demo

.gitattributes

@@ -33,3 +33,4 @@ saved_model/**/* filter=lfs diff=lfs merge=lfs -text
 *.zip filter=lfs diff=lfs merge=lfs -text
 *.zst filter=lfs diff=lfs merge=lfs -text
 *tfevents* filter=lfs diff=lfs merge=lfs -text
+tokenizer.json filter=lfs diff=lfs merge=lfs -text

1_Pooling/config.json

@@ -0,0 +1,10 @@
+{
+  "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/config.json

@@ -0,0 +1 @@
+{"in_features": 1024, "out_features": 256, "bias": true, "activation_function": "torch.nn.modules.activation.Tanh"}

2_Dense/model.safetensors

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:793fbf7e84716f26ab7992c375e235786040d138433a82cf8224eb3eb7e1e163
+size 1049760

README.md

@@ -0,0 +1,795 @@
+---
+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.*
+-->

config.json

@@ -0,0 +1,28 @@
+{
+  "_name_or_path": "uitnlp/CafeBERT",
+  "architectures": [
+    "XLMRobertaModel"
+  ],
+  "attention_probs_dropout_prob": 0.1,
+  "bos_token_id": 0,
+  "classifier_dropout": null,
+  "eos_token_id": 2,
+  "hidden_act": "gelu",
+  "hidden_dropout_prob": 0.1,
+  "hidden_size": 1024,
+  "initializer_range": 0.02,
+  "intermediate_size": 4096,
+  "layer_norm_eps": 1e-05,
+  "max_position_embeddings": 514,
+  "model_type": "xlm-roberta",
+  "num_attention_heads": 16,
+  "num_hidden_layers": 24,
+  "output_past": true,
+  "pad_token_id": 1,
+  "position_embedding_type": "absolute",
+  "torch_dtype": "float32",
+  "transformers_version": "4.44.2",
+  "type_vocab_size": 1,
+  "use_cache": true,
+  "vocab_size": 250002
+}

config_sentence_transformers.json

@@ -0,0 +1,10 @@
+{
+  "__version__": {
+    "sentence_transformers": "3.0.1",
+    "transformers": "4.44.2",
+    "pytorch": "2.2.1"
+  },
+  "prompts": {},
+  "default_prompt_name": null,
+  "similarity_fn_name": null
+}

model.safetensors

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:1a17b7895ea971f70f8aa8f23f7655562617a06a8b635d53931ff078e8b572ed
+size 2239607176

modules.json

@@ -0,0 +1,20 @@
+[
+  {
+    "idx": 0,
+    "name": "0",
+    "path": "",
+    "type": "sentence_transformers.models.Transformer"
+  },
+  {
+    "idx": 1,
+    "name": "1",
+    "path": "1_Pooling",
+    "type": "sentence_transformers.models.Pooling"
+  },
+  {
+    "idx": 2,
+    "name": "2",
+    "path": "2_Dense",
+    "type": "sentence_transformers.models.Dense"
+  }
+]

sentence_bert_config.json

@@ -0,0 +1,4 @@
+{
+  "max_seq_length": 256,
+  "do_lower_case": false
+}

sentencepiece.bpe.model

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:cfc8146abe2a0488e9e2a0c56de7952f7c11ab059eca145a0a727afce0db2865
+size 5069051

special_tokens_map.json

@@ -0,0 +1,15 @@
+{
+  "bos_token": "<s>",
+  "cls_token": "<s>",
+  "eos_token": "</s>",
+  "mask_token": {
+    "content": "<mask>",
+    "lstrip": true,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "pad_token": "<pad>",
+  "sep_token": "</s>",
+  "unk_token": "<unk>"
+}

tokenizer.json

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:4f8ffef5c9a66e45626d0b977d667d9370d9421e52ad49ce7016c8ab7ce8dab8
+size 17098504

tokenizer_config.json

@@ -0,0 +1,55 @@
+{
+  "added_tokens_decoder": {
+    "0": {
+      "content": "<s>",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "1": {
+      "content": "<pad>",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "2": {
+      "content": "</s>",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "3": {
+      "content": "<unk>",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "250001": {
+      "content": "<mask>",
+      "lstrip": true,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    }
+  },
+  "bos_token": "<s>",
+  "clean_up_tokenization_spaces": true,
+  "cls_token": "<s>",
+  "eos_token": "</s>",
+  "mask_token": "<mask>",
+  "model_max_length": 256,
+  "pad_token": "<pad>",
+  "sep_token": "</s>",
+  "sp_model_kwargs": {},
+  "tokenizer_class": "XLMRobertaTokenizer",
+  "unk_token": "<unk>"
+}