codersan/validadted_FaLabse_onV8d

1---2tags:3- sentence-transformers4- sentence-similarity5- feature-extraction6- generated_from_trainer7- dataset_size:214848- loss:MultipleNegativesRankingLoss9base_model: sentence-transformers/LaBSE10widget:11- source_sentence: زنی ماهی را سرخ می کند.12  sentences:13  - ماهی توسط زنی پخته می شود14  - در سال ۱۱۵۷ ق.م کوتیر-ناهوته حکمران ایلام برای گرفتن انتقام بابل را فتح میکند.15  - دو نفر سوار موتورسیکلت می شوند16- source_sentence: نرخ‌های بهره چگونه بر قرض‌گیری و سرمایه‌گذاری تأثیر می‌گذارند؟17  sentences:18  - چالش‌ها و تجربیات شخصی جی.K. رولینگ، از جمله مرگ مادرش، بر عمق احساسی و مضامین19    مجموعه 'هری پاتر' تأثیرگذار بود.20  - نرخ بهره می‌تواند تحت تأثیر تورم، رشد اقتصادی و سیاست‌های پولی قرار گیرد.21  - گروهی از مردم به لباس محافظتی مجهز نیستند22- source_sentence: 'شهرستان مدیسون، تگزاس (به انگلیسی: Madison County, Texas) یک سکونتگاه23    مسکونی در ایالات متحده آمریکا است که در تگزاس واقع شده‌است.'24  sentences:25  - شهرستان مدیسون در در ایالت تگزاس قرار دارد.26  - زنان  در حال پوشاندن گوش های بونی و شماره مسابقه هستند و به چیزی از دور اشاره27    می کنند28  - سوار در برف در حال دوچرخه سواری است و یک ژاکت قرمز پوشیده است29- source_sentence: خانواده ای خوشحال در کنار شومینه برای عکس ژست گرفته اند30  sentences:31  - مردی آنجا نیست که روی صندلی نشسته و چشم هایش را مالش دهد32  - آیا باید برای CAT به مربیگری بپیوندم؟33  - خانواده ای غمگین کنار شومینه ژست گرفته اند34- source_sentence: کودک جوان دارد اسکوتر سه چرخ را روبه پایین در پیاده رو می راند.35  sentences:36  - کتاب قابوس نامه اثر عنصرالمعالی کیکاووس بن اسکندر می باشد.37  - دو سگ بزرگ در چمن زار ورجه ورجه می‌کنند38  - کودک جوانی دارد اسکوتر سه چرخ را  روبه پایین در پیاده رو می راند.39pipeline_tag: sentence-similarity40library_name: sentence-transformers41---42 43# SentenceTransformer based on sentence-transformers/LaBSE44 45This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [sentence-transformers/LaBSE](https://huggingface.co/sentence-transformers/LaBSE). 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.46 47## Model Details48 49### Model Description50- **Model Type:** Sentence Transformer51- **Base model:** [sentence-transformers/LaBSE](https://huggingface.co/sentence-transformers/LaBSE) <!-- at revision 836121a0533e5664b21c7aacc5d22951f2b8b25b -->52- **Maximum Sequence Length:** 256 tokens53- **Output Dimensionality:** 768 dimensions54- **Similarity Function:** Cosine Similarity55<!-- - **Training Dataset:** Unknown -->56<!-- - **Language:** Unknown -->57<!-- - **License:** Unknown -->58 59### Model Sources60 61- **Documentation:** [Sentence Transformers Documentation](https://sbert.net)62- **Repository:** [Sentence Transformers on GitHub](https://github.com/UKPLab/sentence-transformers)63- **Hugging Face:** [Sentence Transformers on Hugging Face](https://huggingface.co/models?library=sentence-transformers)64 65### Full Model Architecture66 67```68SentenceTransformer(69  (0): Transformer({'max_seq_length': 256, 'do_lower_case': False}) with Transformer model: BertModel 70  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})71  (2): Dense({'in_features': 768, 'out_features': 768, 'bias': True, 'activation_function': 'torch.nn.modules.activation.Tanh'})72  (3): Normalize()73)74```75 76## Usage77 78### Direct Usage (Sentence Transformers)79 