Add new SentenceTransformer model

1_Pooling/config.json

@@ -0,0 +1,10 @@
+{
+  "word_embedding_dimension": 384,
+  "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
+}

README.md

@@ -0,0 +1,697 @@
+---
+tags:
+- sentence-transformers
+- sentence-similarity
+- feature-extraction
+- generated_from_trainer
+- dataset_size:131157
+- loss:MultipleNegativesRankingLoss
+base_model: sentence-transformers/all-MiniLM-L6-v2
+widget:
+- source_sentence: عواقب ممنوعیت یادداشت های 500 روپیه و 1000 روپیه در مورد اقتصاد
+    هند چیست؟
+  sentences:
+  - آیا باید در فیزیک و علوم کامپیوتر دو برابر کنم؟
+  - چگونه اقتصاد هند پس از ممنوعیت 500 1000 یادداشت تحت تأثیر قرار گرفت؟
+  - آیا آلمان در اجازه پناهندگان سوری به کشور خود اشتباه کرد؟
+- source_sentence: بهترین شماره پشتیبانی فنی QuickBooks در نیویورک ، ایالات متحده
+    کدام است؟
+  sentences:
+  - فناوری هایی که اکثر مردم از آنها نمی دانند چیست؟
+  - بهترین شماره پشتیبانی QuickBooks در آرکانزاس چیست؟
+  - چرا در مقایسه با طرف نزدیک ، دهانه های زیادی در قسمت دور ماه وجود دارد؟
+- source_sentence: اقدامات احتیاطی ایمنی در مورد استفاده از اسلحه های پیشنهادی NRA
+    در میشیگان چیست؟
+  sentences:
+  - پیروزی ترامپ چگونه بر کانادا تأثیر خواهد گذاشت؟
+  - اقدامات احتیاطی ایمنی در مورد استفاده از اسلحه های پیشنهادی NRA در آیداهو چیست؟
+  - مزایای خرید بیمه عمر چیست؟
+- source_sentence: چرا این همه افراد ناراضی هستند؟
+  sentences:
+  - چرا آب نبات تافی آب شور در مغولستان وارد می شود؟
+  - برای یک رابطه موفق از راه دور چه چیزی طول می کشد؟
+  - چرا مردم ناراضی هستند؟
+- source_sentence: برای تبدیل شدن به نویسنده برتر Quora ، چند بازدید و پاسخ لازم است؟
+  sentences:
+  - چگونه می توانم نویسنده برتر Quora شوم ، از صعود بیشتر و آمار بهتر استفاده کنم؟
+  - چرا بسیاری از افرادی که سؤالاتی را در Quora ارسال می کنند ، ابتدا Google را بررسی
+    می کنند؟
+  - من به دنبال خرید دوچرخه جدید هستم.Suzuki Gixxer 155 یا Honda Hornet 160r.کدام
+    یک را بخرید؟
+pipeline_tag: sentence-similarity
+library_name: sentence-transformers
+---
+
+# SentenceTransformer based on sentence-transformers/all-MiniLM-L6-v2
+
+This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [sentence-transformers/all-MiniLM-L6-v2](https://huggingface.co/sentence-transformers/all-MiniLM-L6-v2). It maps sentences & paragraphs to a 384-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:** [sentence-transformers/all-MiniLM-L6-v2](https://huggingface.co/sentence-transformers/all-MiniLM-L6-v2) <!-- at revision c9745ed1d9f207416be6d2e6f8de32d1f16199bf -->
+- **Maximum Sequence Length:** 256 tokens
+- **Output Dimensionality:** 384 dimensions
+- **Similarity Function:** Cosine Similarity
+<!-- - **Training Dataset:** Unknown -->
+<!-- - **Language:** Unknown -->
+<!-- - **License:** Unknown -->
+
+### Model Sources
+
+- **Documentation:** [Sentence Transformers Documentation](https://sbert.net)
+- **Repository:** [Sentence Transformers on GitHub](https://github.com/UKPLab/sentence-transformers)
+- **Hugging Face:** [Sentence Transformers on Hugging Face](https://huggingface.co/models?library=sentence-transformers)
