File size: 32,021 Bytes
5f16450 |
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 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719 720 721 722 723 724 725 726 727 728 729 730 731 732 733 734 735 736 737 738 739 740 741 742 743 744 745 746 747 748 749 750 751 752 753 754 755 756 757 758 759 760 761 762 763 764 765 766 767 768 769 770 771 772 773 774 775 776 777 778 779 780 781 782 783 784 785 786 787 788 789 790 791 792 793 794 795 |
---
base_model: uitnlp/CafeBERT
datasets: []
language: []
library_name: sentence-transformers
metrics:
- cosine_accuracy
- cosine_accuracy_threshold
- cosine_f1
- cosine_f1_threshold
- cosine_precision
- cosine_recall
- cosine_ap
- dot_accuracy
- dot_accuracy_threshold
- dot_f1
- dot_f1_threshold
- dot_precision
- dot_recall
- dot_ap
- manhattan_accuracy
- manhattan_accuracy_threshold
- manhattan_f1
- manhattan_f1_threshold
- manhattan_precision
- manhattan_recall
- manhattan_ap
- euclidean_accuracy
- euclidean_accuracy_threshold
- euclidean_f1
- euclidean_f1_threshold
- euclidean_precision
- euclidean_recall
- euclidean_ap
- max_accuracy
- max_accuracy_threshold
- max_f1
- max_f1_threshold
- max_precision
- max_recall
- max_ap
pipeline_tag: sentence-similarity
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:461625
- loss:OnlineContrastiveLoss
widget:
- source_sentence: Yếu tố nào đã dẫn đến sự thay đổi của Edward?
sentences:
- Việc giải quyết liên quan đến việc quảng bá thuốc theo toa bất hợp pháp của công
ty, không báo cáo dữ liệu an toàn, hối lộ bác sĩ và quảng bá thuốc cho các mục
đích sử dụng mà họ không được cấp phép.
- Vài tháng gần đây bệnh nhân đau âm ỉ vùng thượng vị, cứ tưởng đau dạ dày nên tự
mua thuốc uống cho đến khi bệnh trở nặng mới vào viện.
- Động cơ đằng sau sự thay đổi của Edward có thể là hoàn toàn thực dụng; Montfort
sẽ hỗ trợ đáng kể cho sự nghiệp của ông ở Gascony.
- source_sentence: Kobe là một trung tâm quốc tế lớn với các nhà hàng, quán bar và
cuộc sống về đêm phát triển mạnh mẽ, chưa kể đến Nankin-machi, khu phố Tàu nổi
tiếng nhất Nhật Bản.
sentences:
- Suy cho cùng, con người luôn thay đổi, chỉ vì họ già đi thêm một giây nữa và có
thêm một số kinh nghiệm.
- Quy trình tương tự luôn được sử dụng với chìa khóa khi rời khỏi phòng.
- Nankin-machi là phố Tàu nổi tiếng thứ hai của Nhật Bản và nằm ở một vùng nông
thôn.
- source_sentence: Với tỷ lệ lạm phát bằng 0, ngân hàng trung ương sẽ không thể làm
gì khác ngoài việc kiểm soát lãi suất?
sentences:
- Mặc dù một số nhà kinh tế ủng hộ chính sách lạm phát bằng không và do đó giá trị
liên tục của đồng đô la Mỹ, những người khác cho rằng chính sách như vậy hạn chế
khả năng của ngân hàng trung ương trong việc kiểm soát lãi suất và kích thích
nền kinh tế khi cần thiết.
- Roosevelt không tăng thuế thu nhập trước khi Chiến tranh thế giới thứ hai bắt
đầu; tuy nhiên thuế sổ lương (payroll tax) cũng bắt đầu được đưa ra nhằm gây quỹ
cho chương trình mới là An sinh Xã hội năm 1937.