80First install the Sentence Transformers library:81 82```bash83pip install -U sentence-transformers84```85 86Then you can load this model and run inference.87```python88from sentence_transformers import SentenceTransformer89 90# Download from the 🤗 Hub91model = SentenceTransformer("codersan/validadted_FaLabse_onV8d")92# Run inference93sentences = [94    'کودک جوان دارد اسکوتر سه چرخ را روبه پایین در پیاده رو می راند.',95    'کودک جوانی دارد اسکوتر سه چرخ را  روبه پایین در پیاده رو می راند.',96    'کتاب قابوس نامه اثر عنصرالمعالی کیکاووس بن اسکندر می باشد.',97]98embeddings = model.encode(sentences)99print(embeddings.shape)100# [3, 768]101 102# Get the similarity scores for the embeddings103similarities = model.similarity(embeddings, embeddings)104print(similarities.shape)105# [3, 3]106```107 108<!--109### Direct Usage (Transformers)110 111<details><summary>Click to see the direct usage in Transformers</summary>112 113</details>114-->115 116<!--117### Downstream Usage (Sentence Transformers)118 119You can finetune this model on your own dataset.120 121<details><summary>Click to expand</summary>122 123</details>124-->125 126<!--127### Out-of-Scope Use128 129*List how the model may foreseeably be misused and address what users ought not to do with the model.*130-->131 132<!--133## Bias, Risks and Limitations134 135*What are the known or foreseeable issues stemming from this model? You could also flag here known failure cases or weaknesses of the model.*136-->137 138<!--139### Recommendations140 141*What are recommendations with respect to the foreseeable issues? For example, filtering explicit content.*142-->143 144## Training Details145 146### Training Dataset147 148#### Unnamed Dataset149 150 151* Size: 21,484 training samples152* Columns: <code>anchor</code> and <code>positive</code>153* Approximate statistics based on the first 1000 samples:154  |         | anchor                                                                             | positive                                                                          |155  |:--------|:-----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|156  | type    | string                                                                             | string                                                                            |157  | details | <ul><li>min: 4 tokens</li><li>mean: 19.86 tokens</li><li>max: 106 tokens</li></ul> | <ul><li>min: 5 tokens</li><li>mean: 19.49 tokens</li><li>max: 76 tokens</li></ul> |158* Samples:159  | anchor                                                                                                                                                                                                          | positive                                                                                                                                        |160  |:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------------------------------------------------------------|161  | <code>کارگردان چگونه بر یک نمایش تئاتری تأثیر می‌گذارد؟</code>                                                                                                                                                  | <code>کارگردان نورپردازی و جلوه‌های صوتی را که در نمایش استفاده خواهد شد انتخاب می‌کند، که بر حال و هوا و جو اجرای نمایش تأثیر می‌گذارد.