u đã bị tiêu diệt bởi hệ thống miễn dịch hoặc không có khối u), được cho là không
+    rõ nguyên nhân.'
+  - Khi được điều trị bằng liệu pháp bộ ba - clarithromycin, amoxicillin và omeprazole
+    - để diệt trừ H. pylori, những bệnh nhân bị thiếu máu ác tính trước đó đã có được
+    mức vitamin B12 thỏa đáng, với mức sắt trung bình là 262,5 ± 100,0 pg / mL trong
+    số những người nhiễm H. pylori chống lại 378,2 ± 160,6 pg / mL ở nhóm H. pylori-đồng
+    âm, thể hiện sự khác biệt 30,6% giữa các nhóm đó, với giá trị P là 0,001.
+  - Phẫu thuật cắt lách thường được cho là phương pháp điều trị bậc hai cho AIHA ấm,
+    được đề xuất cho bệnh nhân không đáp ứng hoặc không dung nạp corticosteroid, ở
+    những người cần liều prednisone duy trì hàng ngày lớn hơn 10 mg và ở những người
+    bị tái phát nhiều lần.
+- source_sentence: Khi nào cần chụp MRI?
+  sentences:
+  - Hơn 60 triệu bệnh nhân được chẩn đoán bằng hình ảnh chụp MRI (Chụp cộng hưởng
+    từ) được thực hiện mỗi năm trên toàn thế giới. Kể từ khi phát triển vào những
+    năm 1970, MRI đã tạo ra cuộc cách mạng trong chẩn đoán hình ảnh y học, cung cấp
+    một phương pháp chẩn đoán không xâm lấn để kiểm tra bên trong cơ thể con người
+    một cách chi tiết mà không cần sử dụng phóng xạ.Bằng cách cho các nguyên tử Hydro
+    trong cơ thể tiếp xúc với từ trường, MRI có thể kiểm soát hướng và đo tần số mà
+    các proton hydro chuyển động. Một xung tần số vô tuyến (RF) đặc trưng cho cộng
+    hưởng tử của nguyên tử Hydro được hướng vào khu vực nơi có cơ quan trong cơ thể
+    mà bác sĩ muốn kiểm tra. Hình ảnh chi tiết các cơ quan có thể được thể hiện trên
+    màn hình, cung cấp cho các bác sĩ có nhiều hướng nhìn và góc độ khác nhau những
+    tổn thương có thể thấy ở cơ quan được chụp MRI.MRI thường được bác sĩ chỉ định
+    chụp MRI để biết thêm chi tiết hoặc nguyên nhân của các triệu chứng không rõ ràng
+    trên các loại hình ảnh khác, chẳng hạn như siêu âm, chụp X-quang hay chụp cắt
+    lớp vi tính. Chụp MRI có thể giúp chẩn đoán các bệnh về não, cột sống, xương,
+    bụng và các mô mềm.Ví dụ, MRI rất tốt trong chẩn đoán và theo dõi nhiều tình trạng
+    thần kinh, chẳng hạn như bệnh đa xơ cứng, nhiễm trùng, khối u não, não úng thủy,
+    bất thường mạch máu bao gồm đột quỵ cấp tính và chảy máu nội sọ, và để đánh giá
+    quỹ đạo và tuyến yên. Chụp MRI cũng rất hữu ích để chẩn đoán bất thường tủy sống,
+    bao gồm hủy myelination, khối u, hoặc thoát vị đĩa đệm và thay đổi thoái hóa.Chụp
+    MRI cho phép bác sĩ của bạn nhìn thấy các cơ quan, xương và các mô bên trong cơ
+    thể bạn mà không phải phẫu thuật. Phương pháp này có thể giúp chẩn đoán bệnh hoặc
+    chấn thương.Bạn có thể cần chụp MRI nếu chụp X-quang và chụp cắt lớp vi tính chưa
+    cung cấp đủ thông tin về tình trạng sức khoẻ của các cơ quan trong cơ thể. MRI
+    cũng rất hữu ích cho bác sĩ lựa chọn được phương pháp điều trị phù hợp và hiệu
+    quả với tình trạng bệnh.
+  - 'Mức độ vừa phải:Để phẫu thuật cắt xương hàm hô móm, bác sĩ tiến hành cắt tiền
+    đình xương hàm dưới để đẩy lùi về phía sau sao cho hài hòa với hàm trên. Nhổ 2
+    răng số 4 và cắt ngách lợi qua 2 răng số 4 để xương hàm di chuyển sau đó cố định
+    vào sau phẫu thuật.
+
+    Mức độ nặng:Bác sĩ sẽ tiến hành phẫu thuật cắt xương hàm hô móm bằng phương pháp
+    BSSO không cần nhổ răng. Cắt 2 cành bên hàm dưới đẩy lùi về phía sau rồi nẹp cố
+    định hàm. Một vài trường hợp phức tạp hơn, do cả hàm trên và hàm dưới thì có thể
+    cắt cả 2 hàm mới chữa hô móm triệt để.'
+  - 'Quy trình siêu âm động mạch chủ bụng bao gồm các bước như sau:● Chuẩn bị đầu
+    dò siêu âm: Đầu dò convex đối với các bệnh nhân bình thường, và sử dụng tần số
+    cao đối với bệnh nhân gầy. Đầu dò tim dành cho bệnh nhân béo.● Bệnh nhân cần nhịn
+    ăn trước khi siêu âm. Tốt nhất nên siêu âm buổi sáng và không ăn sáng, đây là
+    thời điểm thích hợp nhất để siêu âm. Lưu ý hạn chế uống nước có gas trước khi
+    siêu âm.● Bệnh nhân nằm ngửa theo hướng dẫn của bác sĩ, tránh căng thẳng vùng
+    bụng dẫn đến căng cơ.Nếu trong trường hợp khó siêu âm, có thể bác sĩ thực hiện
+    sẽ yêu cầu bạn nằm nghiêng để thực hiện siêu âm.'
+- source_sentence: Việc bỏ bữa sáng có ảnh hưởng gì đến lượng đường trong máu và cơ
+    thể?
+  sentences:
+  - Các phương thức vật lý để điều trị thoái hóa khớp gối bao gồm vật lý trị liệu,
+    tập thể dục, giảm cân và sử dụng nẹp gối hoặc nẹp gót chân. Một đánh giá về các
+    can thiệp vật lý trị liệu cho bệnh nhân thoái hóa khớp gối kết luận rằng tập thể
+    dục và giảm cân giúp giảm đau, cải thiện chức năng thể chất. Bên cạnh đó, các
+    bài tập aerobic cường độ cao và thấp đều có hiệu quả như nhau trong việc cải thiện
+    tình trạng chức năng khớp gối, dáng đi và cơn đau.Song song đó, để phương pháp
+    điều trị thoái hóa khớp gối đạt hiệu quả, bác sĩ khuyến cáo người bệnh nên ngừng
+    bất kỳ hoạt động nào làm trầm trọng thêm tình trạng đau đầu gối. Có một số bằng
+    chứng cho thấy việc sử dụng nẹp gót chân bên làm giảm việc sử dụng thuốc chống
+    viêm không steroid (NSAID).
+  - Một số nghiên cứu nhỏ cho thấy rằng bỏ bữa sáng thực sự có thể dẫn đến kháng insulin
+    nhiều hơn. Đề kháng insulin là tình trạng cần nhiều insulin hơn để đưa lượng đường
+    trong máu về mức bình thường. Bỏ bữa sáng cũng có liên quan đến việc tăng lượng
+    đường trong máu sau cả bữa trưa và bữa tối. Điều này có thể gây căng thẳng quá
+    mức cho cơ thể cũng như dẫn đến việc lựa chọn chế độ ăn uống kém hiệu quả.
+  - Bên cạnh đó, bệnh phình động mạch máu não còn có thể làm tăng các nguy cơ liên