- Các loại vắc-xin mới đáng chú ý khác của thời kỳ này bao gồm vắc-xin phòng bệnh
sởi (1962, John Franklin Enders của Trung tâm Y tế Trẻ em Boston, sau đó được
Maurice Hilleman tại Merck tinh chế), Rubella (1969, Hilleman, Merck) và quai
bị (1967, Hilleman, Merck)
- source_sentence: Cách một chút về phía nam là Leith Links, được cho là nơi khai
sinh ra golf, nơi mà các tay golf của Công ty danh dự Edinburgh đã xây dựng một
câu lạc bộ vào năm 1767 và bạn vẫn có thể tận hưởng một cú đánh trong không khí
biển.
sentences:
- Sáng sớm ngày 12/7/1946, một tiểu đội công an do Lê Hữu Qua chỉ huy bao vây khám
xét trụ sở của đảng Đại Việt tại số 132 Duvigneau, do nghi ngờ Đại Việt cấu kết
với Pháp âm mưu tiến hành đảo chính lật đổ chính phủ Việt Nam Dân chủ Cộng hòa
đúng vào ngày quốc khánh Pháp 14/7/1946 khiến lính canh và các đảng viên Đại Việt
không kịp phản ứng.
- Leith Links đã cho ra đời môn golf khi các tay golf Edinburgh xây dựng một câu
lạc bộ ở đó vào năm 1767, và bạn vẫn có thể chơi golf ở đó cho đến ngày nay.
- Từ ngày 28 tháng 2 đến ngày 8 tháng 3 năm 2008, khoảng 570 km2 (220 sq mi) băng
từ thềm băng Wilkins ở phía tây nam của bán đảo sụp đổ, khiến 15.000 km2 (5.800
sq mi) còn lại của thềm băng có nguy cơ sụp đổ.
- source_sentence: Chúng tôi đang tiến vào sa mạc.
sentences:
- Vị trí Thủ tướng, người đứng đầu chính phủ Hy Lạp, thuộc về lãnh đạo hiện tại
của đảng chính trị có thể có được một cuộc bỏ phiếu tín nhiệm của Quốc hội.
- Người phụ nữ này đang chạy vì cô ta đến muộn.
- Chúng tôi chuyển đến sa mạc.
model-index:
- name: SentenceTransformer based on uitnlp/CafeBERT
results:
- task:
type: binary-classification
name: Binary Classification
dataset:
name: Unknown
type: unknown
metrics:
- type: cosine_accuracy
value: 0.540375
name: Cosine Accuracy
- type: cosine_accuracy_threshold
value: 1.0
name: Cosine Accuracy Threshold
- type: cosine_f1
value: 0.6298986023568102
name: Cosine F1
- type: cosine_f1_threshold
value: 1.0
name: Cosine F1 Threshold
- type: cosine_precision
value: 0.45974597459745975
name: Cosine Precision
- type: cosine_recall
value: 1.0
name: Cosine Recall
- type: cosine_ap
value: 0.4597
name: Cosine Ap
- type: dot_accuracy
value: 0.540325
name: Dot Accuracy
- type: dot_accuracy_threshold
value: 46.29051971435547
name: Dot Accuracy Threshold
- type: dot_f1
value: 0.6298751348851549
name: Dot F1
- type: dot_f1_threshold
value: 46.290496826171875
name: Dot F1 Threshold
- type: dot_precision
value: 0.4597324665583198
name: Dot Precision
- type: dot_recall
value: 0.9999456167065478
name: Dot Recall
- type: dot_ap
value: 0.45782966491158084
name: Dot Ap
- type: manhattan_accuracy
value: 0.541125
name: Manhattan Accuracy
- type: manhattan_accuracy_threshold
value: 1.981481909751892e-05
name: Manhattan Accuracy Threshold
- type: manhattan_f1
