File size: 23,303 Bytes
4705cc6 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 |
---
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:1449744
- loss:MultipleNegativesRankingLoss
base_model: tintnguyen/bert-base-vi-uncased-st-3
widget:
- source_sentence: đánh chìm hms lightning khi nào
sentences:
- 'Nữ tính ::: Nữ tính là một tập hợp các thuộc tính, hành vi và vai trò thường
liên quan đến con gái và phụ nữ. Nữ tính được xây dựng một phần về mặt xã hội,
được tạo thành từ cả hai yếu tố được xác định về mặt xã hội và sinh học. Điều
này làm cho nữ tính khác biệt với định nghĩa về giới tính nữ sinh học, vì cả nam
và nữ đều có thể biểu hiện những đặc điểm nữ tính.'
- 'HMS Lightning (G55) ::: HMS Lightning (G55) là một tàu khu trục lớp L được Hải
quân Hoàng gia Anh Quốc chế tạo vào cuối những năm 1930. Nó đã nhập biên chế và
phục vụ trong Chiến tranh Thế giới thứ hai cho đến khi bị đánh chìm bởi ngư lôi
phóng từ tàu phóng lôi E-boat Đức S-55 tại Địa Trung Hải vào ngày 12 tháng 3 năm
1943.'
- 'HMS Glowworm (H92) ::: HMS Glowworm (H92) là một tàu khu trục lớp G được chế
tạo cho Hải quân Hoàng gia Anh Quốc vào giữa những năm 1930. Nó trải qua một phần
lớn thời gian tại vùng biển Tây Ban Nha trong giai đoạn Nội chiến ở nước này vào
năm 1936–1939, thực thi chính sách cấm vận vũ khí mà Anh và Pháp áp đặt cho các
bên xung đột. Nó được điều từ Hạm đội Địa Trung Hải trở về quần đảo Anh vào đầu
Chiến tranh Thế giới thứ hai để hộ tống tàu bè tại vùng biển nhà. Đến tháng 3
năm 1940, nó được điều sang Hạm đội Nhà vừa kịp lúc để tham gia giai đoạn mở màn
của Chiến dịch Na Uy. Vào ngày 8 tháng 4 năm 1940, Glowworm đụng độ với các tàu
khu trục Đức đang vận chuyển binh lính xâm chiếm Na Uy trong Chiến dịch Weserübung.
Các tàu khu trục Đức tìm cách tách khỏi trận chiến và gửi tín hiệu cầu cứu đến
tàu tuần dương hạng nặng Admiral Hipper. Glowworm bị hư hại nặng bởi hỏa lực pháo
hạng nặng của Admiral Hipper, nhưng vẫn tìm cách phóng ngư lôi vào chiếc tàu chiến
Đức. Hai con tàu va chạm, làm vỡ mũi tàu của Glowworm, và nó đắm không lâu sau
đó.'
- source_sentence: cầu thủ bóng đá milison niasexe sinh năm bao nhiêu
sentences:
- 'Daniel Jarl ::: Daniel Jarl (born ngày 13 tháng 4 năm 1992) là một cầu thủ bóng
đá người Thụy Điển thi đấu cho IK Sirius ở vị trí hậu vệ.'
- 'Milison Niasexe ::: Milison Niasexe (sinh ngày 16 tháng 2 năm 1986 ở Adema) là
một cầu thủ bóng đá người Madagascar, hiện tại thi đấu cho Anse Réunion FC.'
- 'Thierno Niang (cầu thủ bóng đá) ::: Thierno Niang (sinh ngày 18 tháng 1 năm 1992)
là một cầu thủ bóng đá người Sénégal thi đấu cho S.C. Freamunde.'
- source_sentence: dân số của zebrzydowice
sentences:
- 'Zbizuby ::: Zbizuby là một làng thuộc huyện Kutná Hora, vùng Středočeský, Cộng
hòa Séc.'
- 'Krzekoszewo ::: Krzekoszewo là một khu định cư ở khu hành chính của Gmina Malechowo,
thuộc hạt Sławno, West Pomeranian Voivodeship, ở phía tây bắc Ba Lan. Nó nằm khoảng
7 kilômét (4 dặm) phía nam Malechowo, 18 km (11 dặm) phía tây nam Sławno và
157 km (98 dặm) về phía đông bắc của thủ đô khu vực Szczecin.'
- 'Zebrzydowice, Rybnik ::: Zebrzydowice (tiếng Đức: Seibersdorf) là một quận của
Rybnik, Silesian Voivodeship, miền nam Ba Lan. Vào ngày 31 tháng 12 năm 2013,
quận có 3.150 cư dân.'