+    quan đến chứng co thắt động mạch não và dẫn đến đột quỵ. Một số biến chứng khác
+    bao gồm:Tràn dịch não, từ đó gây suy giảm lưu thông dịch não tủy.Hạ natri máu
+- source_sentence: Cấy chỉ là phương pháp gì và được phát triển từ kỹ thuật nào?
+  sentences:
+  - Theo quy trình siêu âm, bệnh nhân cần nhịn ăn ít nhất từ 6 đến 8 giờ trước khi
+    tiến hành siêu âm sỏi thận.Điều kiện lý tưởng nhất là siêu âm sỏi thận vào buổi
+    sáng khi bệnh nhân đã nhịn ăn từ chiều tối hôm trước. Nguyên nhân là do khi bệnh
+    nhân nhịn ăn như vậy thì thức ăn đã được tiêu hóa hết và tránh những ảnh ảo làm
+    ảnh hưởng đến kết quả siêu âm thận.Một yêu cầu khác cũng quan trọng không kém
+    là bệnh nhân cần uống nhiều nước kèm nhịn tiểu trước khi siêu âm. Nhịn tiểu sẽ
+    làm bàng quang căng to, giúp quan sát hình ảnh viên sỏi dễ dàng hơn do tương phản
+    giữa nước tiểu và viên sỏi là trái ngược nhau (viên sỏi có màu trắng còn nước
+    tiểu màu đen trên màn hình siêu âm).
+  - Cấy chỉ hay còn gọi là nhu châm, là một phương pháp được phát triển từ kỹ thuật
+    châm cứu, đã và đang được ứng dụng trong điều trị bệnh gout.
+  - Thông thường, sau điều trị lao khoảng 1 tháng dịch sẽ cải thiện nhiều, bạn nên
+    tái khám để đánh giá tình trạng bệnh của mình.
+- source_sentence: Hồi hải mã đóng vai trò gì trong khả năng ghi nhớ của con người,
+    đặc biệt là định hướng đường đi?
+  sentences:
+  - 'Phương pháp điều trị tăng tiết mồ hôi tùy thuộc vào nguyên nhân gây bệnh. Vì
+    vậy, việc quan trọng nhất là phải xác định được nguyên nhân gây mồ hôi tiết ra
+    nhiều. Đối với tăng tiết mồ hôi thứ phát do các bệnh lý khác cần được điều trị
+    dứt điểm tình trạng bệnh lý. Đối với tăng tiết mồ hôi nguyên phát do rối loạn
+    thần kinh thực vật có 4 phương pháp điều trị bao gồm:
+
+    2.1 Điều trị nội khoa
+
+    Có 2 loại thuốc được dùng để điều trị chứng mồ hôi tiết ra nhiều đó là thuốc bôi
+    ngoài da và thuốc kháng cholinergic dạng uống:Thuốc bôi: thuốc bôi là cách đơn
+    giản nhất để điều trị chứng ra mồ hôi tiết ra nhiều. Thông thường, các loại thuốc
+    bôi này sẽ chứa các thành phần như muối nhôm clorua, có tác dụng se khít lỗ chân
+    lông khiến mồ hôi không thể thoát ra bên ngoài. Tuy nhiên, do thuốc bôi này chỉ
+    có tác dụng tạm thời và chỉ thích hợp với những vùng da nhỏ như lòng bàn tay,
+    bàn chân và nách nên bạn phải dùng thường xuyên hàng ngày.Thuốc kháng cholinergic:
+    như glycopyrrolate, oxybutynin, propantheline,... có thể giúp làm giảm tiết mồ
+    hôi nhờ tác dụng ức chế hoạt động của hệ thần kinh giao cảm. Thuốc kháng cholinergic
+    có thể gây ra một số tác dụng phụ như: khô miệng, bí tiểu, táo bón, loạn nhịp
+    tim, mờ mắt,... Do đó, bạn chỉ nên sử dụng thuốc theo phác đồ điều trị và hướng
+    dẫn của bác sĩ.
+
+    2.2 Điện di ion
+
+    Phương pháp điện di ion thường được thực hiện để điều trị đổ mồ hôi tay và chân.
+    Khi thực hiện, bạn sẽ được ngâm bàn tay hoặc bàn chân vào một dung dịch điện ly
+    có dòng điện thấp chạy qua khoảng 10 miliampe trong khoảng thời gian từ 20 – 30
+    phút. Để việc điều trị có hiệu quả cao, bạn cần tiến hành thực hiện điện di ion
+    ít nhất 3 lần/tuần trong tháng đầu tiên, và những tháng tiếp theo có thể giảm
+    tần suất xuống thành 2 – 4 lần/tháng. Phương pháp điện di ion khá an toàn và có
+    thể có hiệu quả trong vòng 6 tháng điều trị, sau đó chứng tình trạng mồ hôi tiết
+    ra nhiều vẫn có thể tái phát. Ngoài ra, bạn cũng cần lưu ý là phương pháp điện
+    di ion không phù hợp dùng cho phụ nữ mang thai, người bệnh động kinh, người có
+    đặt máy tạo nhịp tim,...
+
+    2.3 Tiêm botox
+
+    Tiêm botox là một phương pháp thường được sử dụng để điều trị chứng đổ mồ hôi
+    ra nhiều ở lòng bàn tay, bàn chân và nách. Bác sĩ sẽ tiến hành tiêm nhiều mũi
+    botulinum dưới da nhằm ngăn chặn cơ thể giải phóng các chất dẫn truyền thần kinh
+    có thể kích thích tuyến mồ hôi tăng bài tiết. Tuy nhiên, tiêm botox có thể khiến
+    bạn gặp phải một số tác dụng không mong muốn như dị ứng da, buồn nôn, đau đầu,
+    giảm thị lực, sụp mí, bí tiểu, tim đập nhanh,...
+
+
+
+
+    Tiêm botox điều trị tăng tiết mồ hôi
+
+
+
+    2.4 Phẫu thuật
+
+    Cắt đốt hạch giao cảm là phương án được thực hiện cuối cùng nếu như những phương
+    pháp trên điều trị không có hiệu quả. Khi hạch giao cảm ở ngực bị cắt bỏ, mồ hôi
+    tay chân và nách sẽ không thể tiết ra được nữa. Tuy nhiên, sẽ có biến chứng đồ
+    mồ hôi bù trừ ở các bộ phận khác của cơ thể. Nhìn chung, dù phương pháp này có
+    thể điều trị triệt để nhưng có thể gây ra nhiều biến chứng như dị ứng thuốc gây
+    mê, nhiễm trùng sau mổ, hội chứng Horner gây sụp mí mắt,...Tóm lại, mồ hôi tiết
+    ra là tình trạng sinh lý rất tốt, giúp cơ thể điều hòa nhiệt độ và loại bỏ độc
+    tố ra khỏi cơ thể. Tuy nhiên, mồ hôi tiết ra nhiều có thể là do rối loạn thần
+    kinh thực vật hoặc là triệu chứng của một số bệnh lý như cường giáp, nhiễm độc,
+    rối loạn nội tiết,... Mồ hôi tiết ra nhiều không ảnh hưởng tới sức khỏe nhưng
+    tác động không nhỏ đến cuộc sống và công việc của bạn. Cách điều trị bệnh tăng
+    tiết mồ hôi phụ thuộc vào nguyên nhân gây nên. Tăng tiết mồ hôi thứ phát cần điều
+    trị dứt điểm các bệnh lý mắc phải. Đối với đổ mồ hôi nguyên phát do rối loạn thần
+    kinh thực vật sẽ được điều trị bằng phương pháp đốt hạch giao cảm.Tại Bệnh viện
+    Đa khoa Quốc tế Vinmec điều trị chứng đổ mồ hôi tay chân do rối loạn thần kinh
+    thực vật bằng phương pháp phẫu thuật nội soi cắt đốt hạch giao cảm, nhằm giảm
+    tăng tiết mồ hôi tay chân và được thực hiện bởi bác sĩ giàu kinh nghiệm cùng với