value: 0.6298662373473547
name: Manhattan F1
- type: manhattan_f1_threshold
value: 0.00021043187007308006
name: Manhattan F1 Threshold
- type: manhattan_precision
value: 0.4597114927873197
name: Manhattan Precision
- type: manhattan_recall
value: 1.0
name: Manhattan Recall
- type: manhattan_ap
value: 0.4603931536346896
name: Manhattan Ap
- type: euclidean_accuracy
value: 0.541225
name: Euclidean Accuracy
- type: euclidean_accuracy_threshold
value: 1.6662881989759626e-06
name: Euclidean Accuracy Threshold
- type: euclidean_f1
value: 0.6298878136507665
name: Euclidean F1
- type: euclidean_f1_threshold
value: 1.694726961432025e-05
name: Euclidean F1 Threshold
- type: euclidean_precision
value: 0.4597344800860064
name: Euclidean Precision
- type: euclidean_recall
value: 1.0
name: Euclidean Recall
- type: euclidean_ap
value: 0.4601793379421392
name: Euclidean Ap
- type: max_accuracy
value: 0.541225
name: Max Accuracy
- type: max_accuracy_threshold
value: 46.29051971435547
name: Max Accuracy Threshold
- type: max_f1
value: 0.6298986023568102
name: Max F1
- type: max_f1_threshold
value: 46.290496826171875
name: Max F1 Threshold
- type: max_precision
value: 0.45974597459745975
name: Max Precision
- type: max_recall
value: 1.0
name: Max Recall
- type: max_ap
value: 0.4603931536346896
name: Max Ap
---
# SentenceTransformer based on uitnlp/CafeBERT
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [uitnlp/CafeBERT](https://huggingface.co/uitnlp/CafeBERT). It maps sentences & paragraphs to a 256-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:** [uitnlp/CafeBERT](https://huggingface.co/uitnlp/CafeBERT) <!-- at revision 056275afbdf71a5258cb31bfb9fc5f18cc718c04 -->
- **Maximum Sequence Length:** 256 tokens
- **Output Dimensionality:** 256 tokens
- **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': 256, 'do_lower_case': False}) with Transformer model: XLMRobertaModel
(1): Pooling({'word_embedding_dimension': 1024, '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})
(2): Dense({'in_features': 1024, 'out_features': 256, 'bias': True, 'activation_function': 'torch.nn.modules.activation.Tanh'})
)
```
## 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("ThuanPhong/sentence_CafeBERT")
# Run inference
sentences = [
'Chúng tôi đang tiến vào sa mạc.',
'Chúng tôi chuyển đến sa mạc.',
'Người phụ nữ này đang chạy vì cô ta đến muộn.',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 256]
# 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.*
-->
## Evaluation
### Metrics
#### Binary Classification
* Evaluated with [<code>BinaryClassificationEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.BinaryClassificationEvaluator)
| Metric | Value |
|:-----------------------------|:-----------|
| cosine_accuracy | 0.5404 |
| cosine_accuracy_threshold | 1.0 |
| cosine_f1 | 0.6299 |
