File size: 38,903 Bytes
fa0736d |
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 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 |
---
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:4859206
- loss:MultipleNegativesRankingLoss
base_model: tintnguyen/bert-base-vi-uncased-st
widget:
- source_sentence: ngc 2659 có tổng bán kính bao nhiêu
sentences:
- 'NGC 2659 ::: NGC 2659 là một cụm sao mở trong chòm sao Thuyền Phàm. Nó được phát
hiện bởi John Herschel vào ngày 3 tháng 2 năm 1835. Nó thuộc lớp Trumpler III3m.
Đó là một cụm trẻ, với tuổi gần 8 triệu năm. Lõi của cụm dài 1,93 Parsec (6,3
năm ánh sáng) và tổng bán kính là 3,6 pc (11,7 năm ánh sáng). Tổng số của ngôi
sao đó thuộc về cụm được ước tính là 1.801 ± 608 ngôi sao và tổng khối lượng 857
± 237 M☉. Trong số các thành viên của nó, một là ngôi sao Be, với có thể có thêm
bốn ngôi sao Be.'
- 'Re: Chi phí sở hữu thuyền trung bình hàng tháng. Quanh đây, bạn có thể chi $
150- $ 200 một tháng để giữ thuyền của bạn trên mặt nước tại một bến du thuyền
sang trọng, một nửa đến 2/3 số đó nếu nó không được che đậy trong nước. Một kho
chứa hàng trong phạm vi $ 50- $ 80 một tháng xung quanh hồ tại một bến du thuyền
trong phạm vi $ 100 cho kho chứa khô.'
- Bay thuyền có một cấu hình thấp. Chúng được thiết kế để sử dụng ở vùng nước nông
của vịnh nông lớn, cửa sông hoặc gần bờ. Thuyền vịnh có chiều dài 18'ࢠ€Ââ
€ œ24 'và làm bằng sợi thủy tinh vì chúng được sử dụng ở vùng nước mặn hoặc lợ.
Họ có nhiều mạn hơn thuyền phẳng.
- source_sentence: khi nào điều hoang dã xuất hiện
sentences:
- ' Wild Thing là một đĩa đơn của rapper Tone LÃâ € ¦Ã ‚c trong album 1989 LÃâ
€ ¦Ã‚ c-ed After Dark của anh ấy. Tiêu đề là một tham chiếu đến cụm từ doin ''the
wild thing, một từ ngữ chỉ tình dục, không giống như bài hát nổi tiếng của The
Troggs, Wild Thing, (sau đó được Jimi Hendrix cover) trong đó điều hoang dã là
một cô gái. Rõ ràng, quyết định này là được thực hiện mà không tham khảo ý kiến
của các thành viên ban đầu của ban nhạc (được coi là đồng tác giả của bài hát),
những người đã không mong đợi Wild Thing trở thành hit chính mà nó đã trở thành.
Một vụ kiện dân sự sau đó đã được giải quyết ngoài tòa án, với ban nhạc nhận được
180.000 đô la Mỹ làm khoản thanh toán dàn xếp.'
- 'Xã Richland, Quận Allen, Ohio ::: Xã Richland (tiếng Anh: Richland Township)
là một xã thuộc quận Allen, tiểu bang Ohio, Hoa Kỳ. Năm 2010, dân số của xã này
là 6.289 người.'
- Đơn âm cổ điển thường bắt đầu với 2 đến 5 ngày cảm thấy mệt mỏi và dưới thời tiết,
đôi khi bị sốt. Điều này thậm chí có thể kéo dài một hoặc hai tuần. Sau đó, đau
họng phát triển với các tuyến sưng tấy ở cổ và các nơi khác. Sốt và mệt mỏi tăng
lên.
- source_sentence: giáo viên mầm non là gì
sentences:
- Giáo viên mầm non giúp học sinh của họ học chủ yếu thông qua các hoạt động vui
chơi và tương tác, tận dụng hoạt động vui chơi của trẻ để phát triển thêm ngôn
ngữ và từ vựng. Một giáo viên mầm non có thể sử dụng các trò chơi kể chuyện, ghép
vần và diễn kịch để cải thiện các kỹ năng xã hội hoặc giới thiệu các khái niệm
khoa học và toán học.