+    các trang thiết bị hiện đại. Người bệnh sẽ được tiến hành sàng lọc trước, phẫu
+    thuật và kiểm tra, theo dõi sau phẫu thuật theo phác đồ điều trị chuẩn Quốc tế.
+    Phẫu thuật trị đổ mồ hôi tay chân bằng phương pháp nội soi ngực đã cho kết quả
+    vượt trội: Có hiệu quả tức thì, phẫu thuật một lần cho tác dụng lâu dài, tính
+    thẩm mỹ cao, an toàn và thời gian nằm viện ngắn. Ưu điểm của phương pháp phẫu
+    thuật nội soi cắt hạch giao cảm là chi phí thấp, thời gian lưu viện ngắn, biểu
+    hiện chân tay khô hơn sau phẫu thuật, sinh hoạt trở lại sớm và thuận tiện cũng
+    như tăng sự tự tin cho người bệnh.'
+  - Cần lấy thai nhi ra trong thời gian dưới 10 phút thì gây mê toàn thân gần như
+    là lựa chọn bắt buộc.
+  - Hồi hải mã là một cấu trúc quan trọng của não bộ, có tác dụng cải thiện khả năng
+    ghi nhớ. Nó chứa các tế bào thần kinh đặc biệt được gọi là tế bào lưới, có vai
+    trò như một tấm bản đồ di động, giúp ghi nhớ những nơi bạn đã đến và con đường
+    bạn đã đi.Trong đó, các ô vị trí giúp xác định vị trí và các ô lưới giúp hình
+    thành mối quan hệ không gian giữa nơi này và nơi khác. Một nghiên cứu ở Anh cho
+    thấy kích thước hồi hải mã của các tài xế taxi lớn hơn nhiều so với người bình
+    thường.Mặc dù hai loại ghi nhớ song song tồn tại, nhưng bộ não mỗi người có xu
+    hướng chỉ thiên về một bên. Một số người giỏi trong việc điều hướng dựa vào các
+    sự vật trên đường đi. Ví dụ, những người này có thể nói “Tôi đến trạm xăng và
+    rẽ phải”. Trong khi đó, có những người có xu hướng dựa vào trí nhớ không gian
+    để định hướng. Họ có thể nói “Tôi sẽ đi 50m về phía bắc, sau đó 50m về phía đông”.Kỹ
+    năng định hướng, đặc biệt là trong việc tìm đường có thể luyện tập. Càng ra ngoài
+    và đi nhiều nơi thì khả năng định hướng sẽ càng tốt. Ngoài ra, bạn cũng nên kết
+    hợp với việc tập thể dục nhằm cải thiện lưu lượng máu đến não hoặc chơi các trò
+    chơi như xếp hình, học một ngôn ngữ mới để kích thích sự phát triển của các tế
+    bào thần kinh mới và tăng cường các kết nối thần kinh.
+datasets:
+- lqkhoi/viet_med_qa
+pipeline_tag: sentence-similarity
+library_name: sentence-transformers
+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
+model-index:
+- name: SentenceTransformer based on google/embeddinggemma-300m
+  results:
+  - task:
+      type: information-retrieval
+      name: Information Retrieval
+    dataset:
+      name: miriad eval 1kq 31kd
+      type: miriad-eval-1kq-31kd
+    metrics:
+    - type: cosine_accuracy@1
+      value: 0.6594746716697936
+      name: Cosine Accuracy@1
+    - type: cosine_accuracy@3
+      value: 0.851782363977486
+      name: Cosine Accuracy@3
+    - type: cosine_accuracy@5
+      value: 0.8864915572232646
+      name: Cosine Accuracy@5
+    - type: cosine_accuracy@10
+      value: 0.9221388367729831
+      name: Cosine Accuracy@10
+    - type: cosine_precision@1
+      value: 0.6594746716697936
+      name: Cosine Precision@1
+    - type: cosine_precision@3
+      value: 0.2839274546591619
+      name: Cosine Precision@3
+    - type: cosine_precision@5
+      value: 0.1772983114446529
+      name: Cosine Precision@5
+    - type: cosine_precision@10
+      value: 0.09221388367729831
+      name: Cosine Precision@10
+    - type: cosine_recall@1
+      value: 0.6594746716697936
+      name: Cosine Recall@1
+    - type: cosine_recall@3
+      value: 0.851782363977486
+      name: Cosine Recall@3
+    - type: cosine_recall@5
+      value: 0.8864915572232646
+      name: Cosine Recall@5
+    - type: cosine_recall@10
+      value: 0.9221388367729831
+      name: Cosine Recall@10
+    - type: cosine_ndcg@10
+      value: 0.8010890969651965
+      name: Cosine Ndcg@10
+    - type: cosine_mrr@10
+      value: 0.7611777450192088
+      name: Cosine Mrr@10
+    - type: cosine_map@100
+      value: 0.7639163051862724
+      name: Cosine Map@100
+  - task:
+      type: information-retrieval
+      name: Information Retrieval
+    dataset:
+      name: clean val only
+      type: clean-val-only
+    metrics:
+    - type: cosine_accuracy@1
+      value: 0.8470715835140998
+      name: Cosine Accuracy@1
+    - type: cosine_accuracy@3
+      value: 0.9327548806941431
+      name: Cosine Accuracy@3
+    - type: cosine_accuracy@5
+      value: 0.9544468546637744
+      name: Cosine Accuracy@5
+    - type: cosine_accuracy@10
+      value: 0.9772234273318872
+      name: Cosine Accuracy@10
+    - type: cosine_precision@1
+      value: 0.8470715835140998
+      name: Cosine Precision@1
+    - type: cosine_precision@3
+      value: 0.31091829356471434
+      name: Cosine Precision@3
+    - type: cosine_precision@5
+      value: 0.19088937093275488
+      name: Cosine Precision@5
+    - type: cosine_precision@10
+      value: 0.09772234273318874
+      name: Cosine Precision@10
+    - type: cosine_recall@1
+      value: 0.8470715835140998
+      name: Cosine Recall@1
+    - type: cosine_recall@3
+      value: 0.9327548806941431
+      name: Cosine Recall@3
+    - type: cosine_recall@5
+      value: 0.9544468546637744
+      name: Cosine Recall@5
+    - type: cosine_recall@10
+      value: 0.9772234273318872
+      name: Cosine Recall@10
+    - type: cosine_ndcg@10
+      value: 0.9150751567740095
+      name: Cosine Ndcg@10
+    - type: cosine_mrr@10
+      value: 0.8949312226698346
+      name: Cosine Mrr@10
+    - type: cosine_map@100
+      value: 0.8957443347412407
+      name: Cosine Map@100
+---
+
+# SentenceTransformer based on google/embeddinggemma-300m
+