+
+### Full Model Architecture
+
+```
+SentenceTransformer(
+  (0): Transformer({'max_seq_length': 256, 'do_lower_case': False}) with Transformer model: BertModel 
+  (1): Pooling({'word_embedding_dimension': 384, '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): Normalize()
+)
+```
+
+## 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("codersan/validadted_allMiniLM_onV9f")
+# Run inference
+sentences = [
+    'برای تبدیل شدن به نویسنده برتر Quora ، چند بازدید و پاسخ لازم است؟',
+    'چگونه می توانم نویسنده برتر Quora شوم ، از صعود بیشتر و آما�� بهتر استفاده کنم؟',
+    'من به دنبال خرید دوچرخه جدید هستم.Suzuki Gixxer 155 یا Honda Hornet 160r.کدام یک را بخرید؟',
+]
+embeddings = model.encode(sentences)
+print(embeddings.shape)
+# [3, 384]
+
+# Get the similarity scores for the embeddings
+similarities = model.similarity(embeddings, embeddings)
+print(similarities.shape)
+# [3, 3]
+```
+
+<!--
+### Direct Usage (Transformers)
+
+<details><summary>Click to see the direct usage in Transformers</summary>
+
+</details>
+-->
+
+<!--
+### Downstream Usage (Sentence Transformers)
+
+You can finetune this model on your own dataset.
+
+<details><summary>Click to expand</summary>
+
+</details>
+-->
+
+<!--
+### Out-of-Scope Use
+
+*List how the model may foreseeably be misused and address what users ought not to do with the model.*
+-->
+
+<!--
+## Bias, Risks and Limitations
+
+*What are the known or foreseeable issues stemming from this model? You could also flag here known failure cases or weaknesses of the model.*
+-->
+
+<!--
+### Recommendations
+
+*What are recommendations with respect to the foreseeable issues? For example, filtering explicit content.*
+-->
+
+## Training Details
+
+### Training Dataset
+
+#### Unnamed Dataset
+
+
+* Size: 131,157 training samples
+* Columns: <code>anchor</code> and <code>positive</code>
+* Approximate statistics based on the first 1000 samples:
+  |         | anchor                                                                              | positive                                                                           |
+  |:--------|:------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|
+  | type    | string                                                                              | string                                                                             |
+  | details | <ul><li>min: 11 tokens</li><li>mean: 44.91 tokens</li><li>max: 256 tokens</li></ul> | <ul><li>min: 11 tokens</li><li>mean: 44.6 tokens</li><li>max: 154 tokens</li></ul> |
+* Samples:
+  | anchor                                                                                                                                        | positive                                                                                                                                            |
+  |:----------------------------------------------------------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------------------------------------------------------------|