- source_sentence: tạp chí thủy sản việt nam là gì
sentences:
- 'Tạp chí Thủy sản Việt Nam ::: Tạp chí Thủy sản Việt Nam là tạp chí về lĩnh vực
thủy sản tại Việt Nam, là diễn đàn của nông ngư dân, doanh nghiệp, hoạt động trên
các lĩnh vực nuôi trồng, khai thác, chế biến, tiêu thụ và dịch vụ hậu cần nghề
cá. Chuyển tải thông tin về khoa học và công nghệ đến với bà nông, ngư dân, doanh
nghiệp.'
- 'Độc tố thủy sản ::: Dưới đây là danh mục độc tố từ thủy sản, hải sản'
- 'Nick van der Velden ::: Nick van der Velden (sinh ngày 16 tháng 12 năm 1981)
là một cầu thủ bóng đá người Hà Lan hiện tại thi đấu cho câu lạc bộ Indonesia
Bali United ở Liga 1. Trước đây anh thi đấu cho FC Dordrecht, RKC Waalwijk, AZ
Alkmaar, NEC, FC Groningen, Willem II và Dundee United. Tại AZ anh giành chức
vô địch Eredivisie 2008-09.'
- source_sentence: rotheca là gì
sentences:
- 'Rotheca ::: Rotheca là một chi thực vật có hoa trong họ Hoa môi (Lamiaceae).'
- 'Rothera ::: Trạm Nghiên cứu Rothera là một Cơ sở Khảo sát Nam Cực của Anh (BAS)
trên bán đảo Nam Cực, tọa lạc tại Điểm Rothera, Đảo Adelaide. Rothera cũng phục
vụ như là thủ phủ của Lãnh thổ Nam Cực thuộc Anh, Lãnh thổ hải ngoại thuộc Anh.'
- 'Kim Bo-hyon ::: Kim Bo-hyon (tiếng Triều Tiên: 김보현; Hanja: 金輔鉉; 3 tháng 10 năm
1871 - 2 tháng 9 năm 1955) xuất thân là một nông dân từ tỉnh Nam Pyongan. Ông
là ông nội của người sáng lập Cộng hòa Dân chủ Nhân dân Triều Tiên, Kim Nhật Thành.'
datasets:
- tintnguyen/generated-viwiki-questions-negs-2
pipeline_tag: sentence-similarity
library_name: sentence-transformers
---
# SentenceTransformer based on tintnguyen/bert-base-vi-uncased-st-3
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [tintnguyen/bert-base-vi-uncased-st-3](https://huggingface.co/tintnguyen/bert-base-vi-uncased-st-3) on the [train](https://huggingface.co/datasets/tintnguyen/generated-viwiki-questions-negs-2) 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:** [tintnguyen/bert-base-vi-uncased-st-3](https://huggingface.co/tintnguyen/bert-base-vi-uncased-st-3) <!-- at revision 72088a5ac2d4aca6cf16ac93835adc44c7222ad6 -->
- **Maximum Sequence Length:** 512 tokens
- **Output Dimensionality:** 768 dimensions
- **Similarity Function:** Cosine Similarity
- **Training Dataset:**
- [train](https://huggingface.co/datasets/tintnguyen/generated-viwiki-questions-negs-2)
<!-- - **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("tintnguyen/bert-base-vi-uncased-st-4")
# Run inference
sentences = [
'rotheca là gì',
'Rotheca ::: Rotheca là một chi thực vật có hoa trong họ Hoa môi (Lamiaceae).',
'Rothera ::: Trạm Nghiên cứu Rothera là một Cơ sở Khảo sát Nam Cực của Anh (BAS) trên bán đảo Nam Cực, tọa lạc tại Điểm Rothera, Đảo Adelaide. Rothera cũng phục vụ như là thủ phủ của Lãnh thổ Nam Cực thuộc Anh, Lãnh thổ hải ngoại thuộc Anh.',
]
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.*
-->
<!--
## 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
#### train
* Dataset: [train](https://huggingface.co/datasets/tintnguyen/generated-viwiki-questions-negs-2) at [73dbd75](https://huggingface.co/datasets/tintnguyen/generated-viwiki-questions-negs-2/tree/73dbd75d7f4f0e53659bf3a556800e0989fd8643)
* Size: 1,449,744 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: 10.87 tokens</li><li>max: 26 tokens</li></ul> | <ul><li>min: 21 tokens</li><li>mean: 93.5 tokens</li><li>max: 402 tokens</li></ul> | <ul><li>min: 19 tokens</li><li>mean: 99.32 tokens</li><li>max: 463 tokens</li></ul> |