+This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [google/embeddinggemma-300m](https://huggingface.co/google/embeddinggemma-300m) on the [viet_med_qa](https://huggingface.co/datasets/lqkhoi/viet_med_qa) dataset. 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:** [google/embeddinggemma-300m](https://huggingface.co/google/embeddinggemma-300m) <!-- at revision c5cfa06e5e282a820e85d57f7fb053207494f41d -->
+- **Maximum Sequence Length:** 2048 tokens
+- **Output Dimensionality:** 768 dimensions
+- **Similarity Function:** Cosine Similarity
+- **Training Dataset:**
+    - [viet_med_qa](https://huggingface.co/datasets/lqkhoi/viet_med_qa)
+- **Language:** vi
+<!-- - **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': 2048, 'do_lower_case': False, 'architecture': 'Gemma3TextModel'})
+  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
+  (2): Dense({'in_features': 768, 'out_features': 3072, 'bias': False, 'activation_function': 'torch.nn.modules.linear.Identity'})
+  (3): Dense({'in_features': 3072, 'out_features': 768, 'bias': False, 'activation_function': 'torch.nn.modules.linear.Identity'})
+  (4): Normalize()
+)
+```
+
+## 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("qnaug/embeddinggemma-300m-medical")
+# Run inference
+queries = [
+    "H\u1ed3i h\u1ea3i m\u00e3 \u0111\u00f3ng vai tr\u00f2 g\u00ec trong kh\u1ea3 n\u0103ng ghi nh\u1edb c\u1ee7a con ng\u01b0\u1eddi, \u0111\u1eb7c bi\u1ec7t l\u00e0 \u0111\u1ecbnh h\u01b0\u1edbng \u0111\u01b0\u1eddng \u0111i?",
+]
+documents = [
+    'Hồi hải mã là một cấu trúc quan trọng của não bộ, có tác dụng cải thiện khả năng ghi nhớ. Nó chứa các tế bào thần kinh đặc biệt được gọi là tế bào lưới, có vai trò như một tấm bản đồ di động, giúp ghi nhớ những nơi bạn đã đến và con đường bạn đã đi.Trong đó, các ô vị trí giúp xác định vị trí và các ô lưới giúp hình thành mối quan hệ không gian giữa nơi này và nơi khác. Một nghiên cứu ở Anh cho thấy kích thước hồi hải mã của các tài xế taxi lớn hơn nhiều so với người bình thường.Mặc dù hai loại ghi nhớ song song tồn tại, nhưng bộ não mỗi người có xu hướng chỉ thiên về một bên. Một số người giỏi trong việc điều hướng dựa vào các sự vật trên đường đi. Ví dụ, những người này có thể nói “Tôi đến trạm xăng và rẽ phải”. Trong khi đó, có những người có xu hướng dựa vào trí nhớ không gian để định hướng. Họ có thể nói “Tôi sẽ đi 50m về phía bắc, sau đó 50m về phía đông”.Kỹ năng định hướng, đặc biệt là trong việc tìm đường có thể luyện tập. Càng ra ngoài và đi nhiều nơi thì khả năng định hướng sẽ càng tốt. Ngoài ra, bạn cũng nên kết hợp với việc tập thể dục nhằm cải thiện lưu lượng máu đến não hoặc chơi các trò chơi như xếp hình, học một ngôn ngữ mới để kích thích sự phát triển của các tế bào thần kinh mới và tăng cường các kết nối thần kinh.',
+    'Phương pháp điều trị tăng tiết mồ hôi tùy thuộc vào nguyên nhân gây bệnh. Vì vậy, việc quan trọng nhất là phải xác định được nguyên nhân gây mồ hôi tiết ra nhiều. Đối với tăng tiết mồ hôi thứ phát do các bệnh lý khác cần được điều trị dứt điểm tình trạng bệnh lý. Đối với tăng tiết mồ hôi nguyên phát do rối loạn thần kinh thực vật có 4 phương pháp điều trị bao gồm:\n2.1 Điều trị nội khoa\nCó 2 loại thuốc được dùng để điều trị chứng mồ hôi tiết ra nhiều đó là thuốc bôi ngoài da và thuốc kháng cholinergic dạng uống:Thuốc bôi: thuốc bôi là cách đơn giản nhất để điều trị chứng ra mồ hôi tiết ra nhiều. Thông thường, các loại thuốc bôi này sẽ chứa các thành phần như muối nhôm clorua, có tác dụng se khít lỗ chân lông khiến mồ hôi không thể thoát ra bên ngoài. Tuy nhiên, do thuốc bôi này chỉ có tác dụng tạm thời và chỉ thích hợp với những vùng da nhỏ như lòng bàn tay, bàn chân và nách nên bạn phải dùng thường xuyên hàng ngày.Thuốc kháng cholinergic: như glycopyrrolate, oxybutynin, propantheline,... có thể giúp làm giảm tiết mồ hôi nhờ tác dụng ức chế hoạt động của hệ thần kinh giao cảm. Thuốc kháng cholinergic có thể gây ra một số tác dụng phụ như: khô miệng, bí tiểu, táo bón, loạn nhịp tim, mờ mắt,... Do đó, bạn chỉ nên sử dụng thuốc theo phác đồ điều trị và hướng dẫn của bác sĩ.\n2.2 Điện di ion\nPhương pháp điện di ion thường được thực hiện để điều trị đổ mồ hôi tay và chân. Khi thực hiện, bạn sẽ được ngâm bàn tay hoặc bàn chân vào một dung dịch điện ly có dòng điện thấp chạy qua khoảng 10 miliampe trong khoảng thời gian từ 20 – 30 phút. Để việc điều trị có hiệu quả cao, bạn cần tiến hành thực hiện điện di ion ít nhất 3 lần/tuần trong tháng đầu tiên, và những tháng tiếp theo có thể giảm tần suất xuống thành 2 – 4 lần/tháng. Phương pháp điện di ion khá an toàn và có thể có hiệu quả trong vòng 6 tháng điều trị, sau đó chứng tình trạng mồ hôi tiết ra nhiều vẫn có thể tái phát. Ngoài ra, bạn cũng cần lưu ý là phương pháp điện di ion không phù hợp dùng cho phụ nữ mang thai, người bệnh động kinh, người có đặt máy tạo nhịp tim,...\n2.3 Tiêm botox\nTiêm botox là một phương pháp thường được sử dụng để điều trị chứng đổ mồ hôi ra nhiều ở lòng bàn tay, bàn chân và nách. Bác sĩ sẽ tiến hành tiêm nhiều mũi botulinum dưới da nhằm ngăn chặn cơ thể giải phóng các chất dẫn truyền thần kinh có thể kích thích tuyến mồ hôi tăng bài tiết. Tuy nhiên, tiêm botox có thể khiến bạn gặp phải một số tác dụng không mong muốn như dị ứng da, buồn nôn, đau đầu, giảm thị lực, sụp mí, bí tiểu, tim đập nhanh,...