File size: 38,372 Bytes
6135385 9653f60 e3cf4d4 9653f60 e3cf4d4 9653f60 e3cf4d4 9653f60 e3cf4d4 9653f60 e3cf4d4 9653f60 e3cf4d4 9653f60 314e84f 9653f60 |
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 |
---
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- dense
- generated_from_trainer
- dataset_size:18000
- loss:MultipleNegativesRankingLoss
widget:
- source_sentence: kimning xoʻjayini boʻlgan
sentences:
- >-
Salingerning 2010 yilda vafot etganidan so'ng, Salingerning agent bo'lgan
Phyllis Westberg, uning asarlariga film, televideniye yoki sahna huquqlarini
litsenziyalash bo'yicha hech narsa o'zgarmaganini aytdi. [1] Salinger
tomonidan 1957 yilda yozilgan xatda u o'limidan keyin chiqarilgan "The
Catcher in the Rye" kitobining adaptiyasiga ochiqligi ayon bo'lgan. U
shunday yozgan: "Birinchidan, huquqlar bir kun sotilishi mumkin. Men boy
o'lmasim ehtimoli mavjud bo'lgani uchun, men sotilmagan huquqlarni xotinim
va qizimga sug'urta siyosati sifatida qoldirish g'oyasi bilan juda jiddiy
o'ynayman. Bu menga hech qanday oxirat bermaydi, ammo, tezda qo'shishim
mumkin, Holdenfield muomalasi natijalarini ko'rishim shart emasligini
bilish. Salinger shuningdek, uning hikoyasini filmga tayyorlash uchun mos
kelmasligiga ishondi va bu roman va so'zning birinchi tarjimasi dialogga
aylanishi kerak deb yozgan.
- >-
Dragon Soul "Dragon Soul" - Yaponiyalik qo'shiqchi Takayoshi Tanimotoning
yettinchi singli. U qo'shiqni gitarist va qo'shiqchi Takafumi Iwasaki bilan
birga "Dragon Soul" deb nomlangan maxsus birlikning bir qismi sifatida ijro
etdi. 2009 yil 20 may kuni CD-da muntazam va cheklangan nashr sifatida
chiqarildi; cheklangan nashrda Dragon Ball Kai Dragon Battlers savdo
kartalari kartalari o'yinchasi mavjud edi.
- >-
The Hateful Eight (Ko'pincha H8ful Eight deb marketing qilinadi) Quentin
Tarantino tomonidan yozib va yozib olingan 2015 yilgi amerikalik g'arbiy
film. U Samyuel L. Jekson, Kurt Rasel, Jenifer Jeyson Leigh, Walton Goggins,
Demian Bichir, Tim Roth, Maykl Madsen va Brus Dernni Amerikaning Fuqarolik
urushidan keyin bir vaqtlar cho'pon to'xtashida qor bo'ronidan panoh
izlayotgan sakkiz begona kishi sifatida tasvirlaydi.
- source_sentence: Kevin o'yinchi bo'lib, yosh va beqaror bo'lib, sho'zni tark etadi.
sentences:
- >-
Nullifikatsiya (AQSh Konstitutsiyasi) Nullifikatsiya nazariyasi, davlatlar
o'rtasida bitim (yoki "kompakt") asosida Ittifoqni tuzgan va federal
hukumatning yaratuvchilari sifatida davlatlar ushbu hukumatning
hokimiyatining chegaralarini belgilash uchun yakuniy vakolatga ega. Bu
asosida, federal hukumatning hokimiyatining chegarasini aniqlovchi yakuniy
nazariyasi bo'yicha, davlatlar federal sudlar emas, balki federal
hukumatning hokimiyatining eng oxirgi ta'rifchisi hisoblanadi. Ushbu
nazariyaga ko'ra, davlatlar federal hukumatning konstitutsiyaviy
vakolatlaridan tashqari deb hisoblaydigan federal qonunlarni rad etishlari
yoki bekor qilishlari mumkin.
- >-
"Take Me Out to the Ball Game" - bu Shimoliy Amerika beysbolining no Rasmiy
himniga aylangan Jack Norworth va Albert Von Tilzer tomonidan 1908 yilda
yaratilgan Tin Pan Alley qo'shiqidir, garchi uning mualliflaridan hech biri
qo'shiqni yozishdan oldin o'yinga bormagan bo'lsa ham.[1] Qo'shiq chorusi
an'anaviy ravishda beysbol o'yinining yettinchi o'yinining o'rtasida
kuylanadi. Fanlar, odatda, birga kuylashga rag'batlantirilgan va ba'zi
futbol maydonlarida "uy jamoasi" so'zlari jamoa nomi bilan almashtirilgan.