* Samples:
| anchor | positive | negative |
|:----------------------------------------|:-----------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| <code>cầu thủ ahn joon-soo là ai</code> | <code>Ahn Joon-soo ::: Ahn Joon-soo (安俊洙, sinh ngày 28 tháng 1 năm 1998) là một cầu thủ bóng đá người Hàn Quốc. Anh thi đấu cho Cerezo Osaka.</code> | <code>Ahn Jung-hwan ::: Ahn Jung-Hwan (Hangul: 안정환; sinh ngày 27 tháng 1 năm 1976 tại Paju, Gyeonggi) là một cựu cầu thủ bóng đá người Hàn Quốc, anh nổi tiếng với việc ghi bàn thắng vàng cho đội tuyển Hàn Quốc trong trận gặp Ý tại vòng hai World Cup 2002 đồng thời đưa tuyển Hàn tiến vào tứ kết.</code> |
| <code>cầu thủ ahn joon-soo là ai</code> | <code>Ahn Joon-soo ::: Ahn Joon-soo (安俊洙, sinh ngày 28 tháng 1 năm 1998) là một cầu thủ bóng đá người Hàn Quốc. Anh thi đấu cho Cerezo Osaka.</code> | <code>Ahn Sung-nam ::: Ahn Sung-Nam (Hangul: 안성남; Hanja: 安成男, sinh ngày 17 tháng 4 năm 1984) là một cầu thủ bóng đá Hàn Quốc hiện tại thi đấu cho Gyeongnam FC.</code> |
| <code>cầu thủ ahn joon-soo là ai</code> | <code>Ahn Joon-soo ::: Ahn Joon-soo (安俊洙, sinh ngày 28 tháng 1 năm 1998) là một cầu thủ bóng đá người Hàn Quốc. Anh thi đấu cho Cerezo Osaka.</code> | <code>Ahn So-hee ::: Ahn So-hee (Hangul: 안소희), sinh ngày 27 tháng 6 năm 1992, là nữ ca sĩ, diễn viên, vũ công, MC người Hàn Quốc, cựu thành viên nhóm nhạc Wonder Girls do JYP quản lý nhưng đã rời JYP. Hiện cô đang đầu quân cho KeyEast, tập trung vào diễn xuất.</code> |
* Loss: [<code>MultipleNegativesRankingLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters:
```json
{
"scale": 20.0,
"similarity_fct": "cos_sim"
}
```
### Training Hyperparameters
#### Non-Default Hyperparameters
- `per_device_train_batch_size`: 40
- `per_device_eval_batch_size`: 32
- `learning_rate`: 2e-05
- `num_train_epochs`: 2
- `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`: no
- `prediction_loss_only`: True
- `per_device_train_batch_size`: 40
- `per_device_eval_batch_size`: 32
- `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`: 2
- `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}
- `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
- `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
- `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
- `average_tokens_across_devices`: False
- `prompts`: None
- `batch_sampler`: no_duplicates
- `multi_dataset_batch_sampler`: proportional
</details>
### Training Logs
<details><summary>Click to expand</summary>
| Epoch | Step | Training Loss |
|:------:|:-----:|:-------------:|
| 0.0138 | 500 | 0.2135 |
| 0.0276 | 1000 | 0.1575 |
| 0.0414 | 1500 | 0.1395 |
| 0.0552 | 2000 | 0.1241 |
| 0.0690 | 2500 | 0.1041 |
| 0.0828 | 3000 | 0.1063 |
| 0.0966 | 3500 | 0.1011 |
| 0.1104 | 4000 | 0.0982 |
| 0.1242 | 4500 | 0.0923 |
| 0.1380 | 5000 | 0.0916 |
| 0.1517 | 5500 | 0.0831 |
| 0.1655 | 6000 | 0.0904 |
| 0.1793 | 6500 | 0.0891 |
| 0.1931 | 7000 | 0.0843 |
| 0.2069 | 7500 | 0.0816 |
| 0.2207 | 8000 | 0.0862 |
| 0.2345 | 8500 | 0.0743 |
| 0.2483 | 9000 | 0.09 |
| 0.2621 | 9500 | 0.0761 |
| 0.2759 | 10000 | 0.0762 |
| 0.2897 | 10500 | 0.0794 |
| 0.3035 | 11000 | 0.0761 |
| 0.3173 | 11500 | 0.0757 |
| 0.3311 | 12000 | 0.0697 |
| 0.3449 | 12500 | 0.0746 |
| 0.3587 | 13000 | 0.0736 |
| 0.3725 | 13500 | 0.0672 |
| 0.3863 | 14000 | 0.0683 |
| 0.4001 | 14500 | 0.0684 |
| 0.4139 | 15000 | 0.0683 |