\n\n\n\nTiêm botox điều trị tăng tiết mồ hôi\n\n\n2.4 Phẫu thuật\nCắt đốt hạch giao cảm là phương án được thực hiện cuối cùng nếu như những phương pháp trên điều trị không có hiệu quả. Khi hạch giao cảm ở ngực bị cắt bỏ, mồ hôi tay chân và nách sẽ không thể tiết ra được nữa. Tuy nhiên, sẽ có biến chứng đồ mồ hôi bù trừ ở các bộ phận khác của cơ thể. Nhìn chung, dù phương pháp này có thể điều trị triệt để nhưng có thể gây ra nhiều biến chứng như dị ứng thuốc gây mê, nhiễm trùng sau mổ, hội chứng Horner gây sụp mí mắt,...Tóm lại, mồ hôi tiết ra là tình trạng sinh lý rất tốt, giúp cơ thể điều hòa nhiệt độ và loại bỏ độc tố ra khỏi cơ thể. Tuy nhiên, mồ hôi tiết ra nhiều có thể là do rối loạn thần kinh thực vật hoặc là triệu chứng của một số bệnh lý như cường giáp, nhiễm độc, rối loạn nội tiết,... Mồ hôi tiết ra nhiều không ảnh hưởng tới sức khỏe nhưng tác động không nhỏ đến cuộc sống và công việc của bạn. Cách điều trị bệnh tăng tiết mồ hôi phụ thuộc vào nguyên nhân gây nên. Tăng tiết mồ hôi thứ phát cần điều trị dứt điểm các bệnh lý mắc phải. Đối với đổ mồ hôi nguyên phát do rối loạn thần kinh thực vật sẽ được điều trị bằng phương pháp đốt hạch giao cảm.Tại Bệnh viện Đa khoa Quốc tế Vinmec điều trị chứng đổ mồ hôi tay chân do rối loạn thần kinh thực vật bằng phương pháp phẫu thuật nội soi cắt đốt hạch giao cảm, nhằm giảm tăng tiết mồ hôi tay chân và được thực hiện bởi bác sĩ giàu kinh nghiệm cùng với các trang thiết bị hiện đại. Người bệnh sẽ được tiến hành sàng lọc trước, phẫu thuật và kiểm tra, theo dõi sau phẫu thuật theo phác đồ điều trị chuẩn Quốc tế. Phẫu thuật trị đổ mồ hôi tay chân bằng phương pháp nội soi ngực đã cho kết quả vượt trội: Có hiệu quả tức thì, phẫu thuật một lần cho tác dụng lâu dài, tính thẩm mỹ cao, an toàn và thời gian nằm viện ngắn. Ưu điểm của phương pháp phẫu thuật nội soi cắt hạch giao cảm là chi phí thấp, thời gian lưu viện ngắn, biểu hiện chân tay khô hơn sau phẫu thuật, sinh hoạt trở lại sớm và thuận tiện cũng như tăng sự tự tin cho người bệnh.',
+    'Cần lấy thai nhi ra trong thời gian dưới 10 phút thì gây mê toàn thân gần như là lựa chọn bắt buộc.',
+]
+query_embeddings = model.encode_query(queries)
+document_embeddings = model.encode_document(documents)
+print(query_embeddings.shape, document_embeddings.shape)
+# [1, 768] [3, 768]
+
+# Get the similarity scores for the embeddings
+similarities = model.similarity(query_embeddings, document_embeddings)
+print(similarities)
+# tensor([[0.6710, 0.0260, 0.0939]])
+```
+
+<!--
+### 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
+
+* Datasets: `miriad-eval-1kq-31kd` and `clean-val-only`
+* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
+
+| Metric              | miriad-eval-1kq-31kd | clean-val-only |
+|:--------------------|:---------------------|:---------------|
+| cosine_accuracy@1   | 0.6595               | 0.8471         |
+| cosine_accuracy@3   | 0.8518               | 0.9328         |
+| cosine_accuracy@5   | 0.8865               | 0.9544         |
+| cosine_accuracy@10  | 0.9221               | 0.9772         |
+| cosine_precision@1  | 0.6595               | 0.8471         |
+| cosine_precision@3  | 0.2839               | 0.3109         |
+| cosine_precision@5  | 0.1773               | 0.1909         |
+| cosine_precision@10 | 0.0922               | 0.0977         |
+| cosine_recall@1     | 0.6595               | 0.8471         |
+| cosine_recall@3     | 0.8518               | 0.9328         |
+| cosine_recall@5     | 0.8865               | 0.9544         |
+| cosine_recall@10    | 0.9221               | 0.9772         |
+| **cosine_ndcg@10**  | **0.8011**           | **0.9151**     |
+| cosine_mrr@10       | 0.7612               | 0.8949         |
+| cosine_map@100      | 0.7639               | 0.8957         |
+
+<!--
+## 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
+
+#### viet_med_qa
+
+* Dataset: [viet_med_qa](https://huggingface.co/datasets/lqkhoi/viet_med_qa) at [4d311bd](https://huggingface.co/datasets/lqkhoi/viet_med_qa/tree/4d311bd1270d3921c5fcdaf51c14fe57371880aa)
+* Size: 9,590 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: 7 tokens</li><li>mean: 20.09 tokens</li><li>max: 123 tokens</li></ul> | <ul><li>min: 8 tokens</li><li>mean: 200.26 tokens</li><li>max: 1868 tokens</li></ul> |
+* Samples:
+  | anchor                                                                        | positive                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                           |
+  |:------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
+  | <code>Nguyên nhân gây ra bệnh Wilson là gì?</code>                            | <code>Nguyên nhân bệnh Wilson là do di truyền gây tích tụ quá nhiều đồng trong cơ thể. Bệnh di truyền gen lặn trên nhiễm sắc thể thường. Điều này có nghĩa là trong bệnh Wilson, cơ thể phải nhận 2 gen ATP7B bất thường (1 từ cha và 1 từ mẹ). Đây là rối loạn di truyền hiếm gặp, chiếm tỷ lệ 1/30.000 người.Ở bệnh Wilson, một phần gen nằm trên nhiễm sắc thể số 13 không hoạt động, (ATP7B). Gen giúp kiểm soát việc thải đồng của tế bào gan vào mật. Tuy nhiên, do lỗi gen không hoạt động được nên đồng bị tích tụ trong tế bào gan, khi lượng đồng vượt quá mức, sẽ tràn vào máu và lắng đọng ở các cơ quan khác của cơ thể (não, mắt và các cơ quan khác).</code>                                                                        |
+  | <code>Phù bạch mạch là gì và cơ chế bệnh sinh của nó như thế nào?</code>      | <code>Phù bạch mạch (bạch mạch còn gọi là mạch bạch huyết) là sự tích tụ bệnh lý của dịch trong mô mềm do hậu quả của việc kém dẫn lưu bạch huyết, dẫn đến viêm, phì đại mô mỡ và xơ hóa. Phù bạch mạch xảy ra do sự tích tụ của dịch ở khoảng kẽ và hệ thống mạch bạch huyết trong da và mô dưới da. Điều này sau đó kích thích các nguyên bào sợi, tế bào sừng và tế bào mỡ, dẫn đến sự lắng đọng collagen và glycosaminoglycans trong da và mô dưới da, dẫn đến phì đại da và phá hủy các sợi đàn hồi.Theo truyền thống, nó được định nghĩa là phù khoảng kẽ và tích tụ protein do khiếm khuyết trong hệ thống dẫn lưu bạch huyết. Những phát hiện gần đây cho thấy nồng độ protein ở khoảng kẽ có thể thấp ở một số type phù bạch mạch.</code> |