| cosine_f1_threshold | 1.0 |
| cosine_precision | 0.4597 |
| cosine_recall | 1.0 |
| cosine_ap | 0.4597 |
| dot_accuracy | 0.5403 |
| dot_accuracy_threshold | 46.2905 |
| dot_f1 | 0.6299 |
| dot_f1_threshold | 46.2905 |
| dot_precision | 0.4597 |
| dot_recall | 0.9999 |
| dot_ap | 0.4578 |
| manhattan_accuracy | 0.5411 |
| manhattan_accuracy_threshold | 0.0 |
| manhattan_f1 | 0.6299 |
| manhattan_f1_threshold | 0.0002 |
| manhattan_precision | 0.4597 |
| manhattan_recall | 1.0 |
| manhattan_ap | 0.4604 |
| euclidean_accuracy | 0.5412 |
| euclidean_accuracy_threshold | 0.0 |
| euclidean_f1 | 0.6299 |
| euclidean_f1_threshold | 0.0 |
| euclidean_precision | 0.4597 |
| euclidean_recall | 1.0 |
| euclidean_ap | 0.4602 |
| max_accuracy | 0.5412 |
| max_accuracy_threshold | 46.2905 |
| max_f1 | 0.6299 |
| max_f1_threshold | 46.2905 |
| max_precision | 0.4597 |
| max_recall | 1.0 |
| **max_ap** | **0.4604** |
<!--
## 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: 461,625 training samples
* Columns: <code>sentence_0</code>, <code>sentence_1</code>, and <code>label</code>
* Approximate statistics based on the first 1000 samples:
| | sentence_0 | sentence_1 | label |
|:--------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:------------------------------------------------|
| type | string | string | int |
| details | <ul><li>min: 4 tokens</li><li>mean: 21.87 tokens</li><li>max: 121 tokens</li></ul> | <ul><li>min: 4 tokens</li><li>mean: 32.19 tokens</li><li>max: 162 tokens</li></ul> | <ul><li>0: ~55.90%</li><li>1: ~44.10%</li></ul> |
* Samples:
| sentence_0 | sentence_1 | label |
|:--------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------|
| <code>Khi nào William Caxton giới thiệu máy in ép vào nước Anh?</code> | <code>Những đặc điểm mà độc giả của Shakespeare ngày nay có thể thấy kỳ quặc hay lỗi thời thường đại diện cho những nét đặc trưng của tiếng Anh trung Đại.</code> | <code>0</code> |
| <code>Nhưng tôi không biết rằng tôi phải, " Dorcas do dự.</code> | <code>Dorcas sợ phản ứng của họ.</code> | <code>0</code> |
| <code>Đông Đức là tên gọi thường được sử dụng để chỉ quốc gia nào?</code> | <code>Cộng hòa Dân chủ Đức (tiếng Đức: Deutsche Demokratische Republik, DDR; thường được gọi là Đông Đức) là một quốc gia nay không còn nữa, tồn tại từ 1949 đến 1990 theo định hướng xã hội chủ nghĩa tại phần phía đông nước Đức ngày nay.</code> | <code>1</code> |
* Loss: [<code>OnlineContrastiveLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#onlinecontrastiveloss)
### Training Hyperparameters
#### Non-Default Hyperparameters
- `num_train_epochs`: 2
- `multi_dataset_batch_sampler`: round_robin
#### 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`: 8
- `per_device_eval_batch_size`: 8
- `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`: 5e-05