+  | <code>وقتی سوال من به عنوان "این سوال ممکن است به ویرایش نیاز داشته باشد" چه کاری باید انجام دهم ، اما نمی توانم دلیل آن را پیدا کنم؟</code>  | <code>چرا سوال من به عنوان نیاز به پیشرفت مشخص شده است؟</code>                                                                                      |
+  | <code>چگونه می توانید یک فایل رمزگذاری شده را با دانستن اینکه این یک فایل تصویری است بدون دانستن گسترش پرونده یا کلید ، رمزگشایی کنید؟</code> | <code>چگونه می توانید یک فایل رمزگذاری شده را رمزگشایی کنید و بدانید که این یک فایل تصویری است بدون اینکه از پسوند پرونده اطلاع داشته باشید؟</code> |
+  | <code>احساس می کنم خودکشی می کنم ، چگونه باید با آن برخورد کنم؟</code>                                                                        | <code>احساس می کنم خودکشی می کنم.چه کاری باید انجام دهم؟</code>                                                                                     |
+* Loss: [<code>MultipleNegativesRankingLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters:
+  ```json
+  {
+      "scale": 20.0,
+      "similarity_fct": "cos_sim"
+  }
+  ```
+
+### Training Hyperparameters
+#### Non-Default Hyperparameters
+
+- `eval_strategy`: steps
+- `per_device_train_batch_size`: 12
+- `learning_rate`: 5e-06
+- `weight_decay`: 0.01
+- `warmup_ratio`: 0.1
+- `push_to_hub`: True
+- `hub_model_id`: codersan/validadted_allMiniLM_onV9f
+- `eval_on_start`: True
+- `batch_sampler`: no_duplicates
+
+#### All Hyperparameters
+<details><summary>Click to expand</summary>
+
+- `overwrite_output_dir`: False
+- `do_predict`: False
+- `eval_strategy`: steps
+- `prediction_loss_only`: True
+- `per_device_train_batch_size`: 12
+- `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-06
+- `weight_decay`: 0.01
+- `adam_beta1`: 0.9
+- `adam_beta2`: 0.999
+- `adam_epsilon`: 1e-08
+- `max_grad_norm`: 1
+- `num_train_epochs`: 3
+- `max_steps`: -1
+- `lr_scheduler_type`: linear
+- `lr_scheduler_kwargs`: {}
+- `warmup_ratio`: 0.1
+- `warmup_steps`: 0
+- `log_level`: passive
+- `log_level_replica`: warning
+- `log_on_each_node`: True
+- `logging_nan_inf_filter`: True
+- `save_safetensors`: True
+- `save_on_each_node`: False
+- `save_only_model`: False
+- `restore_callback_states_from_checkpoint`: False
+- `no_cuda`: False
+- `use_cpu`: False
+- `use_mps_device`: False
+- `seed`: 42
+- `data_seed`: None
+- `jit_mode_eval`: False
+- `use_ipex`: False
+- `bf16`: False
+- `fp16`: 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`: True
+- `resume_from_checkpoint`: None
+- `hub_model_id`: codersan/validadted_allMiniLM_onV9f
+- `hub_strategy`: every_save
+- `hub_private_repo`: None
+- `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`: True
+- `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      | 0     | -             |
+| 0.0091 | 100   | 1.4865        |
+| 0.0183 | 200   | 1.4429        |
+| 0.0274 | 300   | 1.2725        |
+| 0.0366 | 400   | 1.1602        |
+| 0.0457 | 500   | 0.9429        |
+| 0.0549 | 600   | 0.829         |
+| 0.0640 | 700   | 0.7771        |
+| 0.0732 | 800   | 0.6597        |