+  | <code>Hạ phosphat máu cấp tính có thể xảy ra do những nguyên nhân nào?</code> | <code>Hạ phosphat máu xảy ra khi nồng độ phosphat huyết thanh dưới 2,5 mg/dL. Có nhiều nguyên nhân gây hạ phosphat máu cấp tính như:Toan ceton đái tháo đường;Nghiện rượu cấp tính;Bỏng nặng;Bệnh nhân nuôi dưỡng tĩnh mạch;Hội chứng gặp ở bệnh nhân suy dinh dưỡng kéo dài được nuôi ăn lại;Kiềm hô hấp nặng.Hạ phosphat máu có thể ở dạng cấp tính hoặc mãn tính. Đối với hạ phosphat máu cấp tính, phosphat huyết thanh sẽ giảm xuống dưới 1 mg/dL và thường chồng lấp với hạ phosphat mạn tính.</code>                                                                                                                                                                                                                                        |
+* Loss: [<code>CachedMultipleNegativesRankingLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#cachedmultiplenegativesrankingloss) with these parameters:
+  ```json
+  {
+      "scale": 20.0,
+      "similarity_fct": "cos_sim",
+      "mini_batch_size": 4,
+      "gather_across_devices": false
+  }
+  ```
+
+### Evaluation Dataset
+
+#### viet_med_qa
+
+* Dataset: [viet_med_qa](https://huggingface.co/datasets/lqkhoi/viet_med_qa) at [4d311bd](https://huggingface.co/datasets/lqkhoi/viet_med_qa/tree/4d311bd1270d3921c5fcdaf51c14fe57371880aa)
+* Size: 1,066 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: 19.71 tokens</li><li>max: 101 tokens</li></ul> | <ul><li>min: 11 tokens</li><li>mean: 192.08 tokens</li><li>max: 1643 tokens</li></ul> |
+* Samples:
+  | anchor                                                                                                                                      | positive                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                            |
+  |:--------------------------------------------------------------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
+  | <code>Vệ sinh bằng nước muối và băng keo có đảm bảo vệ sinh chống nhiễm trùng không?</code>                                                 | <code>Vệ sinh bằng nước muối và băng keo sẽ không đảm bảo yêu cầu vệ sinh chống nhiễm trùng tại chỗ xỏ khuyên và có thể dẫn đến nguy cơ nhiễm trùng máu (mặc dù thấp, tùy thuộc và tình trạng vết thương, sức đề kháng và bệnh nền nếu có...)</code>                                                                                                                                                                                                                                                                                                                                                                                                                                                                                |
+  | <code>Nêu một số biểu hiện lâm sàng thường gặp của chứng co cứng?</code>                                                                    | <code>Bệnh cảnh lâm sàng của co cứng có thể rất phong phú do các yếu tố khác nhau, một biểu hiện co cứng đầy đủ nhất theo thứ tự bao gồm: Tăng trương lực khi nghỉ xảy ra ở một số trường hợp. Đồng động (syncinésies): Co cơ không tự chủ kèm theo khi người bệnh làm các động tác có ý thức hay khi khám phản xạ gân cơ, bằng chứng cho thấy mất tính chọn lọc vận động hay tình trạng “ rối loạn ức chế ” các sợi Ia. Đa động: Hoạt động xen kẽ của các cơ chủ vận và đối vận. Tăng phản xạ gân xương: biểu hiện một phần của hội chứng tháp. Giảm khả năng vận động do liệt và rối loạn phối hợp điều khiển cơ</code>                                                                                                           |
+  | <code>Để đánh giá tình trạng chảy máu ở bệnh nhân điều trị thuốc kháng đông đường uống mới (NOAC), cần thực hiện những đánh giá nào?</code> | <code>Để điều trị thích hợp các biến chứng chảy máu do sử dụng NOACs thì việc đánh giá bệnh nhân rất quan trọng giúp phân độ nặng của chảy máu, tình trạng kháng đông hoặc bệnh nền chỉ định điều trị kháng đông. Các đánh giá ban đầu cần thiết ở bệnh nhân gồm:Đánh giá mức độ nghiêm trọng của chảy máu và độ tổn thương cầm máu, khai thác kỹ bệnh sử và các thuốc đang sử dụngMột chảy máu nặng là khi: Chảy máu ở các cơ quan quan trọng (não- màng cứng, màng tim, hốc mắt, khớp lớn,...), giảm Hg trên 2g, truyền trên 2 đơn vị máu hoặc phẫu thuật lớn, dùng thuốc vận mạchĐánh giá nguy cơ thuyên tắc nặng khi ngưng thuốc NOACsCó thể cần xét nghiệm đo lường hiệu quả kháng đông để kiểm tra hoạt tính của NOACs</code> |
+* Loss: [<code>CachedMultipleNegativesRankingLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#cachedmultiplenegativesrankingloss) with these parameters:
+  ```json
+  {
+      "scale": 20.0,
+      "similarity_fct": "cos_sim",
+      "mini_batch_size": 4,
+      "gather_across_devices": false
+  }
+  ```
+
+### Training Hyperparameters
+#### Non-Default Hyperparameters
+
+- `eval_strategy`: steps
+- `per_device_train_batch_size`: 16
+- `per_device_eval_batch_size`: 16
+- `learning_rate`: 2e-05
+- `warmup_ratio`: 0.1
+- `fp16`: True
+- `batch_sampler`: no_duplicates
+
+#### 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`: 16
+- `per_gpu_train_batch_size`: None
+- `per_gpu_eval_batch_size`: None
+- `gradient_accumulation_steps`: 1
+- `eval_accumulation_steps`: None
+- `torch_empty_cache_steps`: None
+- `learning_rate`: 2e-05
+- `weight_decay`: 0.0
+- `adam_beta1`: 0.9
+- `adam_beta2`: 0.999