- >-
Bryton James Bryton Eric McClure (O'zbekiston: Брайтон Джеймс Брайтон
Брайтон Брайтон Брайтон Брайтон Брайтон Брайтон Брайтон Брайтон Брайтон
Брайтон Брайтон Брайтон Брайтон Брайтон Брайтон Брайтон Брайтон Брайтон
Брайтон Брайтон Брайтон Брайтон Брайтон Брайтон Брайтон Брайтон Брайтон
Брайтон Брайтон Брайтон Брайтон Брайтон Брайтон Брайтон Брайтон Брайтон
Брайтон Брайтон Брайтон Брайтон Брайтон Брайтон Брайтон Брайтон Брайтон
Брайтон Брайтон Брайтон Брайтон Брайтон Брайтон Брайтон Брайтон Брайтон
Брайтон Брайтон Брайтон Брайтон Брайтон Брайтон Брайтон Брайтон Брайтон
Брайтон Брайтон Брайтон Брайтон Брайтон Брайтон Брайтон Брайтон Брайтон
Брайтон Брайтон Брайтон Брайтон Брайтон Брайтон Брайтон Брайтон Брайтон
Брайтон Брайтон Брайтон Брайтон Брайтон Брайтон Брайтон Брайтон Брайтон
Брайтон Брайтон Брайтон Брайтон Брайтон Брайтон Брайтон Брайтон Брайтон
Брайтон Брайт Брайт Брайт Брайт Брайт Брайт Брайт Брайт Брайт Брайт Брайт
Брайт Брайт Брайт Брайт Брайт Брайт Брайт Брайт Брайт Брайт Брайт Брайт
Брайт Брайт Брайт Брайт Брайт Брайт Брайт Брайт Брайт Брайт Брайт Брайт
Брайт Брайт Брайт Брайт Брайт Брайт Брайт Брайт Брайт Брайт Брайт Брайт
Брайт Брайт Брайт Брайт Брайт Брайт Брайт Брайт Брайт Брайт Брайт Брайт
Брайт Брайт Брайт Брай
- source_sentence: Nyu-York shahridagi Uol-Strat qayerda joylashgan
sentences:
- >-
Intrinsic factor Intrinsic factor (IF), shuningdek, oshqozon ichki faktor
(GIF) deb ham tanilgan, oshqozonning parietal hujayralari tomonidan ishlab
chiqariladigan glikoproteindir. Bu keyinchalik kichik ichakning iliumida
vitamin B12 (cobalamin) ni sug'orish uchun zarur.
- >-
Biz Millerlarmiz Denverda yashovchi Devid Klark ismli kichik kannabis
savdogari pul va o'tmishdagi o'g'ir o'g'riliklarini o'g'irlaydi. Ulardan
ba'zilari uning boy giyohvandlik lordlari yetkazib beruvchi Brad
Gurdlingerga qarzdor. Devid unga olib kelinganidan so'ng Gurdlinger Dovudni
qarzini to'xtatish uchun Meksikadan marixuana "smirchasi"ni burishtirishga
majbur qiladi. Bojxona orqali o'tishga harakat qilayotgan bir kishi juda
shubhali ekanligini anglab, u o'z stripperining Ros, o'smir qochqin va
kichkina o'g'ri Keysi va o'n sakkiz yoshli Keni bilan birga "Dollar" deb
nomlangan yolg'on oila sifatida suratga chiqaradi.
- >-
Wall Street - bu Nyu-York shahridagi Lower Manhattan moliyaviy tumanidagi
East Riverda Broadwaydan Janubiy ko'chig'gacha shimoli-g'arbiydan
janubi-sharbiygacha o'tgan sakkiz blok uzunlikdagi ko'cha. [1] Vaqt o'tishi
bilan, ushbu atama butun AQShning moliyaviy bozorlari, Amerika moliyaviy
xizmatlari sanoati (agar moliyaviy firmalar jismoniy joylashtirilmasa ham)
yoki Nyu-Yorkda joylashgan moliyaviy manfaatlar uchun metonimga aylandi. [2]
- source_sentence: '"Mening orzuim bor" qo''shiqni kim yozgan'
sentences:
- >-
Birma temir yo'li Tailandda joylashgan Hellfire Toursga ko'ra, "ikki ko'prik
1945 yil 13 fevral kuni Royal Air Force (RAF) bombardiruvchi samolyotlari
tomonidan muvaffaqiyatli bombardimon qilingan va zararlangan. Qozog'a
poydevori tufayli tuzatishlar amalga oshirildi va aprel oyida yog'och temir
yo'l trestli ko'prik qayta ish bilan ta'mirlandi. 3 aprel kuni AQSh armiyasi
havo kuchlarining (USAAF) Liberator og'ir bombachilari tomonidan ikkinchi
bombardimon reyd qilindi.