+| 0.0823 | 900   | 0.5981        |
+| 0.0915 | 1000  | 0.5826        |
+| 0.1006 | 1100  | 0.5956        |
+| 0.1098 | 1200  | 0.5254        |
+| 0.1189 | 1300  | 0.5434        |
+| 0.1281 | 1400  | 0.5495        |
+| 0.1372 | 1500  | 0.4934        |
+| 0.1464 | 1600  | 0.4684        |
+| 0.1555 | 1700  | 0.4489        |
+| 0.1647 | 1800  | 0.4401        |
+| 0.1738 | 1900  | 0.4712        |
+| 0.1830 | 2000  | 0.4407        |
+| 0.1921 | 2100  | 0.4082        |
+| 0.2013 | 2200  | 0.4384        |
+| 0.2104 | 2300  | 0.3621        |
+| 0.2196 | 2400  | 0.4423        |
+| 0.2287 | 2500  | 0.4163        |
+| 0.2379 | 2600  | 0.3769        |
+| 0.2470 | 2700  | 0.3967        |
+| 0.2562 | 2800  | 0.3812        |
+| 0.2653 | 2900  | 0.3813        |
+| 0.2745 | 3000  | 0.359         |
+| 0.2836 | 3100  | 0.3454        |
+| 0.2928 | 3200  | 0.3518        |
+| 0.3019 | 3300  | 0.3306        |
+| 0.3111 | 3400  | 0.3138        |
+| 0.3202 | 3500  | 0.3416        |
+| 0.3294 | 3600  | 0.3474        |
+| 0.3385 | 3700  | 0.3153        |
+| 0.3477 | 3800  | 0.2896        |
+| 0.3568 | 3900  | 0.2737        |
+| 0.3660 | 4000  | 0.3004        |
+| 0.3751 | 4100  | 0.3109        |
+| 0.3843 | 4200  | 0.2829        |
+| 0.3934 | 4300  | 0.2729        |
+| 0.4026 | 4400  | 0.2714        |
+| 0.4117 | 4500  | 0.3014        |
+| 0.4209 | 4600  | 0.27          |
+| 0.4300 | 4700  | 0.3632        |
+| 0.4392 | 4800  | 0.2571        |
+| 0.4483 | 4900  | 0.2464        |
+| 0.4575 | 5000  | 0.2681        |
+| 0.4666 | 5100  | 0.2579        |
+| 0.4758 | 5200  | 0.2377        |
+| 0.4849 | 5300  | 0.2471        |
+| 0.4941 | 5400  | 0.2625        |
+| 0.5032 | 5500  | 0.2336        |
+| 0.5124 | 5600  | 0.2553        |
+| 0.5215 | 5700  | 0.2549        |
+| 0.5306 | 5800  | 0.22          |
+| 0.5398 | 5900  | 0.2682        |
+| 0.5489 | 6000  | 0.2329        |
+| 0.5581 | 6100  | 0.2244        |
+| 0.5672 | 6200  | 0.2458        |
+| 0.5764 | 6300  | 0.1881        |
+| 0.5855 | 6400  | 0.209         |
+| 0.5947 | 6500  | 0.2103        |
+| 0.6038 | 6600  | 0.1982        |
+| 0.6130 | 6700  | 0.2023        |
+| 0.6221 | 6800  | 0.2244        |
+| 0.6313 | 6900  | 0.2051        |
+| 0.6404 | 7000  | 0.224         |
+| 0.6496 | 7100  | 0.2113        |
+| 0.6587 | 7200  | 0.2386        |
+| 0.6679 | 7300  | 0.1685        |
+| 0.6770 | 7400  | 0.2092        |
+| 0.6862 | 7500  | 0.1832        |
+| 0.6953 | 7600  | 0.1957        |
+| 0.7045 | 7700  | 0.2082        |
+| 0.7136 | 7800  | 0.2213        |
+| 0.7228 | 7900  | 0.177         |
+| 0.7319 | 8000  | 0.196         |
+| 0.7411 | 8100  | 0.2034        |
+| 0.7502 | 8200  | 0.2017        |
+| 0.7594 | 8300  | 0.1741        |
+| 0.7685 | 8400  | 0.2092        |
+| 0.7777 | 8500  | 0.1684        |
+| 0.7868 | 8600  | 0.1874        |
+| 0.7960 | 8700  | 0.1866        |
+| 0.8051 | 8800  | 0.2291        |
+| 0.8143 | 8900  | 0.1796        |
+| 0.8234 | 9000  | 0.2036        |
+| 0.8326 | 9100  | 0.2173        |
+| 0.8417 | 9200  | 0.2074        |
+| 0.8509 | 9300  | 0.1914        |