+- `adam_epsilon`: 1e-08
+- `max_grad_norm`: 1.0
+- `num_train_epochs`: 3
+- `max_steps`: -1
+- `lr_scheduler_type`: linear
+- `lr_scheduler_kwargs`: {}
+- `warmup_ratio`: 0.1
+- `warmup_steps`: 0
+- `log_level`: passive
+- `log_level_replica`: warning
+- `log_on_each_node`: True
+- `logging_nan_inf_filter`: True
+- `save_safetensors`: True
+- `save_on_each_node`: False
+- `save_only_model`: False
+- `restore_callback_states_from_checkpoint`: False
+- `no_cuda`: False
+- `use_cpu`: False
+- `use_mps_device`: False
+- `seed`: 42
+- `data_seed`: None
+- `jit_mode_eval`: False
+- `use_ipex`: False
+- `bf16`: False
+- `fp16`: True
+- `fp16_opt_level`: O1
+- `half_precision_backend`: auto
+- `bf16_full_eval`: False
+- `fp16_full_eval`: False
+- `tf32`: None
+- `local_rank`: 0
+- `ddp_backend`: None
+- `tpu_num_cores`: None
+- `tpu_metrics_debug`: False
+- `debug`: []
+- `dataloader_drop_last`: False
+- `dataloader_num_workers`: 0
+- `dataloader_prefetch_factor`: None
+- `past_index`: -1
+- `disable_tqdm`: False
+- `remove_unused_columns`: True
+- `label_names`: None
+- `load_best_model_at_end`: False
+- `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}
+- `parallelism_config`: 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`: None
+- `hub_always_push`: False
+- `hub_revision`: None
+- `gradient_checkpointing`: False
+- `gradient_checkpointing_kwargs`: None
+- `include_inputs_for_metrics`: False
+- `include_for_metrics`: []
+- `eval_do_concat_batches`: True
+- `fp16_backend`: auto
+- `push_to_hub_model_id`: None
+- `push_to_hub_organization`: None
+- `mp_parameters`: 
+- `auto_find_batch_size`: False
+- `full_determinism`: False
+- `torchdynamo`: None
+- `ray_scope`: last
+- `ddp_timeout`: 1800
+- `torch_compile`: False
+- `torch_compile_backend`: None
+- `torch_compile_mode`: None
+- `include_tokens_per_second`: False
+- `include_num_input_tokens_seen`: False
+- `neftune_noise_alpha`: None
+- `optim_target_modules`: None
+- `batch_eval_metrics`: False
+- `eval_on_start`: False
+- `use_liger_kernel`: False
+- `liger_kernel_config`: None
+- `eval_use_gather_object`: False
+- `average_tokens_across_devices`: False
+- `prompts`: None
+- `batch_sampler`: no_duplicates
+- `multi_dataset_batch_sampler`: proportional
+- `router_mapping`: {}
+- `learning_rate_mapping`: {}
+
+</details>
+
+### Training Logs
+| Epoch  | Step | Training Loss | Validation Loss | miriad-eval-1kq-31kd_cosine_ndcg@10 | clean-val-only_cosine_ndcg@10 |
+|:------:|:----:|:-------------:|:---------------:|:-----------------------------------:|:-----------------------------:|
+| 0.1667 | 100  | 1.0212        | 0.2408          | -                                   | -                             |
+| 0.3333 | 200  | 0.1305        | 0.1251          | -                                   | -                             |
+| 0.5    | 300  | 0.0833        | 0.1088          | -                                   | -                             |
+| 0.6667 | 400  | 0.0787        | 0.0978          | -                                   | -                             |
+| 0.8333 | 500  | 0.0651        | 0.0950          | -                                   | -                             |
+| 1.0    | 600  | 0.0565        | 0.0888          | -                                   | -                             |
+| 1.1667 | 700  | 0.0517        | 0.0834          | -                                   | -                             |
+| 1.3333 | 800  | 0.0231        | 0.0917          | -                                   | -                             |
+| 1.5    | 900  | 0.0382        | 0.0850          | -                                   | -                             |
+| 1.6667 | 1000 | 0.0432        | 0.0750          | -                                   | -                             |
+| 1.8333 | 1100 | 0.0421        | 0.0710          | -                                   | -                             |
+| 2.0    | 1200 | 0.043         | 0.0691          | -                                   | -                             |
+| 2.1667 | 1300 | 0.0243        | 0.0651          | -                                   | -                             |
+| 2.3333 | 1400 | 0.0258        | 0.0673          | -                                   | -                             |
+| 2.5    | 1500 | 0.0181        | 0.0647          | -                                   | -                             |
+| 2.6667 | 1600 | 0.0257        | 0.0655          | -                                   | -                             |
+| 2.8333 | 1700 | 0.0206        | 0.0650          | -                                   | -                             |
+| 3.0    | 1800 | 0.0242        | 0.0650          | -                                   | -                             |
+| -1     | -1   | -             | -               | 0.8011                              | 0.9151                        |
+
+
+### Framework Versions
+- Python: 3.12.11
+- Sentence Transformers: 5.1.0
+- Transformers: 4.56.1
+- PyTorch: 2.8.0+cu126
+- Accelerate: 1.10.1
+- Datasets: 4.0.0
+- Tokenizers: 0.22.0
+
+## 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",
+}
+```
+
+#### CachedMultipleNegativesRankingLoss
+```bibtex
+@misc{gao2021scaling,
+    title={Scaling Deep Contrastive Learning Batch Size under Memory Limited Setup},
+    author={Luyu Gao and Yunyi Zhang and Jiawei Han and Jamie Callan},
+    year={2021},
+    eprint={2101.06983},
+    archivePrefix={arXiv},
+    primaryClass={cs.LG}
+}
+```
+
+<!--
+## 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.*
+-->