- `weight_decay`: 0.0
- `adam_beta1`: 0.9
- `adam_beta2`: 0.999
- `adam_epsilon`: 1e-08
- `max_grad_norm`: 1
- `num_train_epochs`: 2
- `max_steps`: -1
- `lr_scheduler_type`: linear
- `lr_scheduler_kwargs`: {}
- `warmup_ratio`: 0.0
- `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`: False
- `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
- `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
- `eval_use_gather_object`: False
- `batch_sampler`: batch_sampler
- `multi_dataset_batch_sampler`: round_robin
</details>
### Training Logs
<details><summary>Click to expand</summary>
| Epoch | Step | Training Loss | max_ap |
|:------:|:------:|:-------------:|:------:|
| 0 | 0 | - | 0.5959 |
| 0.0087 | 500 | 0.3971 | - |
| 0.0173 | 1000 | 0.3353 | - |
| 0.0260 | 1500 | 0.4706 | - |
| 0.0347 | 2000 | 0.5002 | - |
| 0.0433 | 2500 | 0.4528 | - |
| 0.0520 | 3000 | 0.445 | - |
| 0.0607 | 3500 | 0.428 | - |
| 0.0693 | 4000 | 0.4305 | - |
| 0.0780 | 4500 | 0.4428 | - |
| 0.0866 | 5000 | 0.4358 | - |
| 0.0953 | 5500 | 0.4309 | - |
| 0.1040 | 6000 | 0.4221 | - |
| 0.1126 | 6500 | 0.4283 | - |
| 0.1213 | 7000 | 0.4218 | - |
| 0.1300 | 7500 | 0.4176 | - |
| 0.1386 | 8000 | 0.4227 | - |
| 0.1473 | 8500 | 0.4174 | - |
| 0.1560 | 9000 | 0.418 | - |
| 0.1646 | 9500 | 0.426 | - |
| 0.1733 | 10000 | 0.4213 | - |
| 0.1820 | 10500 | 0.4165 | - |
| 0.1906 | 11000 | 0.417 | - |
| 0.1993 | 11500 | 0.4262 | - |
| 0.2080 | 12000 | 0.4192 | - |
| 0.2166 | 12500 | 0.4162 | - |
| 0.2253 | 13000 | 0.4136 | - |
| 0.2340 | 13500 | 0.4037 | - |
| 0.2426 | 14000 | 0.4234 | - |
| 0.2513 | 14500 | 0.4225 | - |
| 0.2599 | 15000 | 0.4143 | - |
| 0.2686 | 15500 | 0.4178 | - |
| 0.2773 | 16000 | 0.4172 | - |
| 0.2859 | 16500 | 0.4305 | - |
| 0.2946 | 17000 | 0.4193 | - |
| 0.3033 | 17500 | 0.4144 | - |
| 0.3119 | 18000 | 0.4192 | - |
| 0.3206 | 18500 | 0.4172 | - |
| 0.3293 | 19000 | 0.4253 | - |
| 0.3379 | 19500 | 0.4211 | - |
| 0.3466 | 20000 | 0.4197 | - |
| 0.3553 | 20500 | 0.4219 | - |
| 0.3639 | 21000 | 0.4307 | - |
| 0.3726 | 21500 | 0.4332 | - |
| 0.3813 | 22000 | 0.4201 | - |
| 0.3899 | 22500 | 0.4273 | - |
| 0.3986 | 23000 | 0.4218 | - |
| 0.4073 | 23500 | 0.4279 | - |
| 0.4159 | 24000 | 0.4299 | - |
| 0.4246 | 24500 | 0.4289 | - |
| 0.4332 | 25000 | 0.416 | - |
| 0.4419 | 25500 | 0.3997 | - |
| 0.4506 | 26000 | 0.409 | - |
| 0.4592 | 26500 | 0.4133 | - |
| 0.4679 | 27000 | 0.4016 | - |
| 0.4766 | 27500 | 0.4117 | - |
| 0.4852 | 28000 | 0.4155 | - |
| 0.4939 | 28500 | 0.4117 | - |
| 0.5026 | 29000 | 0.4039 | - |
| 0.5112 | 29500 | 0.4087 | - |
| 0.5199 | 30000 | 0.4119 | - |
| 0.5286 | 30500 | 0.3948 | - |
| 0.5372 | 31000 | 0.4013 | - |
| 0.5459 | 31500 | 0.4175 | - |
| 0.5546 | 32000 | 0.4038 | - |
| 0.5632 | 32500 | 0.4058 | - |
| 0.5719 | 33000 | 0.4099 | - |
| 0.5805 | 33500 | 0.4117 | - |