- >-
"I Have a Dream" qo'shiqini Benny Andersson va Bjorn Ulvaeus yozgan va
guruhning 1979 yilgi Voulez-Vous albumiga olingan. Anni-Frid Lyngstad bosh
qo'shiqlarni kuylagan. 1979 yil dekabr oyida "Take a Chance on Me" ning
jonli versiyasi bilan B-qarshi sifatida chiqarilib chiqdi. Qopishtirilgan
qo'shiq to'rtta guruh a'zosidan tashqari boshqa vokalchilarni o'z ichiga
olgan yagona ABBA qo'shig'i bo'lib tan olingan. Yakuniy chorusda Stokholm
xalqaro maktabi bolalar xori mavjud. Buyuk Britaniyada "I Have a Dream"
musiqasi "Another Brick in the Wall" tomonidan 1 o'rinni egalladi.
- >-
To'g'ri, o'lim bizni qilmaydi qismida (NCIS) Gibs Ryanning Dearingni
tuzog'iga tushirish uchun hukm qilingan sobiq ofitser Jonatan Kolni ishga
qabul qilishga qaror qiladi. Dastlab Dearing Colega uni uchratishni aytganda
ishlashi mumkin edi, lekin Dearing uchrashuvga kelmaydi va uning o'rniga
Cole uchun telefon qoldiradi. Oldingi qo'ng'iroqlar va Colega Gibsga
direktor Vance bilan hech qachon qiziqmaganligini va adolat bilan chindan
ham qiziqishini bildiradi. Bosh qoshida, qo'ng'iroqni tahlil qilish jamoasi
uni tuzoqqa jalb qilish uchun uning mashinasida Vance avtopusxasi borligini
tushunadi, u o'g'irilganida o'rnatilgan, NCIS Bosh Qoshxonasiga qayiq qilish
va butun bino evakuatsiya qilinadi. Cole Tonyni deaktiv qilishga urinyapti,
ammo uning terma-tush ustida (qoshiq ustida) bor, chunki o'limga sabab
bo'lganidan so'ng, Bob Gibbsning telefon qo'ng'iroqidan qo'ng'iroq qildi va
uning tanasi va odamlari bilan birga qo'rqib, kompyuterda urilgan va
kompyuterda urilgan, ammo "Qo'ng'riqchi" bilan birga qo'ng'riqchixonaga
tushadi.
- source_sentence: Lady antebellum ismi qayerdan kelib chiqqan ?
sentences:
- >-
Lady Antebellum 2010 yil 9 avgust kuni BBC Radio 2 Drivetime Show-da guruh
uy egasiga Liza Tarbuqqa Antebellum nomi guruh "avval" uylarini suratga
olganida kelib chiqqanligini tushuntirdi. Avval urushdan oldingi arxitektura
usuli Amerika Janubiyidagi katta plantatsiya uylarini tasvirlaydi. Latindagi
bellum so'zi " urush" degani; "avval" demak " urushdan oldin " degani.
- >-
Necrotising fasciitis B.C. 5-asrda Hippokrates necrotising yumshoq to'qima
infektsiyasini Streptococcal infeksiyaning komplikasiyasi bo'lgan kasallik
deb tasvirlagan. Bu kasallik "tanamizning barcha qismida eritsipellalarga
ega bo'lgan, sababi esa oddiy hodisa edi. Suyaklar, go'sht va suyaklar (qut,
tendon yoki nerv) tanadan tushib, ko'plab o'limlar yuz berdi". Necrotising
yumshoq to'qima infektsiyasini birinchi marta ingliz shifokor Leonard
Gillespie va ingliz shifokor Gilbert Blaine va Tomas Trotter tomonidan 18
asrda tavsiflab berilgan edi. O'sha paytda necrotising yumshoq to'qima
infektsiyasi pedaenik (g'irni-qizish yoki g'angrenni bosish) deb nomlangan.