- 'Nam cwm (đi bộ đường dài vào mùa hè) Toubkal hoặc Tubkal (tiếng Berber: à¢
µŠ“ࢠµÂ⠀ œÃƒÂ ¢ ´ ± ࢠ´½à¢ à ‚´Â ° à¢
µÂ, Tubkal, hoặc ࢠµŠ“ࢠµÂ⠀ œÃƒÂ ¢ ´ ± ࢠµÂâ
€ ¡ÃƒÂ ¢ ´ ° ࢠ嵈 ‚, Tubqal; tiếng Ả Rập: تÃ℠¢ Ã‚Ë † بÃâ
„¢ Â⠀ šÃƒËœÃ‚§Ã Â⠀ žÃƒÂ ¢ €Žà¢ €Ž) là một đỉnh núi ở
tây nam Maroc, nằm trong Vườn quốc gia Toubkal. Với độ cao 4.167 mét (13.671 ft),
nó là đỉnh cao nhất trong Dãy núi Atlas và ở Bắc Phi. Đây là một đỉnh núi cực
kỳ nổi bật nằm cách thành phố Marrakesh 63 km về phía nam và là điểm đến nổi tiếng
của những người leo núi. Đỉnh cao nhất ở Toubkal. Những chú chim bay vút trên
đường dẫn lên đỉnh núi.'
- 'Tên Kathryn là một tên tiếng Anh của em bé. Trong tiếng Anh, ý nghĩa của cái
tên Kathryn là: Thuần khiết. Ý nghĩa tiếng Hy Lạp: Tên Kathryn là một tên em bé
trong tiếng Hy Lạp. Trong tiếng Hy Lạp, ý nghĩa của cái tên Kathryn là: Tinh khiết.'
- source_sentence: garcinia cambogia có an toàn cho bệnh nhân tiểu đường không
sentences:
- Ford Escape 2017 có giá khởi điểm 23.750 USD, mức trung bình cho phân khúc. Trong
số ít những chiếc SUV có thứ hạng cao hơn Escape, chỉ có Honda CR-V (24.045 USD)
là đắt hơn, nhưng không nhiều.
- Tuy nhiên, cũng có những phát hiện ở những bệnh nhân tiểu đường có mức đường huyết
được kiểm soát cho thấy mức đường huyết của họ thực sự có thể giảm xuống quá thấp
khi điều trị kết hợp với thực phẩm chức năng Garcinia Cambogia. không phù hợp
với bạn trước khi bạn sử dụng nó hoặc bắt đầu bất kỳ chương trình dùng thử miễn
phí nào. Garcinia Cambogia, còn được gọi là axit hydroxycitric, có nguồn gốc từ
một loại trái cây, được gọi là me, có bản chất giống bí ngô.
- 'Haidershofen ::: Haidershofen là một thị trấn của nước Áo. Đô thị này có diện
tích 31,99 km², dân số năm 2001 là 3461 người. Thị trấn thuộc huyện Amstetten,
trong bang Niederösterreich.'
- source_sentence: những gì cần giáo dục để trở thành một y tá
sentences:
- AF-S là AF 'đơn' - máy ảnh của bạn sẽ lấy nét vào một đối tượng cố định khi bạn
nhấn nút AF và sẽ vẫn lấy nét ở điểm đó miễn là bạn giữ nút này. Điều này tốt
nhất cho các đối tượng tĩnh.AF-C AF là 'liên tục' - máy ảnh sẽ lấy nét bất cứ
thứ gì trong các điểm AF liên quan (tùy thuộc vào cách bạn thiết lập vùng phủ
AF của mình) và sẽ cố gắng giữ cho đối tượng được lấy nét ở bất cứ nơi nào nó
di chuyển, cho dù đó là về phía / ra xa máy ảnh hoặc bên cạnh.FA là AF 'tự động'
và tự động chuyển đổi giữa hai chế độ AF tùy thuộc vào đối tượng đang làm gì.
Điều này đòi hỏi người chụp ít nỗ lực hơn, nhưng bạn đang dựa vào máy ảnh để đoán
chính xác những gì bạn đang lấy nét và có thể dẫn đến lấy nét không mong muốn.