+| 0.8600 | 9400  | 0.1639        |
+| 0.8692 | 9500  | 0.1798        |
+| 0.8783 | 9600  | 0.1926        |
+| 0.8875 | 9700  | 0.1672        |
+| 0.8966 | 9800  | 0.1727        |
+| 0.9058 | 9900  | 0.189         |
+| 0.9149 | 10000 | 0.2055        |
+| 0.9241 | 10100 | 0.2043        |
+| 0.9332 | 10200 | 0.1515        |
+| 0.9424 | 10300 | 0.1675        |
+| 0.9515 | 10400 | 0.1764        |
+| 0.9607 | 10500 | 0.1709        |
+| 0.9698 | 10600 | 0.1861        |
+| 0.9790 | 10700 | 0.1928        |
+| 0.9881 | 10800 | 0.1756        |
+| 0.9973 | 10900 | 0.1611        |
+| 1.0064 | 11000 | 0.1371        |
+| 1.0156 | 11100 | 0.1499        |
+| 1.0247 | 11200 | 0.2001        |
+| 1.0339 | 11300 | 0.197         |
+| 1.0430 | 11400 | 0.2035        |
+| 1.0522 | 11500 | 0.1524        |
+| 1.0613 | 11600 | 0.1988        |
+| 1.0704 | 11700 | 0.1643        |
+| 1.0796 | 11800 | 0.1488        |
+| 1.0887 | 11900 | 0.1402        |
+| 1.0979 | 12000 | 0.1501        |
+| 1.1070 | 12100 | 0.1476        |
+| 1.1162 | 12200 | 0.1703        |
+| 1.1253 | 12300 | 0.1437        |
+| 1.1345 | 12400 | 0.1684        |
+| 1.1436 | 12500 | 0.1583        |
+| 1.1528 | 12600 | 0.1554        |
+| 1.1619 | 12700 | 0.1453        |
+| 1.1711 | 12800 | 0.1592        |
+| 1.1802 | 12900 | 0.1508        |
+| 1.1894 | 13000 | 0.1585        |
+| 1.1985 | 13100 | 0.1381        |
+| 1.2077 | 13200 | 0.1442        |
+| 1.2168 | 13300 | 0.183         |
+| 1.2260 | 13400 | 0.1704        |
+| 1.2351 | 13500 | 0.152         |
+| 1.2443 | 13600 | 0.136         |
+| 1.2534 | 13700 | 0.1596        |
+| 1.2626 | 13800 | 0.151         |
+| 1.2717 | 13900 | 0.1597        |
+| 1.2809 | 14000 | 0.1547        |
+| 1.2900 | 14100 | 0.1717        |
+| 1.2992 | 14200 | 0.1037        |
+| 1.3083 | 14300 | 0.1452        |
+| 1.3175 | 14400 | 0.155         |
+| 1.3266 | 14500 | 0.189         |
+| 1.3358 | 14600 | 0.1384        |
+| 1.3449 | 14700 | 0.1711        |
+| 1.3541 | 14800 | 0.1255        |
+| 1.3632 | 14900 | 0.1439        |
+| 1.3724 | 15000 | 0.1583        |
+| 1.3815 | 15100 | 0.1586        |
+| 1.3907 | 15200 | 0.1502        |
+| 1.3998 | 15300 | 0.1199        |
+| 1.4090 | 15400 | 0.1362        |
+| 1.4181 | 15500 | 0.1502        |
+| 1.4273 | 15600 | 0.191         |
+| 1.4364 | 15700 | 0.1495        |
+| 1.4456 | 15800 | 0.1313        |
+| 1.4547 | 15900 | 0.1429        |
+| 1.4639 | 16000 | 0.1004        |
+| 1.4730 | 16100 | 0.1267        |
+| 1.4822 | 16200 | 0.1382        |
+| 1.4913 | 16300 | 0.1535        |
+| 1.5005 | 16400 | 0.1328        |
+| 1.5096 | 16500 | 0.1268        |
+| 1.5188 | 16600 | 0.1819        |
+| 1.5279 | 16700 | 0.133         |
+| 1.5371 | 16800 | 0.1503        |
+| 1.5462 | 16900 | 0.1217        |
+| 1.5554 | 17000 | 0.1414        |
+| 1.5645 | 17100 | 0.1413        |
+| 1.5737 | 17200 | 0.124         |
+| 1.5828 | 17300 | 0.1111        |
+| 1.5919 | 17400 | 0.1641        |
+| 1.6011 | 17500 | 0.1217        |
+| 1.6102 | 17600 | 0.1148        |
+| 1.6194 | 17700 | 0.1452        |
+| 1.6285 | 17800 | 0.1245        |