- >-
Sutro yo'li Quyosh Orion qo'li ichki chekkasi yaqinida, Mahalliy Bubble
mahalliy Fluff ichida va Gould Beltda, Galaktik markazidan 26,4 ± 1,0 kly
(8,09 ± 0,31 kpc) masofada joylashgan. Quyosh hozirda Galaktik diskning
markaziy toshidan 530 parsek (1698 ly) uzoqlikda joylashgan.
pipeline_tag: sentence-similarity
library_name: sentence-transformers
metrics:
- cosine_accuracy@1
- cosine_accuracy@3
- cosine_accuracy@5
- cosine_accuracy@10
- cosine_precision@1
- cosine_precision@3
- cosine_precision@5
- cosine_precision@10
- cosine_recall@1
- cosine_recall@3
- cosine_recall@5
- cosine_recall@10
- cosine_ndcg@10
- cosine_mrr@10
- cosine_map@100
model-index:
- name: SentenceTransformer
results:
- task:
type: information-retrieval
name: Information Retrieval
dataset:
name: Unknown
type: unknown
metrics:
- type: cosine_accuracy@1
value: 0.598
name: Cosine Accuracy@1
- type: cosine_accuracy@3
value: 0.762
name: Cosine Accuracy@3
- type: cosine_accuracy@5
value: 0.811
name: Cosine Accuracy@5
- type: cosine_accuracy@10
value: 0.865
name: Cosine Accuracy@10
- type: cosine_precision@1
value: 0.598
name: Cosine Precision@1
- type: cosine_precision@3
value: 0.254
name: Cosine Precision@3
- type: cosine_precision@5
value: 0.16219999999999998
name: Cosine Precision@5
- type: cosine_precision@10
value: 0.0865
name: Cosine Precision@10
- type: cosine_recall@1
value: 0.598
name: Cosine Recall@1
- type: cosine_recall@3
value: 0.762
name: Cosine Recall@3
- type: cosine_recall@5
value: 0.811
name: Cosine Recall@5
- type: cosine_recall@10
value: 0.865
name: Cosine Recall@10
- type: cosine_ndcg@10
value: 0.7329033295091333
name: Cosine Ndcg@10
- type: cosine_mrr@10
value: 0.6903722222222224
name: Cosine Mrr@10
- type: cosine_map@100
value: 0.6946029442201882
name: Cosine Map@100
datasets:
- sentence-transformers/natural-questions
language:
- uz
base_model:
- google/embeddinggemma-300m
---
# SentenceTransformer
This is a [sentence-transformers](https://www.SBERT.net) model trained. It maps sentences & paragraphs to a 768-dimensional dense vector space and can be used for semantic textual similarity, semantic search, paraphrase mining, text classification, clustering, and more.
## Model Details
### Model Description
- **Model Type:** Sentence Transformer
<!-- - **Base model:** [Unknown](https://huggingface.co/unknown) -->
- **Maximum Sequence Length:** 2048 tokens
- **Output Dimensionality:** 768 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': 2048, 'do_lower_case': False, 'architecture': 'Gemma3TextModel'})
(1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
(2): Dense({'in_features': 768, 'out_features': 3072, 'bias': False, 'activation_function': 'torch.nn.modules.linear.Identity'})
(3): Dense({'in_features': 3072, 'out_features': 768, 'bias': False, 'activation_function': 'torch.nn.modules.linear.Identity'})
(4): 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("Saidakmal/uz_embeddinggemma-300m")
# Run inference
queries = [
"Lady antebellum ismi qayerdan kelib chiqqan ?",
]
documents = [
'Lady Antebellum 2010 yil 9 avgust kuni BBC Radio 2 Drivetime Show-da guruh uy egasiga Liza Tarbuqqa Antebellum nomi guruh "avval" uylarini suratga olganida kelib chiqqanligini tushuntirdi. Avval urushdan oldingi arxitektura usuli Amerika Janubiyidagi katta plantatsiya uylarini tasvirlaydi. Latindagi bellum so\'zi " urush" degani; "avval" demak " urushdan oldin " degani.',