- Nếu bạn quan tâm đến việc trở thành một y tá, bạn phải có bằng cử nhân và bằng
tốt nghiệp, cũng như duy trì giấy phép và chứng chỉ hiện tại. Tiếp tục đọc để
biết tổng quan về các bước giáo dục và yêu cầu chuyên môn của các học viên y tá.
Tổng quan về Học viên Y tá. Những người hành nghề y tá là những y tá đã đăng ký
(RN) có trình độ học vấn bổ sung cho phép họ đảm nhận vai trò nhà cung cấp dịch
vụ chăm sóc sức khỏe ban đầu tương tự như một bác sĩ, bao gồm khả năng kê đơn
thuốc.
- 'Mũi Capricorn ::: Mũi Capricorn là một mũi đất ở vùng bờ biển miền trung bang
Queensland, Úc.'
pipeline_tag: sentence-similarity
library_name: sentence-transformers
---
# SentenceTransformer based on tintnguyen/bert-base-vi-uncased-st
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [tintnguyen/bert-base-vi-uncased-st](https://huggingface.co/tintnguyen/bert-base-vi-uncased-st). 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](https://huggingface.co/tintnguyen/bert-base-vi-uncased-st) <!-- at revision 26d7b26d7c0bc4c62342e97632d39020400f6aad -->
- **Maximum Sequence Length:** 512 tokens
- **Output Dimensionality:** 768 dimensions
- **Similarity Function:** Cosine Similarity
<!-- - **Training Dataset:** Unknown -->
<!-- - **Language:** Unknown -->
<!-- - **License:** Unknown -->
### Model Sources
- **Documentation:** [Sentence Transformers Documentation](https://sbert.net)
- **Repository:** [Sentence Transformers on GitHub](https://github.com/UKPLab/sentence-transformers)
- **Hugging Face:** [Sentence Transformers on Hugging Face](https://huggingface.co/models?library=sentence-transformers)
### Full Model Architecture
```
SentenceTransformer(
(0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: BertModel
(1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
)
```
## Usage
### Direct Usage (Sentence Transformers)
First install the Sentence Transformers library:
```bash
pip install -U sentence-transformers
```
Then you can load this model and run inference.
```python
from sentence_transformers import SentenceTransformer
# Download from the 🤗 Hub
model = SentenceTransformer("tintnguyen/bert-base-vi-uncased-st-2")
# Run inference
sentences = [
'những gì cần giáo dục để trở thành một y tá',
'Nếu bạn quan tâm đến việc trở thành một y tá, bạn phải có bằng cử nhân và bằng tốt nghiệp, cũng như duy trì giấy phép và chứng chỉ hiện tại. Tiếp tục đọc để biết tổng quan về các bước giáo dục và yêu cầu chuyên môn của các học viên y tá. Tổng quan về Học viên Y tá. Những người hành nghề y tá là những y tá đã đăng ký (RN) có trình độ học vấn bổ sung cho phép họ đảm nhận vai trò nhà cung cấp dịch vụ chăm sóc sức khỏe ban đầu tương tự như một bác sĩ, bao gồm khả năng kê đơn thuốc.',
'Mũi Capricorn ::: Mũi Capricorn là một mũi đất ở vùng bờ biển miền trung bang Queensland, Úc.',