| 0.4277 | 15500 | 0.0717 |
| 0.4415 | 16000 | 0.0673 |
| 0.4552 | 16500 | 0.0624 |
| 0.4690 | 17000 | 0.0658 |
| 0.4828 | 17500 | 0.0661 |
| 0.4966 | 18000 | 0.0667 |
| 0.5104 | 18500 | 0.0658 |
| 0.5242 | 19000 | 0.0665 |
| 0.5380 | 19500 | 0.0642 |
| 0.5518 | 20000 | 0.0635 |
| 0.5656 | 20500 | 0.0634 |
| 0.5794 | 21000 | 0.0623 |
| 0.5932 | 21500 | 0.0628 |
| 0.6070 | 22000 | 0.0658 |
| 0.6208 | 22500 | 0.0611 |
| 0.6346 | 23000 | 0.0623 |
| 0.6484 | 23500 | 0.0655 |
| 0.6622 | 24000 | 0.0587 |
| 0.6760 | 24500 | 0.0551 |
| 0.6898 | 25000 | 0.0555 |
| 0.7036 | 25500 | 0.0551 |
| 0.7174 | 26000 | 0.0622 |
| 0.7312 | 26500 | 0.0528 |
| 0.7450 | 27000 | 0.058 |
| 0.7587 | 27500 | 0.0538 |
| 0.7725 | 28000 | 0.0568 |
| 0.7863 | 28500 | 0.0531 |
| 0.8001 | 29000 | 0.0552 |
| 0.8139 | 29500 | 0.0533 |
| 0.8277 | 30000 | 0.0547 |
| 0.8415 | 30500 | 0.0541 |
| 0.8553 | 31000 | 0.055 |
| 0.8691 | 31500 | 0.0519 |
| 0.8829 | 32000 | 0.0492 |
| 0.8967 | 32500 | 0.0569 |
| 0.9105 | 33000 | 0.0484 |
| 0.9243 | 33500 | 0.0493 |
| 0.9381 | 34000 | 0.0507 |
| 0.9519 | 34500 | 0.0496 |
| 0.9657 | 35000 | 0.0502 |
| 0.9795 | 35500 | 0.0473 |
| 0.9933 | 36000 | 0.0532 |
| 1.0071 | 36500 | 0.0492 |
| 1.0209 | 37000 | 0.0469 |
| 1.0347 | 37500 | 0.046 |
| 1.0484 | 38000 | 0.0385 |
| 1.0622 | 38500 | 0.037 |
| 1.0760 | 39000 | 0.0359 |
| 1.0898 | 39500 | 0.0315 |
| 1.1036 | 40000 | 0.0274 |
| 1.1174 | 40500 | 0.0271 |
| 1.1312 | 41000 | 0.0242 |
| 1.1450 | 41500 | 0.0249 |
| 1.1588 | 42000 | 0.021 |
| 1.1726 | 42500 | 0.0197 |
| 1.1864 | 43000 | 0.0194 |
| 1.2002 | 43500 | 0.0157 |
| 1.2140 | 44000 | 0.0153 |
| 1.2278 | 44500 | 0.0143 |
| 1.2416 | 45000 | 0.0179 |
| 1.2554 | 45500 | 0.0148 |
| 1.2692 | 46000 | 0.0155 |
| 1.2830 | 46500 | 0.0145 |
| 1.2968 | 47000 | 0.0147 |
| 1.3106 | 47500 | 0.0141 |
| 1.3244 | 48000 | 0.0138 |
| 1.3382 | 48500 | 0.0148 |
| 1.3519 | 49000 | 0.0137 |
| 1.3657 | 49500 | 0.014 |
| 1.3795 | 50000 | 0.0132 |
| 1.3933 | 50500 | 0.0131 |
| 1.4071 | 51000 | 0.0125 |
</details>
### Framework Versions
- Python: 3.11.10
- Sentence Transformers: 3.3.1
- Transformers: 4.46.3
- PyTorch: 2.5.1+cu124
- Accelerate: 1.1.1
- Datasets: 3.1.0
- Tokenizers: 0.20.3
## Citation
### BibTeX
#### Sentence Transformers
```bibtex
@inproceedings{reimers-2019-sentence-bert,
title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",
author = "Reimers, Nils and Gurevych, Iryna",
booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing",
month = "11",
year = "2019",
publisher = "Association for Computational Linguistics",
url = "https://arxiv.org/abs/1908.10084",
}
```
#### MultipleNegativesRankingLoss
```bibtex
@misc{henderson2017efficient,
title={Efficient Natural Language Response Suggestion for Smart Reply},
author={Matthew Henderson and Rami Al-Rfou and Brian Strope and Yun-hsuan Sung and Laszlo Lukacs and Ruiqi Guo and Sanjiv Kumar and Balint Miklos and Ray Kurzweil},
year={2017},
eprint={1705.00652},
archivePrefix={arXiv},
primaryClass={cs.CL}
}
```
<!--
## Glossary
*Clearly define terms in order to be accessible across audiences.*
-->
<!--
## Model Card Authors
*Lists the people who create the model card, providing recognition and accountability for the detailed work that goes into its construction.*
-->
<!--
## Model Card Contact
*Provides a way for people who have updates to the Model Card, suggestions, or questions, to contact the Model Card authors.*
--> |