'Necrotising fasciitis B.C. 5-asrda Hippokrates necrotising yumshoq to\'qima infektsiyasini Streptococcal infeksiyaning komplikasiyasi bo\'lgan kasallik deb tasvirlagan. Bu kasallik "tanamizning barcha qismida eritsipellalarga ega bo\'lgan, sababi esa oddiy hodisa edi. Suyaklar, go\'sht va suyaklar (qut, tendon yoki nerv) tanadan tushib, ko\'plab o\'limlar yuz berdi". Necrotising yumshoq to\'qima infektsiyasini birinchi marta ingliz shifokor Leonard Gillespie va ingliz shifokor Gilbert Blaine va Tomas Trotter tomonidan 18 asrda tavsiflab berilgan edi. O\'sha paytda necrotising yumshoq to\'qima infektsiyasi pedaenik (g\'irni-qizish yoki g\'angrenni bosish) deb nomlangan.',
"Sutro yo'li Quyosh Orion qo'li ichki chekkasi yaqinida, Mahalliy Bubble mahalliy Fluff ichida va Gould Beltda, Galaktik markazidan 26,4 ± 1,0 kly (8,09 ± 0,31 kpc) masofada joylashgan. Quyosh hozirda Galaktik diskning markaziy toshidan 530 parsek (1698 ly) uzoqlikda joylashgan.",
]
query_embeddings = model.encode_query(queries)
document_embeddings = model.encode_document(documents)
print(query_embeddings.shape, document_embeddings.shape)
# [1, 768] [3, 768]
# Get the similarity scores for the embeddings
similarities = model.similarity(query_embeddings, document_embeddings)
print(similarities)
# tensor([[ 0.6160, 0.1431, -0.0269]])
```
<!--
### 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
#### Information Retrieval
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
| Metric | Value |
|:--------------------|:-----------|
| cosine_accuracy@1 | 0.598 |
| cosine_accuracy@3 | 0.762 |
| cosine_accuracy@5 | 0.811 |
| cosine_accuracy@10 | 0.865 |
| cosine_precision@1 | 0.598 |
| cosine_precision@3 | 0.254 |
| cosine_precision@5 | 0.1622 |
| cosine_precision@10 | 0.0865 |
| cosine_recall@1 | 0.598 |
| cosine_recall@3 | 0.762 |
| cosine_recall@5 | 0.811 |
| cosine_recall@10 | 0.865 |
| **cosine_ndcg@10** | **0.7329** |
| cosine_mrr@10 | 0.6904 |
| cosine_map@100 | 0.6946 |
<!--
## 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: 18,000 training samples
* Columns: <code>sentence_0</code>, <code>sentence_1</code>, <code>sentence_2</code>, and <code>sentence_3</code>
* Approximate statistics based on the first 1000 samples:
| | sentence_0 | sentence_1 | sentence_2 | sentence_3 |
|:--------|:---------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------|
| type | string | string | string | string |
| details | <ul><li>min: 7 tokens</li><li>mean: 18.8 tokens</li><li>max: 55 tokens</li></ul> | <ul><li>min: 27 tokens</li><li>mean: 162.4 tokens</li><li>max: 985 tokens</li></ul> | <ul><li>min: 11 tokens</li><li>mean: 159.54 tokens</li><li>max: 945 tokens</li></ul> | <ul><li>min: 26 tokens</li><li>mean: 158.32 tokens</li><li>max: 754 tokens</li></ul> |
* Samples:
| sentence_0 | sentence_1 | sentence_2 | sentence_3 |
|:----------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| <code>koʻchada oʻtirganlarni kuylagan</code> | <code>(Sittin' On) The Dock of the Bay "Sittin' On) The Dock of the Bay" - soul qo'shiqchisi Otis Redding va gitarochi Steve Cropper tomonidan birgalikda yozilgan qo'shiq. Redding tomonidan 1967 yilda ikki marta, shu jumladan u samolyot halok bo'lishidan bir necha kun oldin, yozib olingan. Qo'shiq 1968 yilda Stax Recordsning Volt kompaniyasida chiqarilgan, [1] AQShda reytinglar safida birinchi o'limdan keyingi singl bo'lib chiqdi.</code> | <code>Sidney Harbour Bridge Ko'prikning umumiy moliyaviy qiymati 6,25 million funt funtligidan iborat edi, bu 1988 yilgacha to'liq to'lanmagan. [1]</code> | <code>Saudiya Arabistonining siyosati Saudiya Arabistonining siyosati ayrim islom yo'nalishlari bo'lgan mutlaq monarxiya kontestida amalga oshiriladi, unda shoh davlat va hukumat rahbari bo'lib xizmat qiladi. Qarorlar katta darajada shoh oilasi va diniy muassasalarning katta ruhoniylari o'rtasida maslahatlashuv asosida qabul qilinadi. Qur'on mamlakat konstitutsiyasi deb e'lon qilinadi, u islom qonuni asosida boshqaradi (Shari'a). Yangi shoh va yangi nasl prinsi tayinlash uchun sodiqlik kengashi mas'ul. To'liq yoshdagi barcha fuqarolar majlis deb nomlangan an'anaviy qabilaviy majlis orqali to'g'ridan-to'g'ri shohga tashrif buyurish, uchrashish va iltimos qilish huquqiga ega.[1]</code> |