]
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
#### Unnamed Dataset
* Size: 4,859,206 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: 4 tokens</li><li>mean: 10.61 tokens</li><li>max: 27 tokens</li></ul> | <ul><li>min: 19 tokens</li><li>mean: 84.55 tokens</li><li>max: 433 tokens</li></ul> |
* Samples:
| anchor | positive |
|:-------------------------------------------------------|:-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| <code>ricardo emanuel silva là ai</code> | <code>Ricardo Enrique Silva ::: Ricardo Enrique Silva là một bác sĩ và nhà bất đồng chính kiến người Cuba.Ông đã bị chính quyền Cuba bắt trong vụ mùa xuân đen năm 2003 và bị xử phạt 10 năm tù.</code> |
| <code>gốc của ngôn ngữ yiddish là gì</code> | <code>Tiếng Yiddish là ngôn ngữ lịch sử của người Do Thái Ashkenazic (Trung và Đông Âu), và là ngôn ngữ văn học chính thứ ba trong lịch sử Do Thái, sau tiếng Do Thái cổ điển và (Do Thái) Aramaic .iddish là ngôn ngữ lịch sử của người Do Thái Ashkenazic (Trung và Đông Âu), và là ngôn ngữ văn học chính thứ ba trong lịch sử Do Thái, sau tiếng Do Thái cổ điển và tiếng Aram (Do Thái).</code> |
| <code>xã moulin-sous-touvent nằm ở quốc gia nào</code> | <code>Moulin-sous-Touvent ::: Moulin-sous-Touvent là một xã thuộc tỉnh Oise trong vùng Hauts-de-France phía bắc nước Pháp. Xã này nằm ở khu vực có độ cao trung bình 93 mét trên mực nước biển.</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"
}
```
### Evaluation Dataset
#### Unnamed Dataset
* Size: 300 evaluation samples
* Columns: <code>anchor</code> and <code>positive</code>
* Approximate statistics based on the first 300 samples:
| | anchor | positive |
|:--------|:----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|
| type | string | string |
| details | <ul><li>min: 6 tokens</li><li>mean: 10.63 tokens</li><li>max: 23 tokens</li></ul> | <ul><li>min: 15 tokens</li><li>mean: 86.9 tokens</li><li>max: 512 tokens</li></ul> |
* Samples:
| anchor | positive |
|:-----------------------------------------------------|:------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| <code>dân số của xã west prairie là bao nhiêu</code> | <code>Xã West Prairie, Quận Poinsett, Arkansas ::: Xã West Prairie (tiếng Anh: West Prairie Township) là một xã thuộc quận Poinsett, tiểu bang Arkansas, Hoa Kỳ. Năm 2010, dân số của xã này là 894 người.</code> |
| <code>đường giai quan là gì</code> | <code>Đường Cái Quan ::: Đường Cái Quan hay đường Thiên lý, cũng có khi gọi là đường Quan lộ, hay đường Quan báo là một con đường dài chạy từ miền Bắc Việt Nam đến miền Nam Việt Nam, chủ yếu đắp vào đầu thế kỷ 19.</code> |