+| 1.6377 | 17900 | 0.1184        |
+| 1.6468 | 18000 | 0.1333        |
+| 1.6560 | 18100 | 0.1421        |
+| 1.6651 | 18200 | 0.1243        |
+| 1.6743 | 18300 | 0.1173        |
+| 1.6834 | 18400 | 0.117         |
+| 1.6926 | 18500 | 0.1145        |
+| 1.7017 | 18600 | 0.1365        |
+| 1.7109 | 18700 | 0.1404        |
+| 1.7200 | 18800 | 0.1254        |
+| 1.7292 | 18900 | 0.1131        |
+| 1.7383 | 19000 | 0.1503        |
+| 1.7475 | 19100 | 0.1429        |
+| 1.7566 | 19200 | 0.1057        |
+| 1.7658 | 19300 | 0.1221        |
+| 1.7749 | 19400 | 0.1034        |
+| 1.7841 | 19500 | 0.1154        |
+| 1.7932 | 19600 | 0.1106        |
+| 1.8024 | 19700 | 0.1568        |
+| 1.8115 | 19800 | 0.1332        |
+| 1.8207 | 19900 | 0.1238        |
+| 1.8298 | 20000 | 0.1321        |
+| 1.8390 | 20100 | 0.1629        |
+| 1.8481 | 20200 | 0.135         |
+| 1.8573 | 20300 | 0.1097        |
+| 1.8664 | 20400 | 0.1233        |
+| 1.8756 | 20500 | 0.1198        |
+| 1.8847 | 20600 | 0.1151        |
+| 1.8939 | 20700 | 0.1206        |
+| 1.9030 | 20800 | 0.1295        |
+| 1.9122 | 20900 | 0.126         |
+| 1.9213 | 21000 | 0.147         |
+| 1.9305 | 21100 | 0.1316        |
+| 1.9396 | 21200 | 0.1019        |
+| 1.9488 | 21300 | 0.1328        |
+| 1.9579 | 21400 | 0.1127        |
+| 1.9671 | 21500 | 0.1416        |
+| 1.9762 | 21600 | 0.1428        |
+| 1.9854 | 21700 | 0.1481        |
+| 1.9945 | 21800 | 0.1169        |
+| 2.0037 | 21900 | 0.1005        |
+| 2.0128 | 22000 | 0.1114        |
+| 2.0220 | 22100 | 0.1301        |
+| 2.0311 | 22200 | 0.1554        |
+| 2.0403 | 22300 | 0.1623        |
+| 2.0494 | 22400 | 0.1153        |
+| 2.0586 | 22500 | 0.1152        |
+| 2.0677 | 22600 | 0.1406        |
+| 2.0769 | 22700 | 0.1196        |
+| 2.0860 | 22800 | 0.1172        |
+| 2.0952 | 22900 | 0.1153        |
+| 2.1043 | 23000 | 0.1126        |
+| 2.1134 | 23100 | 0.1157        |
+| 2.1226 | 23200 | 0.1102        |
+| 2.1317 | 23300 | 0.1102        |
+| 2.1409 | 23400 | 0.1198        |
+| 2.1500 | 23500 | 0.1241        |
+| 2.1592 | 23600 | 0.1124        |
+| 2.1683 | 23700 | 0.1172        |
+| 2.1775 | 23800 | 0.1161        |
+| 2.1866 | 23900 | 0.1162        |
+| 2.1958 | 24000 | 0.1209        |
+| 2.2049 | 24100 | 0.1039        |
+| 2.2141 | 24200 | 0.1183        |
+| 2.2232 | 24300 | 0.1155        |
+| 2.2324 | 24400 | 0.1168        |
+| 2.2415 | 24500 | 0.1116        |
+| 2.2507 | 24600 | 0.1173        |
+| 2.2598 | 24700 | 0.1321        |
+| 2.2690 | 24800 | 0.1217        |
+| 2.2781 | 24900 | 0.1153        |
+| 2.2873 | 25000 | 0.1464        |
+| 2.2964 | 25100 | 0.101         |
+| 2.3056 | 25200 | 0.1042        |
+| 2.3147 | 25300 | 0.1382        |
+| 2.3239 | 25400 | 0.1489        |
+| 2.3330 | 25500 | 0.1187        |
+| 2.3422 | 25600 | 0.1184        |
+| 2.3513 | 25700 | 0.0971        |
+| 2.3605 | 25800 | 0.0986        |
+| 2.3696 | 25900 | 0.1114        |
+| 2.3788 | 26000 | 0.1175        |
+| 2.3879 | 26100 | 0.1136        |
+| 2.3971 | 26200 | 0.1251        |
+| 2.4062 | 26300 | 0.1097        |