</code> |162  | <code>پیش از پیدایش شهر اراک گویش‌های متفاوتی در منطقه وجود داشت، اما با مهاجرت گروه‌های مختلف و ساکنان آن‌ها در شهر ترکیب خاصی از لهجه‌های مختلف به وجود آمد که امروزه به نام لهجه اراکی شناخته می‌شود.</code> | <code>لهجه اراکی ترکیبی از لهجه های مختلف است</code>                                                                                            |163  | <code>اهمیت تاریخی واتیکان چیست؟</code>                                                                                                                                                                         | <code>واتیکان مرکز روحانی و اداری کلیسای کاتولیک رومی است و برای قرن‌ها یک نهاد مذهبی و سیاسی مهم بوده است.</code>                              |164* Loss: [<code>MultipleNegativesRankingLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters:165  ```json166  {167      "scale": 20.0,168      "similarity_fct": "cos_sim"169  }170  ```171 172### Training Hyperparameters173#### Non-Default Hyperparameters174 175- `eval_strategy`: steps176- `learning_rate`: 5e-06177- `weight_decay`: 0.01178- `num_train_epochs`: 10179- `warmup_ratio`: 0.1180- `push_to_hub`: True181- `hub_model_id`: codersan/validadted_FaLabse_onV8d182- `eval_on_start`: True183- `batch_sampler`: no_duplicates184 185#### All Hyperparameters186<details><summary>Click to expand</summary>187 188- `overwrite_output_dir`: False189- `do_predict`: False190- `eval_strategy`: steps191- `prediction_loss_only`: True192- `per_device_train_batch_size`: 8193- `per_device_eval_batch_size`: 8194- `per_gpu_train_batch_size`: None195- `per_gpu_eval_batch_size`: None196- `gradient_accumulation_steps`: 1197- `eval_accumulation_steps`: None198- `torch_empty_cache_steps`: None199- `learning_rate`: 5e-06200- `weight_decay`: 0.01201- `adam_beta1`: 0.9202- `adam_beta2`: 0.999203- `adam_epsilon`: 1e-08204- `max_grad_norm`: 1205- `num_train_epochs`: 10206- `max_steps`: -1207- `lr_scheduler_type`: linear208- `lr_scheduler_kwargs`: {}209- `warmup_ratio`: 0.1210- `warmup_steps`: 0211- `log_level`: passive212- `log_level_replica`: warning213- `log_on_each_node`: True214- `logging_nan_inf_filter`: True215- `save_safetensors`: True216- `save_on_each_node`: False217- `save_only_model`: False218- `restore_callback_states_from_checkpoint`: False219- `no_cuda`: False220- `use_cpu`: False221- `use_mps_device`: False222- `seed`: 42223- `data_seed`: None224- `jit_mode_eval`: False225- `use_ipex`: False226- `bf16`: False227- `fp16`: False228- `fp16_opt_level`: O1229- `half_precision_backend`: auto230- `bf16_full_eval`: False231- `fp16_full_eval`: False232- `tf32`: None233- `local_rank`: 0234- `ddp_backend`: None235- `tpu_num_cores`: None236- `tpu_metrics_debug`: False237- `debug`: []238- `dataloader_drop_last`: False239- `dataloader_num_workers`: 0240- `dataloader_prefetch_factor`: None241- `past_index`: -1242- `disable_tqdm`: False243- `remove_unused_columns`: True244- `label_names`: None245- `load_best_model_at_end`: False246- `ignore_data_skip`: False247- `fsdp`: []248- `fsdp_min_num_params`: 0249- `fsdp_config`: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}250- `fsdp_transformer_layer_cls_to_wrap`: None251- `accelerator_config`: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}252- `deepspeed`: None253- `label_smoothing_factor`: 0.0254- `optim`: adamw_torch255- `optim_args`: None256- `adafactor`: False257- `group_by_length`: False258- `length_column_name`: length259- `ddp_find_unused_parameters`: None260- `ddp_bucket_cap_mb`: None261- `ddp_broadcast_buffers`: False262- `dataloader_pin_memory`: True263- `dataloader_persistent_workers`: False264- `skip_memory_metrics`: True265- `use_legacy_prediction_loop`: False266- `push_to_hub`: True267- `resume_from_checkpoint`: None268- `hub_model_id`: codersan/validadted_FaLabse_onV8d269- `hub_strategy`: every_save270- `hub_private_repo`: None271- `hub_always_push`: False272- `gradient_checkpointing`: False273- `gradient_checkpointing_kwargs`: None274- `include_inputs_for_metrics`: False275- `include_for_metrics`: []276- `eval_do_concat_batches`: True277- `fp16_backend`: auto278- `push_to_hub_model_id`: None279- `push_to_hub_organization`: None280- `mp_parameters`: 281- `auto_find_batch_size`: False282- `full_determinism`: False283- `torchdynamo`: None284- `ray_scope`: last285- `ddp_timeout`: 1800286- `torch_compile`: False287- `torch_compile_backend`: None288- `torch_compile_mode`: None289- `dispatch_batches`: None290- `split_batches`: None291- `include_tokens_per_second`: False292- `include_num_input_tokens_seen`: False293- `neftune_noise_alpha`: None294- `optim_target_modules`: None295- `batch_eval_metrics`: False296- `eval_on_start`: True297- `use_liger_kernel`: False298- `eval_use_gather_object`: False299- `average_tokens_across_devices`: False300- `prompts`: None301- `batch_sampler`: no_duplicates302- `multi_dataset_batch_sampler`: proportional303 304</details>305 306### Training Logs307<details><summary>Click to expand</summary>308 309| Epoch  | Step  | Training Loss |310|:------:|:-----:|:-------------:|311| 0      | 0     | -             |312| 0.0372 | 100   | 0.1886        |313| 0.0745 | 200   | 0.1598        |314| 0.1117 | 300   | 0.0973        |315| 0.1489 | 400   | 0.1205        |316| 0.1862 | 500   | 0.0752        |317| 0.2234 | 600   | 0.0669        |318| 0.2606 | 700   | 0.0603        |319| 0.2978 | 800   | 0.0492        |320| 0.3351 | 900   | 0.0479        |321| 0.3723 | 1000  | 0.0396        |322| 0.4095 | 1100  | 0.0394        |323| 0.4468 | 1200  | 0.0344        |324| 0.4840 | 1300  | 0.0477        |325| 0.5212 | 1400  | 0.028         |326| 0.5585 | 1500  | 0.0317        |327| 0.5957 | 1600  | 0.054         |328| 0.6329 | 1700  | 0.0526        |329| 0.6701 | 1800  | 0.0288        |330| 0.7074 | 1900  | 0.0319        |331| 0.7446 | 2000  | 0.0374        |332| 0.7818 | 2100  | 0.0155        |333| 0.8191 | 2200  | 0.0447        |334| 0.8563 | 2300  | 0.0241        |335| 0.8935 | 2400  | 0.03          |336| 0.9308 | 2500  | 0.0563        |337| 0.9680 | 2600  | 0.0405        |338| 1.0052 | 2700  | 0.0313        |339| 1.0424 | 2800  | 0.0402        |340| 1.0797 | 2900  | 0.0424        |341| 1.1169 | 3000  | 0.0239        |342| 1.1541 | 3100  | 0.0464        |343| 1.1914 | 3200  | 0.0233        |344| 1.2286 | 3300  | 0.0198        |345| 1.2658 | 3400  | 0.0253        |346| 1.3031 | 3500  | 0.016         |347| 1.3403 | 3600  | 0.0199        |348| 1.3775 | 3700  | 0.0145        |349| 1.4147 | 3800  | 0.0154        |350| 1.4520 | 3900  | 0.0072        |351| 1.4892 | 4000  | 0.0132        |352| 1.5264 | 4100  | 0.0074        |353| 1.5637 | 4200  | 0.016         |354| 1.6009 | 4300  | 0.0222        |355| 1.6381 | 4400  | 0.0243        |356| 1.6754 | 4500  | 0.0071        |357| 1.7126 | 4600  | 0.0061        |358| 1.7498 | 4700  | 0.018         |359| 1.7870 | 4800  | 0.0059        |360| 1.8243 | 4900  | 0.0106        |361| 1.8615 | 5000  | 0.0087        |362| 1.8987 | 5100  | 0.0123        |363| 1.9360 | 5200  | 0.0105        |364| 1.9732 | 5300  | 0.0167        |365| 2.0104 | 5400  | 0.0099        |366| 2.0477 | 5500  | 0.0332        |367| 2.0849 | 5600  | 0.0071        |368| 2.1221 | 5700  | 0.0107        |369| 2.1593 | 5800  | 0.0048        |370| 2.1966 | 5900  | 0.0046        |371| 2.2338 | 6000  | 0.0052        |372| 2.2710 | 6100  | 0.0066        |373| 2.3083 | 6200  | 0.0022        |374| 2.3455 | 6300  | 0.0115        |375| 2.3827 | 6400  | 0.0039        |376| 2.4200 | 6500  | 0.0052        |377| 2.4572 | 6600  | 0.0014        |378| 2.4944 | 6700  | 0.0039        |379| 2.5316 | 6800  | 0.002         |380| 2.5689 | 6900  | 0.0061        |381| 2.6061 | 7000  | 0.016         |382| 2.6433 | 7100  | 0.0064        |383| 2.6806 | 7200  | 0.0031        |384| 2.7178 | 7300  | 0.0016        |385| 2.7550 | 7400  | 0.0037        |386| 2.7923 | 7500  | 0.0015        |387| 2.8295 | 7600  | 0.0035        |388| 2.8667 | 7700  | 0.0021        |389| 2.9039 | 7800  | 0.0083        |390| 2.9412 | 7900  | 0.0037        |391| 2.9784 | 8000  | 0.0092        |392| 3.0156 | 8100  | 0.0014        |393| 3.0529 | 8200  | 0.006         |394| 3.0901 | 8300  | 0.0027        |395| 3.1273 | 8400  | 0.0017        |396| 3.1646 | 8500  | 0.0019        |397| 3.2018 | 8600  | 0.0012        |398| 3.2390 | 8700  | 0.0016        |399| 3.2762 | 8800  | 0.001         |400| 3.3135 | 8900  | 0.0042        |401| 3.3507 | 9000  | 0.001         |402| 3.3879 | 9100  | 0.0008        |403| 3.4252 | 9200  | 0.0009        |404| 3.4624 | 9300  | 0.0007        |405| 3.4996 | 9400  | 0.0015        |406| 3.5369 | 9500  | 0.0013        |407| 3.5741 | 9600  | 0.0014        |408| 3.6113 | 9700  | 0.0125        |409| 3.6485 | 9800  | 0.0011        |410| 3.6858 | 9900  | 0.0008        |411| 3.7230 | 10000 | 0.0013        |412| 3.7602 | 10100 | 0.0007        |413| 3.7975 | 10200 | 0.0005        |414| 3.8347 | 10300 | 0.0008        |415| 3.8719 | 10400 | 0.0006        |416| 3.9092 | 10500 | 0.0037        |417| 3.9464 | 10600 | 0.0045        |418| 3.9836 | 10700 | 0.0008        |419| 4.0208 | 10800 | 0.0007        |420| 4.0581 | 10900 | 0.0014        |421| 4.0953 | 11000 | 0.001         |422| 4.1325 | 11100 | 0.0008        |423| 4.1698 | 11200 | 0.0007        |424| 4.2070 | 11300 | 0.0006        |425| 4.2442 | 11400 | 0.0005        |426| 4.2815 | 11500 | 0.0006        |427| 4.3187 | 11600 | 0.0012        |428| 4.3559 | 11700 | 0.0005        |429| 4.3931 | 11800 | 0.001         |430| 4.4304 | 11900 | 0.0004        |431| 4.4676 | 12000 | 0.0005        |432| 4.5048 | 12100 | 0.0006        |433| 4.5421 | 12200 | 0.0005        |434| 4.5793 | 12300 | 0.0093        |435| 4.6165 | 12400 | 0.0007        |436| 4.6538 | 12500 | 0.0004        |437| 4.6910 | 12600 | 0.0003        |438| 4.7282 | 12700 | 0.0005        |439| 4.7655 | 12800 | 0.0008        |440| 4.8027 | 12900 | 0.0004        |441| 4.8399 | 