| <code>đài bắc là gì</code> | <code>Đài Bắc ::: Đài Bắc (tiếng Trung: 臺北市; bính âm: Táiběi Shì, Hán Việt: Đài Bắc thị; đọc theo IPA: tʰǎipèi trong tiếng Phổ thông) là thủ đô của Trung Hoa Dân Quốc (Đài Loan) và là thành phố trung tâm của một vùng đô thị lớn nhất tại Đài Loan, một trong sáu thành phố trực thuộc Trung ương của Đài Loan. Đài Bắc nằm ở đầu phía bắc của đảo chính và nằm bên sông Đạm Thủy, cách thành phố cảng Thái Bình Dương Cơ Long 25 km về phía đông bắc. Một thành phố ven biển khác, mà nay trở thành một quận của Tân Bắc là Đạm Thủy, nơi này cách Đài Bắc 20 km về phía tây bắc và nằm ở cửa con sông cùng tên thuộc eo biển Đài Loan. Đài Bắc nằm trên hai thung lũng tương đối hẹp tạo bởi sông Cơ Long (基隆河) và sông Tân Điếm (新店溪), hai sông hợp lưu tạo thành sông Đạm Thủy và chảy dọc theo ranh giới phía tây của thành phố.</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
- `eval_strategy`: steps
- `per_device_train_batch_size`: 64
- `per_device_eval_batch_size`: 32
- `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`: 64
- `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`: 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}
- `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 | Validation Loss |
|:------:|:------:|:-------------:|:---------------:|
| 0.0066 | 500 | 0.1818 | - |
| 0.0132 | 1000 | 0.1624 | 0.0828 |
| 0.0198 | 1500 | 0.1525 | - |
| 0.0263 | 2000 | 0.1316 | 0.0506 |
| 0.0329 | 2500 | 0.1182 | - |
| 0.0395 | 3000 | 0.1197 | 0.0450 |
| 0.0461 | 3500 | 0.1101 | - |
| 0.0527 | 4000 | 0.1057 | 0.0437 |
| 0.0593 | 4500 | 0.1031 | - |
| 0.0659 | 5000 | 0.0987 | 0.0459 |
| 0.0724 | 5500 | 0.0989 | - |
| 0.0790 | 6000 | 0.0978 | 0.0480 |
| 0.0856 | 6500 | 0.0877 | - |
| 0.0922 | 7000 | 0.0851 | 0.0396 |
| 0.0988 | 7500 | 0.0871 | - |
| 0.1054 | 8000 | 0.0878 | 0.0427 |
| 0.1120 | 8500 | 0.0875 | - |
| 0.1185 | 9000 | 0.0837 | 0.0388 |
| 0.1251 | 9500 | 0.0835 | - |
| 0.1317 | 10000 | 0.0796 | 0.0293 |
| 0.1383 | 10500 | 0.0835 | - |
| 0.1449 | 11000 | 0.0839 | 0.0351 |
| 0.1515 | 11500 | 0.0797 | - |
| 0.1580 | 12000 | 0.0789 | 0.0351 |
| 0.1646 | 12500 | 0.0791 | - |
| 0.1712 | 13000 | 0.0774 | 0.0354 |
| 0.1778 | 13500 | 0.08 | - |
| 0.1844 | 14000 | 0.074 | 0.0287 |
| 0.1910 | 14500 | 0.0745 | - |
| 0.1976 | 15000 | 0.0786 | 0.0307 |
| 0.2041 | 15500 | 0.0733 | - |
| 0.2107 | 16000 | 0.0733 | 0.0245 |
| 0.2173 | 16500 | 0.0749 | - |
| 0.2239 | 17000 | 0.0742 | 0.0289 |
| 0.2305 | 17500 | 0.0708 | - |
| 0.2371 | 18000 | 0.0714 | 0.0279 |
| 0.2437 | 18500 | 0.0755 | - |
| 0.2502 | 19000 | 0.0738 | 0.0252 |
| 0.2568 | 19500 | 0.0747 | - |
| 0.2634 | 20000 | 0.0738 | 0.0287 |
| 0.2700 | 20500 | 0.0722 | - |
| 0.2766 | 21000 | 0.0723 | 0.0279 |
| 0.2832 | 21500 | 0.0747 | - |
| 0.2898 | 22000 | 0.0713 | 0.0296 |
| 0.2963 | 22500 | 0.0721 | - |
| 0.3029 | 23000 | 0.0783 | 0.0318 |
| 0.3095 | 23500 | 0.0714 | - |
| 0.3161 | 24000 | 0.0727 | 0.0260 |