adapter_config.json

@@ -0,0 +1,39 @@
+{
+  "alpha_pattern": {},
+  "auto_mapping": null,
+  "base_model_name_or_path": "google/embeddinggemma-300m",
+  "bias": "none",
+  "corda_config": null,
+  "eva_config": null,
+  "exclude_modules": null,
+  "fan_in_fan_out": false,
+  "inference_mode": false,
+  "init_lora_weights": true,
+  "layer_replication": null,
+  "layers_pattern": null,
+  "layers_to_transform": null,
+  "loftq_config": {},
+  "lora_alpha": 64,
+  "lora_bias": false,
+  "lora_dropout": 0.0,
+  "megatron_config": null,
+  "megatron_core": "megatron.core",
+  "modules_to_save": null,
+  "peft_type": "LORA",
+  "qalora_group_size": 16,
+  "r": 8,
+  "rank_pattern": {},
+  "revision": null,
+  "target_modules": [
+    "o_proj",
+    "q_proj",
+    "k_proj",
+    "v_proj"
+  ],
+  "target_parameters": null,
+  "task_type": "FEATURE_EXTRACTION",
+  "trainable_token_indices": null,
+  "use_dora": false,
+  "use_qalora": false,
+  "use_rslora": false
+}

adapter_model.safetensors

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:53a3fef12e96be30581c24b79b4c0d91baa594902aef934e774128f1fd1e4cea
+size 3956016

added_tokens.json

@@ -0,0 +1,3 @@
+{
+  "<image_soft_token>": 262144
+}

config_sentence_transformers.json

@@ -0,0 +1,26 @@
+{
+  "model_type": "SentenceTransformer",
+  "__version__": {
+    "sentence_transformers": "5.1.0",
+    "transformers": "4.56.1",
+    "pytorch": "2.8.0+cu126"
+  },
+  "prompts": {
+    "query": "task: search result | query: ",
+    "document": "title: none | text: ",
+    "BitextMining": "task: search result | query: ",
+    "Clustering": "task: clustering | query: ",
+    "Classification": "task: classification | query: ",
+    "InstructionRetrieval": "task: code retrieval | query: ",
+    "MultilabelClassification": "task: classification | query: ",
+    "PairClassification": "task: sentence similarity | query: ",
+    "Reranking": "task: search result | query: ",
+    "Retrieval": "task: search result | query: ",
+    "Retrieval-query": "task: search result | query: ",
+    "Retrieval-document": "title: none | text: ",
+    "STS": "task: sentence similarity | query: ",
+    "Summarization": "task: summarization | query: "
+  },
+  "default_prompt_name": null,
+  "similarity_fn_name": "cosine"
+}

modules.json

@@ -0,0 +1,32 @@
+[
+  {
+    "idx": 0,
+    "name": "0",
+    "path": "",
+    "type": "sentence_transformers.models.Transformer"
+  },
+  {
+    "idx": 1,
+    "name": "1",
+    "path": "1_Pooling",
+    "type": "sentence_transformers.models.Pooling"
+  },
+  {
+    "idx": 2,
+    "name": "2",
+    "path": "2_Dense",
+    "type": "sentence_transformers.models.Dense"
+  },
+  {
+    "idx": 3,
+    "name": "3",
+    "path": "3_Dense",
+    "type": "sentence_transformers.models.Dense"
+  },
+  {
+    "idx": 4,
+    "name": "4",
+    "path": "4_Normalize",
+    "type": "sentence_transformers.models.Normalize"
+  }
+]

sentence_bert_config.json

@@ -0,0 +1,4 @@
+{
+    "max_seq_length": 2048,
+    "do_lower_case": false
+}

special_tokens_map.json

@@ -0,0 +1,33 @@
+{
+  "boi_token": "<start_of_image>",
+  "bos_token": {
+    "content": "<bos>",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "eoi_token": "<end_of_image>",
+  "eos_token": {
+    "content": "<eos>",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "image_token": "<image_soft_token>",
+  "pad_token": {
+    "content": "<pad>",
+    "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 sha256:216e2a79606fe879c9f17c529c71cd241338407fd5646b595ffd3c4b9ea1d503
+size 33385262

tokenizer.model

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:1299c11d7cf632ef3b4e11937501358ada021bbdf7c47638d13c0ee982f2e79c
+size 4689074