13000 | 0.0004        |442| 4.8771 | 13100 | 0.0004        |443| 4.9144 | 13200 | 0.0031        |444| 4.9516 | 13300 | 0.0014        |445| 4.9888 | 13400 | 0.0004        |446| 5.0261 | 13500 | 0.0005        |447| 5.0633 | 13600 | 0.0005        |448| 5.1005 | 13700 | 0.0004        |449| 5.1378 | 13800 | 0.0004        |450| 5.1750 | 13900 | 0.0004        |451| 5.2122 | 14000 | 0.0004        |452| 5.2494 | 14100 | 0.0004        |453| 5.2867 | 14200 | 0.0004        |454| 5.3239 | 14300 | 0.0004        |455| 5.3611 | 14400 | 0.0002        |456| 5.3984 | 14500 | 0.0005        |457| 5.4356 | 14600 | 0.0004        |458| 5.4728 | 14700 | 0.0003        |459| 5.5101 | 14800 | 0.0004        |460| 5.5473 | 14900 | 0.0004        |461| 5.5845 | 15000 | 0.0064        |462| 5.6217 | 15100 | 0.0003        |463| 5.6590 | 15200 | 0.0003        |464| 5.6962 | 15300 | 0.0002        |465| 5.7334 | 15400 | 0.0003        |466| 5.7707 | 15500 | 0.0002        |467| 5.8079 | 15600 | 0.0003        |468| 5.8451 | 15700 | 0.0002        |469| 5.8824 | 15800 | 0.0002        |470| 5.9196 | 15900 | 0.0023        |471| 5.9568 | 16000 | 0.0009        |472| 5.9940 | 16100 | 0.0003        |473| 6.0313 | 16200 | 0.0003        |474| 6.0685 | 16300 | 0.0003        |475| 6.1057 | 16400 | 0.0002        |476| 6.1430 | 16500 | 0.0003        |477| 6.1802 | 16600 | 0.0002        |478| 6.2174 | 16700 | 0.0003        |479| 6.2547 | 16800 | 0.0002        |480| 6.2919 | 16900 | 0.0002        |481| 6.3291 | 17000 | 0.0003        |482| 6.3663 | 17100 | 0.0002        |483| 6.4036 | 17200 | 0.0002        |484| 6.4408 | 17300 | 0.0002        |485| 6.4780 | 17400 | 0.0003        |486| 6.5153 | 17500 | 0.0003        |487| 6.5525 | 17600 | 0.0003        |488| 6.5897 | 17700 | 0.0025        |489| 6.6270 | 17800 | 0.0002        |490| 6.6642 | 17900 | 0.0002        |491| 6.7014 | 18000 | 0.0002        |492| 6.7386 | 18100 | 0.0003        |493| 6.7759 | 18200 | 0.0002        |494| 6.8131 | 18300 | 0.0002        |495| 6.8503 | 18400 | 0.0002        |496| 6.8876 | 18500 | 0.0002        |497| 6.9248 | 18600 | 0.0014        |498| 6.9620 | 18700 | 0.0003        |499| 6.9993 | 18800 | 0.0003        |500| 7.0365 | 18900 | 0.0003        |501| 7.0737 | 19000 | 0.0002        |502| 7.1109 | 19100 | 0.0002        |503| 7.1482 | 19200 | 0.0002        |504| 7.1854 | 19300 | 0.0002        |505| 7.2226 | 19400 | 0.0002        |506| 7.2599 | 19500 | 0.0003        |507| 7.2971 | 19600 | 0.0002        |508| 7.3343 | 19700 | 0.0002        |509| 7.3716 | 19800 | 0.0002        |510| 7.4088 | 19900 | 0.0002        |511| 7.4460 | 20000 | 0.0002        |512| 7.4832 | 20100 | 0.0003        |513| 7.5205 | 20200 | 0.0002        |514| 7.5577 | 20300 | 0.0002        |515| 7.5949 | 20400 | 0.0018        |516| 7.6322 | 20500 | 0.0002        |517| 7.6694 | 20600 | 0.0002        |518| 7.7066 | 20700 | 0.0002        |519| 7.7439 | 20800 | 0.0002        |520| 7.7811 | 20900 | 0.0001        |521| 7.8183 | 21000 | 0.0002        |522| 7.8555 | 21100 | 0.0001        |523| 7.8928 | 21200 | 0.0002        |524| 7.9300 | 21300 | 0.0011        |525| 7.9672 | 21400 | 0.0002        |526| 8.0045 | 21500 | 0.0002        |527| 8.0417 | 21600 | 0.0002        |528| 8.0789 | 21700 | 0.0002        |529| 8.1162 | 21800 | 0.0002        |530| 8.1534 | 21900 | 0.0002        |531| 8.1906 | 22000 | 0.0002        |532| 8.2278 | 22100 | 0.0002        |533| 8.2651 | 22200 | 0.0002        |534| 8.3023 | 22300 | 0.0001        |535| 8.3395 | 22400 | 0.0001        |536| 8.3768 | 22500 | 0.0002        |537| 8.4140 | 22600 | 0.0001        |538| 8.4512 | 22700 | 0.0001        |539| 8.4885 | 22800 | 0.0002        |540| 8.5257 | 22900 | 0.0001        |541| 8.5629 | 23000 | 0.0001        |542| 8.6001 | 23100 | 0.0011        |543| 8.6374 | 23200 | 0.0002        |544| 8.6746 | 23300 | 0.0001        |545| 8.7118 | 23400 | 0.0002        |546| 8.7491 | 23500 | 0.0001        |547| 8.7863 | 23600 | 0.0001        |548| 8.8235 | 23700 | 0.0001        |549| 8.8608 | 23800 | 0.0001        |550| 8.8980 | 23900 | 0.0004        |551| 8.9352 | 24000 | 0.0002        |552| 8.9724 | 24100 | 0.0002        |553| 9.0097 | 24200 | 0.0001        |554| 9.0469 | 24300 | 0.0001        |555| 9.0841 | 24400 | 0.0001        |556| 9.1214 | 24500 | 0.0001        |557| 9.1586 | 24600 | 0.0002        |558| 9.1958 | 24700 | 0.0002        |559| 9.2331 | 24800 | 0.0001        |560| 9.2703 | 24900 | 0.0002        |561| 9.3075 | 25000 | 0.0001        |562| 9.3448 | 25100 | 0.0001        |563| 9.3820 | 25200 | 0.0001        |564| 9.4192 | 25300 | 0.0001        |565| 9.4564 | 25400 | 0.0001        |566| 9.4937 | 25500 | 0.0002        |567| 9.5309 | 25600 | 0.0001        |568| 9.5681 | 25700 | 0.0001        |569| 9.6054 | 25800 | 0.0004        |570| 9.6426 | 25900 | 0.0001        |571| 9.6798 | 26000 | 0.0001        |572| 9.7171 | 26100 | 0.0001        |573| 9.7543 | 26200 | 0.0002        |574| 9.7915 | 26300 | 0.0001        |575| 9.8287 | 26400 | 0.0001        |576| 9.8660 | 26500 | 0.0001        |577| 9.9032 | 26600 | 0.0006        |578| 9.9404 | 26700 | 0.0001        |579| 9.9777 | 26800 | 0.0002        |580 581</details>582 583### Framework Versions584- Python: 3.10.12585- Sentence Transformers: 3.3.1586- Transformers: 4.47.0587- PyTorch: 2.5.1+cu121588- Accelerate: 1.2.1589- Datasets: 3.2.0590- Tokenizers: 0.21.0591 592## Citation593 594### BibTeX595 596#### Sentence Transformers597```bibtex598@inproceedings{reimers-2019-sentence-bert,599    title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",600    author = "Reimers, Nils and Gurevych, Iryna",601    booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing",602    month = "11",603    year = "2019",604    publisher = "Association for Computational Linguistics",605    url = "https://arxiv.org/abs/1908.10084",606}607```608 609#### MultipleNegativesRankingLoss610```bibtex611@misc{henderson2017efficient,612    title={Efficient Natural Language Response Suggestion for Smart Reply},613    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},614    year={2017},615    eprint={1705.00652},616    archivePrefix={arXiv},617    primaryClass={cs.CL}618}619```620 621<!--622## Glossary623 624*Clearly define terms in order to be accessible across audiences.*625-->626 627<!--628## Model Card Authors629 630*Lists the people who create the model card, providing recognition and accountability for the detailed work that goes into its construction.*631-->632 633<!--634## Model Card Contact635 636*Provides a way for people who have updates to the Model Card, suggestions, or questions, to contact the Model Card authors.*637-->