| 0.3227 | 24500 | 0.0701 | - |
| 0.3293 | 25000 | 0.0706 | 0.0313 |
| 0.3359 | 25500 | 0.0696 | - |
| 0.3424 | 26000 | 0.0722 | 0.0287 |
| 0.3490 | 26500 | 0.0684 | - |
| 0.3556 | 27000 | 0.071 | 0.0269 |
| 0.3622 | 27500 | 0.0694 | - |
| 0.3688 | 28000 | 0.0677 | 0.0322 |
| 0.3754 | 28500 | 0.0658 | - |
| 0.3820 | 29000 | 0.0676 | 0.0276 |
| 0.3885 | 29500 | 0.0666 | - |
| 0.3951 | 30000 | 0.0639 | 0.0251 |
| 0.4017 | 30500 | 0.067 | - |
| 0.4083 | 31000 | 0.0653 | 0.0221 |
| 0.4149 | 31500 | 0.064 | - |
| 0.4215 | 32000 | 0.0695 | 0.0261 |
| 0.4280 | 32500 | 0.0667 | - |
| 0.4346 | 33000 | 0.0641 | 0.0279 |
| 0.4412 | 33500 | 0.0632 | - |
| 0.4478 | 34000 | 0.0622 | 0.0212 |
| 0.4544 | 34500 | 0.0594 | - |
| 0.4610 | 35000 | 0.0611 | 0.0214 |
| 0.4676 | 35500 | 0.0614 | - |
| 0.4741 | 36000 | 0.0604 | 0.0186 |
| 0.4807 | 36500 | 0.06 | - |
| 0.4873 | 37000 | 0.0628 | 0.0196 |
| 0.4939 | 37500 | 0.0619 | - |
| 0.5005 | 38000 | 0.065 | 0.0194 |
| 0.5071 | 38500 | 0.0595 | - |
| 0.5137 | 39000 | 0.0614 | 0.0168 |
| 0.5202 | 39500 | 0.0585 | - |
| 0.5268 | 40000 | 0.0593 | 0.0199 |
| 0.5334 | 40500 | 0.0597 | - |
| 0.5400 | 41000 | 0.0557 | 0.0173 |
| 0.5466 | 41500 | 0.054 | - |
| 0.5532 | 42000 | 0.0586 | 0.0166 |
| 0.5598 | 42500 | 0.0535 | - |
| 0.5663 | 43000 | 0.0548 | 0.0169 |
| 0.5729 | 43500 | 0.0555 | - |
| 0.5795 | 44000 | 0.0555 | 0.0166 |
| 0.5861 | 44500 | 0.0579 | - |
| 0.5927 | 45000 | 0.0524 | 0.0234 |
| 0.5993 | 45500 | 0.0508 | - |
| 0.6059 | 46000 | 0.0604 | 0.0260 |
| 0.6124 | 46500 | 0.0562 | - |
| 0.6190 | 47000 | 0.0578 | 0.0217 |
| 0.6256 | 47500 | 0.0566 | - |
| 0.6322 | 48000 | 0.0556 | 0.0189 |
| 0.6388 | 48500 | 0.0538 | - |
| 0.6454 | 49000 | 0.0511 | 0.0178 |
| 0.6520 | 49500 | 0.0526 | - |
| 0.6585 | 50000 | 0.0528 | 0.0259 |
| 0.6651 | 50500 | 0.05 | - |
| 0.6717 | 51000 | 0.0531 | 0.0193 |
| 0.6783 | 51500 | 0.0572 | - |
| 0.6849 | 52000 | 0.0532 | 0.0184 |
| 0.6915 | 52500 | 0.0545 | - |
| 0.6980 | 53000 | 0.0557 | 0.0203 |
| 0.7046 | 53500 | 0.0542 | - |
| 0.7112 | 54000 | 0.0535 | 0.0174 |
| 0.7178 | 54500 | 0.0533 | - |
| 0.7244 | 55000 | 0.0523 | 0.0181 |
| 0.7310 | 55500 | 0.0527 | - |
| 0.7376 | 56000 | 0.0515 | 0.0237 |
| 0.7441 | 56500 | 0.0536 | - |
| 0.7507 | 57000 | 0.0523 | 0.0173 |
| 0.7573 | 57500 | 0.0498 | - |
| 0.7639 | 58000 | 0.0491 | 0.0162 |
| 0.7705 | 58500 | 0.0496 | - |
| 0.7771 | 59000 | 0.0503 | 0.0194 |
| 0.7837 | 59500 | 0.0505 | - |
| 0.7902 | 60000 | 0.0488 | 0.0241 |
| 0.7968 | 60500 | 0.0513 | - |
| 0.8034 | 61000 | 0.0522 | 0.0225 |
| 0.8100 | 61500 | 0.0507 | - |
| 0.8166 | 62000 | 0.0521 | 0.0219 |
| 0.8232 | 62500 | 0.0494 | - |
| 0.8298 | 63000 | 0.049 | 0.0169 |
| 0.8363 | 63500 | 0.0483 | - |
| 0.8429 | 64000 | 0.0492 | 0.0192 |
| 0.8495 | 64500 | 0.0494 | - |