| 0.5892 | 34000 | 0.4142 | - |
| 0.5979 | 34500 | 0.4049 | - |
| 0.6065 | 35000 | 0.4099 | - |
| 0.6152 | 35500 | 0.4121 | - |
| 0.6239 | 36000 | 0.4167 | - |
| 0.6325 | 36500 | 0.4138 | - |
| 0.6412 | 37000 | 0.4125 | - |
| 0.6499 | 37500 | 0.4043 | - |
| 0.6585 | 38000 | 0.4129 | - |
| 0.6672 | 38500 | 0.4079 | - |
| 0.6759 | 39000 | 0.3954 | - |
| 0.6845 | 39500 | 0.413 | - |
| 0.6932 | 40000 | 0.4079 | - |
| 0.7019 | 40500 | 0.4067 | - |
| 0.7105 | 41000 | 0.4251 | - |
| 0.7192 | 41500 | 0.4044 | - |
| 0.7279 | 42000 | 0.3919 | - |
| 0.7365 | 42500 | 0.4081 | - |
| 0.7452 | 43000 | 0.4141 | - |
| 0.7538 | 43500 | 0.4015 | - |
| 0.7625 | 44000 | 0.4139 | - |
| 0.7712 | 44500 | 0.408 | - |
| 0.7798 | 45000 | 0.4019 | - |
| 0.7885 | 45500 | 0.4127 | - |
| 0.7972 | 46000 | 0.4109 | - |
| 0.8058 | 46500 | 0.4045 | - |
| 0.8145 | 47000 | 0.4017 | - |
| 0.8232 | 47500 | 0.4108 | - |
| 0.8318 | 48000 | 0.4189 | - |
| 0.8405 | 48500 | 0.4127 | - |
| 0.8492 | 49000 | 0.4183 | - |
| 0.8578 | 49500 | 0.408 | - |
| 0.8665 | 50000 | 0.4091 | - |
| 0.8752 | 50500 | 0.412 | - |
| 0.8838 | 51000 | 0.4129 | - |
| 0.8925 | 51500 | 0.4175 | - |
| 0.9012 | 52000 | 0.4049 | - |
| 0.9098 | 52500 | 0.4047 | - |
| 0.9185 | 53000 | 0.4016 | - |
| 0.9271 | 53500 | 0.4088 | - |
| 0.9358 | 54000 | 0.4009 | - |
| 0.9445 | 54500 | 0.3996 | - |
| 0.9531 | 55000 | 0.4054 | - |
| 0.9618 | 55500 | 0.4115 | - |
| 0.9705 | 56000 | 0.4135 | - |
| 0.9791 | 56500 | 0.4041 | - |
| 0.9878 | 57000 | 0.4046 | - |
| 0.9965 | 57500 | 0.4063 | - |
| 1.0 | 57704 | - | 0.4615 |
| 1.0051 | 58000 | 0.4054 | - |
| 1.0138 | 58500 | 0.4017 | - |
| 1.0225 | 59000 | 0.417 | - |
| 1.0311 | 59500 | 0.4048 | - |
| 1.0398 | 60000 | 0.4007 | - |
| 1.0485 | 60500 | 0.4094 | - |
| 1.0571 | 61000 | 0.4068 | - |
| 1.0658 | 61500 | 0.4113 | - |
| 1.0744 | 62000 | 0.4022 | - |
| 1.0831 | 62500 | 0.4219 | - |
| 1.0918 | 63000 | 0.4149 | - |
| 1.1004 | 63500 | 0.399 | - |
| 1.1091 | 64000 | 0.4041 | - |
| 1.1178 | 64500 | 0.4023 | - |
| 1.1264 | 65000 | 0.4039 | - |
| 1.1351 | 65500 | 0.4024 | - |
| 1.1438 | 66000 | 0.4184 | - |
| 1.1524 | 66500 | 0.4104 | - |
| 1.1611 | 67000 | 0.4032 | - |
| 1.1698 | 67500 | 0.3958 | - |
| 1.1784 | 68000 | 0.4103 | - |
| 1.1871 | 68500 | 0.4105 | - |
| 1.1958 | 69000 | 0.4049 | - |
| 1.2044 | 69500 | 0.3995 | - |
| 1.2131 | 70000 | 0.4064 | - |
| 1.2218 | 70500 | 0.4135 | - |
| 1.2304 | 71000 | 0.3907 | - |
| 1.2391 | 71500 | 0.4037 | - |
| 1.2477 | 72000 | 0.4016 | - |
| 1.2564 | 72500 | 0.4124 | - |
| 1.2651 | 73000 | 0.4071 | - |
| 1.2737 | 73500 | 0.3965 | - |
| 1.2824 | 74000 | 0.4149 | - |
| 1.2911 | 74500 | 0.3985 | - |
| 1.2997 | 75000 | 0.3957 | - |
| 1.3084 | 75500 | 0.4043 | - |
| 1.3171 | 76000 | 0.411 | - |
| 1.3257 | 76500 | 0.4109 | - |
| 1.3344 | 77000 | 0.3968 | - |
