Add new SentenceTransformer model

4705cc6 verified 23 days ago

23.3 kB

	---
	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.
	-->