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  
  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  
  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.*
-->