+| 2.4154 | 26400 | 0.1123        |
+| 2.4245 | 26500 | 0.1446        |
+| 2.4337 | 26600 | 0.1282        |
+| 2.4428 | 26700 | 0.0988        |
+| 2.4520 | 26800 | 0.1172        |
+| 2.4611 | 26900 | 0.0903        |
+| 2.4703 | 27000 | 0.1049        |
+| 2.4794 | 27100 | 0.1043        |
+| 2.4886 | 27200 | 0.1081        |
+| 2.4977 | 27300 | 0.1265        |
+| 2.5069 | 27400 | 0.1131        |
+| 2.5160 | 27500 | 0.1403        |
+| 2.5252 | 27600 | 0.1033        |
+| 2.5343 | 27700 | 0.1175        |
+| 2.5435 | 27800 | 0.1247        |
+| 2.5526 | 27900 | 0.1115        |
+| 2.5618 | 28000 | 0.1173        |
+| 2.5709 | 28100 | 0.1209        |
+| 2.5801 | 28200 | 0.0894        |
+| 2.5892 | 28300 | 0.1238        |
+| 2.5984 | 28400 | 0.1011        |
+| 2.6075 | 28500 | 0.0976        |
+| 2.6167 | 28600 | 0.0968        |
+| 2.6258 | 28700 | 0.1065        |
+| 2.6349 | 28800 | 0.1011        |
+| 2.6441 | 28900 | 0.0975        |
+| 2.6532 | 29000 | 0.1291        |
+| 2.6624 | 29100 | 0.1118        |
+| 2.6715 | 29200 | 0.0983        |
+| 2.6807 | 29300 | 0.1119        |
+| 2.6898 | 29400 | 0.0728        |
+| 2.6990 | 29500 | 0.1241        |
+| 2.7081 | 29600 | 0.1045        |
+| 2.7173 | 29700 | 0.1186        |
+| 2.7264 | 29800 | 0.1037        |
+| 2.7356 | 29900 | 0.129         |
+| 2.7447 | 30000 | 0.0921        |
+| 2.7539 | 30100 | 0.1006        |
+| 2.7630 | 30200 | 0.1068        |
+| 2.7722 | 30300 | 0.099         |
+| 2.7813 | 30400 | 0.0949        |
+| 2.7905 | 30500 | 0.1066        |
+| 2.7996 | 30600 | 0.1025        |
+| 2.8088 | 30700 | 0.1148        |
+| 2.8179 | 30800 | 0.1164        |
+| 2.8271 | 30900 | 0.1147        |
+| 2.8362 | 31000 | 0.1298        |
+| 2.8454 | 31100 | 0.1245        |
+| 2.8545 | 31200 | 0.087         |
+| 2.8637 | 31300 | 0.1115        |
+| 2.8728 | 31400 | 0.1129        |
+| 2.8820 | 31500 | 0.1121        |
+| 2.8911 | 31600 | 0.0985        |
+| 2.9003 | 31700 | 0.1094        |
+| 2.9094 | 31800 | 0.1296        |
+| 2.9186 | 31900 | 0.1149        |
+| 2.9277 | 32000 | 0.1146        |
+| 2.9369 | 32100 | 0.1147        |
+| 2.9460 | 32200 | 0.1045        |
+| 2.9552 | 32300 | 0.0962        |
+| 2.9643 | 32400 | 0.1065        |
+| 2.9735 | 32500 | 0.1169        |
+| 2.9826 | 32600 | 0.1162        |
+| 2.9918 | 32700 | 0.1134        |
+
+</details>
+
+### Framework Versions
+- Python: 3.10.12
+- Sentence Transformers: 3.3.1
+- Transformers: 4.47.0
+- PyTorch: 2.5.1+cu121
+- Accelerate: 1.2.1
+- Datasets: 3.2.0
+- Tokenizers: 0.21.0
+
+## 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.*
+-->

config_sentence_transformers.json

@@ -0,0 +1,10 @@
+{
+  "__version__": {
+    "sentence_transformers": "3.3.1",
+    "transformers": "4.47.0",
+    "pytorch": "2.5.1+cu121"
+  },
+  "prompts": {},
+  "default_prompt_name": null,
+  "similarity_fn_name": "cosine"
+}

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_Normalize",
+    "type": "sentence_transformers.models.Normalize"
+  }
+]

sentence_bert_config.json

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