| 0.8561 | 65000 | 0.0501 | 0.0180 |
| 0.8627 | 65500 | 0.0493 | - |
| 0.8693 | 66000 | 0.0492 | 0.0206 |
| 0.8759 | 66500 | 0.0473 | - |
| 0.8824 | 67000 | 0.0511 | 0.0216 |
| 0.8890 | 67500 | 0.0477 | - |
| 0.8956 | 68000 | 0.049 | 0.0216 |
| 0.9022 | 68500 | 0.0502 | - |
| 0.9088 | 69000 | 0.0548 | 0.0198 |
| 0.9154 | 69500 | 0.0474 | - |
| 0.9220 | 70000 | 0.0487 | 0.0183 |
| 0.9285 | 70500 | 0.0452 | - |
| 0.9351 | 71000 | 0.046 | 0.0161 |
| 0.9417 | 71500 | 0.0491 | - |
| 0.9483 | 72000 | 0.0461 | 0.0169 |
| 0.9549 | 72500 | 0.0505 | - |
| 0.9615 | 73000 | 0.05 | 0.0174 |
| 0.9680 | 73500 | 0.0506 | - |
| 0.9746 | 74000 | 0.0459 | 0.0168 |
| 0.9812 | 74500 | 0.0469 | - |
| 0.9878 | 75000 | 0.0444 | 0.0188 |
| 0.9944 | 75500 | 0.0513 | - |
| 1.0010 | 76000 | 0.0452 | 0.0190 |
| 1.0076 | 76500 | 0.0472 | - |
| 1.0141 | 77000 | 0.0466 | 0.0172 |
| 1.0207 | 77500 | 0.0497 | - |
| 1.0273 | 78000 | 0.0478 | 0.0169 |
| 1.0339 | 78500 | 0.0476 | - |
| 1.0405 | 79000 | 0.0492 | 0.0207 |
| 1.0471 | 79500 | 0.0464 | - |
| 1.0537 | 80000 | 0.0462 | 0.0176 |
| 1.0602 | 80500 | 0.0451 | - |
| 1.0668 | 81000 | 0.0461 | 0.0228 |
| 1.0734 | 81500 | 0.0465 | - |
| 1.0800 | 82000 | 0.0475 | 0.0201 |
| 1.0866 | 82500 | 0.0419 | - |
| 1.0932 | 83000 | 0.0406 | 0.0177 |
| 1.0998 | 83500 | 0.0431 | - |
| 1.1063 | 84000 | 0.0426 | 0.0190 |
| 1.1129 | 84500 | 0.0453 | - |
| 1.1195 | 85000 | 0.0407 | 0.0186 |
| 1.1261 | 85500 | 0.0417 | - |
| 1.1327 | 86000 | 0.0392 | 0.0154 |
| 1.1393 | 86500 | 0.0423 | - |
| 1.1459 | 87000 | 0.0414 | 0.0143 |
| 1.1524 | 87500 | 0.0418 | - |
| 1.1590 | 88000 | 0.0402 | 0.0148 |
| 1.1656 | 88500 | 0.0394 | - |
| 1.1722 | 89000 | 0.04 | 0.0136 |
| 1.1788 | 89500 | 0.0424 | - |
| 1.1854 | 90000 | 0.038 | 0.0131 |
| 1.1920 | 90500 | 0.0387 | - |
| 1.1985 | 91000 | 0.0422 | 0.0169 |
| 1.2051 | 91500 | 0.0367 | - |
| 1.2117 | 92000 | 0.0401 | 0.0137 |
| 1.2183 | 92500 | 0.0375 | - |
| 1.2249 | 93000 | 0.0394 | 0.0190 |
| 1.2315 | 93500 | 0.0372 | - |
| 1.2380 | 94000 | 0.0363 | 0.0160 |
| 1.2446 | 94500 | 0.0362 | - |
| 1.2512 | 95000 | 0.0371 | 0.0194 |
| 1.2578 | 95500 | 0.0363 | - |
| 1.2644 | 96000 | 0.0376 | 0.0147 |
| 1.2710 | 96500 | 0.0371 | - |
| 1.2776 | 97000 | 0.0363 | 0.0174 |
| 1.2841 | 97500 | 0.0363 | - |
| 1.2907 | 98000 | 0.0354 | 0.0172 |
| 1.2973 | 98500 | 0.0372 | - |
| 1.3039 | 99000 | 0.0358 | 0.0132 |
| 1.3105 | 99500 | 0.0353 | - |
| 1.3171 | 100000 | 0.0363 | 0.0131 |
| 1.3237 | 100500 | 0.0358 | - |
| 1.3302 | 101000 | 0.0359 | 0.0122 |
| 1.3368 | 101500 | 0.033 | - |
| 1.3434 | 102000 | 0.0356 | 0.0149 |
| 1.3500 | 102500 | 0.0323 | - |
| 1.3566 | 103000 | 0.0358 | 0.0124 |
| 1.3632 | 103500 | 0.034 | - |
| 1.3698 | 104000 | 0.0338 | 0.0141 |
</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.*
--> |