| 1.3431 | 77500 | 0.4134 | - |
| 1.3517 | 78000 | 0.4057 | - |
| 1.3604 | 78500 | 0.4034 | - |
| 1.3691 | 79000 | 0.4057 | - |
| 1.3777 | 79500 | 0.3998 | - |
| 1.3864 | 80000 | 0.4002 | - |
| 1.3951 | 80500 | 0.396 | - |
| 1.4037 | 81000 | 0.4066 | - |
| 1.4124 | 81500 | 0.4073 | - |
| 1.4210 | 82000 | 0.3957 | - |
| 1.4297 | 82500 | 0.4012 | - |
| 1.4384 | 83000 | 0.4008 | - |
| 1.4470 | 83500 | 0.4055 | - |
| 1.4557 | 84000 | 0.409 | - |
| 1.4644 | 84500 | 0.4052 | - |
| 1.4730 | 85000 | 0.4128 | - |
| 1.4817 | 85500 | 0.4053 | - |
| 1.4904 | 86000 | 0.3979 | - |
| 1.4990 | 86500 | 0.4038 | - |
| 1.5077 | 87000 | 0.3987 | - |
| 1.5164 | 87500 | 0.4071 | - |
| 1.5250 | 88000 | 0.4042 | - |
| 1.5337 | 88500 | 0.4097 | - |
| 1.5424 | 89000 | 0.4044 | - |
| 1.5510 | 89500 | 0.4037 | - |
| 1.5597 | 90000 | 0.3992 | - |
| 1.5683 | 90500 | 0.4031 | - |
| 1.5770 | 91000 | 0.4037 | - |
| 1.5857 | 91500 | 0.4001 | - |
| 1.5943 | 92000 | 0.4069 | - |
| 1.6030 | 92500 | 0.4149 | - |
| 1.6117 | 93000 | 0.4091 | - |
| 1.6203 | 93500 | 0.3978 | - |
| 1.6290 | 94000 | 0.397 | - |
| 1.6377 | 94500 | 0.4063 | - |
| 1.6463 | 95000 | 0.4032 | - |
| 1.6550 | 95500 | 0.4146 | - |
| 1.6637 | 96000 | 0.407 | - |
| 1.6723 | 96500 | 0.4079 | - |
| 1.6810 | 97000 | 0.3991 | - |
| 1.6897 | 97500 | 0.4072 | - |
| 1.6983 | 98000 | 0.397 | - |
| 1.7070 | 98500 | 0.4033 | - |
| 1.7157 | 99000 | 0.412 | - |
| 1.7243 | 99500 | 0.3886 | - |
| 1.7330 | 100000 | 0.4026 | - |
| 1.7416 | 100500 | 0.3993 | - |
| 1.7503 | 101000 | 0.4078 | - |
| 1.7590 | 101500 | 0.3945 | - |
| 1.7676 | 102000 | 0.4029 | - |
| 1.7763 | 102500 | 0.4048 | - |
| 1.7850 | 103000 | 0.3994 | - |
| 1.7936 | 103500 | 0.4079 | - |
| 1.8023 | 104000 | 0.4146 | - |
| 1.8110 | 104500 | 0.4014 | - |
| 1.8196 | 105000 | 0.3942 | - |
| 1.8283 | 105500 | 0.4081 | - |
| 1.8370 | 106000 | 0.4016 | - |
| 1.8456 | 106500 | 0.4122 | - |
| 1.8543 | 107000 | 0.4078 | - |
| 1.8630 | 107500 | 0.4146 | - |
| 1.8716 | 108000 | 0.4029 | - |
| 1.8803 | 108500 | 0.4057 | - |
| 1.8890 | 109000 | 0.3994 | - |
| 1.8976 | 109500 | 0.3955 | - |
| 1.9063 | 110000 | 0.3997 | - |
| 1.9149 | 110500 | 0.3935 | - |
| 1.9236 | 111000 | 0.3942 | - |
| 1.9323 | 111500 | 0.3979 | - |
| 1.9409 | 112000 | 0.3996 | - |
| 1.9496 | 112500 | 0.4076 | - |
| 1.9583 | 113000 | 0.3971 | - |
| 1.9669 | 113500 | 0.4075 | - |
| 1.9756 | 114000 | 0.4028 | - |
| 1.9843 | 114500 | 0.4011 | - |
| 1.9929 | 115000 | 0.3929 | - |
| 2.0 | 115408 | - | 0.4604 |
</details>
### Framework Versions
- Python: 3.10.13
- Sentence Transformers: 3.0.1
- Transformers: 4.44.2
- PyTorch: 2.2.1
- Accelerate: 0.33.0
- Datasets: 2.21.0
- Tokenizers: 0.19.1
## 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",
}
```
<!--
## 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.*
--> |