| <code>Hindistondagi yer buzilishining sabablarini tushuntiring</code> | <code>Yerni buzish O'tkir cho'chqachilik - chorva mollarini ko'tarib oluvchi quvvatdan ortiq darajada chorvachilik bilan tabiiy o'tlar o'tishi; natijada o'simlik qoplamasining pasayishi shamol va suv eroziyasining asosiy sababidir. Bu Afg'onistonda muhim omil hisoblanadi. 1980-1990 yillarda aholi bosimining oshishi, sakkiz mamlakatdan oltida har bir kishiga nisbatan qishloq xo'jaligi yerlarining allaqachon kichik maydonlarida pasayishlarga olib keldi (14% Hindiston uchun va 21% Pokiston uchun).</code> | <code>O'q-po'drat texnologiyasining tarixi O'n to'rtinchi asr o'rtalarida Hindistonga kelgan deb hisoblanadi. Ammo uni Xitoyni ham, Hindistonning ayrim chegara hududlarini ham bosib olgan mo'g'ollar ancha oldin, ehtimol XIII asr o'rtalarida ham joriy etgan bo'lishi mumkin. Katta bir mo'g'ol imperiyasining birlashishi Xitoy texnologiyasining Hindistonning mo'g'ollar tomonidan bosib olingan qismlariga erkin o'tkazilishiga olib keldi. Shunga qaramay, mo'g'ollar Hindistonga bostirib kirganlarida Xitoyga o'q-po'drat qurollaridan foydalangan deb hisoblanadi. Tarix-i Firishta (16061607) da mo'g'ollar hukmron Huligu elchiga 1258 yilda Dehliga kelganida ajoyib pyrotexnika taqdim etilganligi yozilgan. Birinchi o'q-po'drat texnologiyasini mo'g'ollar tomonidan Hindistonga o'q-po'drat qo'yishdi.</code> | <code>1765 yil Stamp Act (qisqa nom Amerika koloniyalarida majburiyatlar to'g'risidagi qonun 1765; 5 George III, c. 12) - Buyuk Britaniya parlamenti qonunidir, u Britaniya Amerika koloniyalariga to'g'ridan-to'g'ri soliq solgan va koloniyalardagi ko'plab bosma materiallar Londonda ishlab chiqarilgan bosma qog'ozda ishlab chiqarilishi kerak edi, bu bosma qog'ozda daromad sumkasi bor edi.[1][2] Bosma materiallar yuridik hujjatlar, jurnallar, o'yin kartalari, gazetalar va ko'plab boshqa qog'ozlarni o'z ichiga olgan. Oldingi soliqlar kabi, bosma soliq to'lovning maqsadi kolonial qog'oz pulda emas, balki amalda Britaniya valyutasida to'lanishi kerak edi.</code> |
| <code>qonun va tartib boʻyicha oʻldirilgan Ada kim edi?</code> | <code>Aleksandra Borgiya Borgiya Law & Order franchisasi tarixidagi eng qisqa ishtirok etgan yordamchi tuman prokurori edi, u faqat 33 ta epizodda ko'rinadi. Oila qotilligini tekshirishda prokurorlik idorasi er Frank Andreasga e'tibor qaratadi, u qotillarga uyga bostirib kiruvchi talon-torojlarni sodir etish uchun ishlatiladigan soxta DEA belgilari bilan ta'minlaydi. Borgiya Andreasga uning sheriklarini tashlashga bosim o'tkazadi va keyinchalik o'z xonadoniga o'g'irlandi. Uning jasadi keyinchalik tashlab qo'yilgan mashinaning bagazida topilgan, bog'langan, shafqatsiz urilgan va o'zini bo'g'ib qo'yganidan so'ng asfiksiyadan o'lgan. Ajablanayotgan McCoy o'zining qotillarini qamoq qilish uchun soxta ayblovni tashkil etadi, qonuniy axloqiy ahlakni o'zgartiradi.</code> | <code>Harry Potter (qarakteri) Harry Potter va o'lim marosimlarida Harry, Ron va Hermione Hogwartsdan chiqib, Dumbledore vazifasini bajaradilar: Voldemortning qolgan to'rtta Horcruxini qidirish va yo'q qilish, keyin Qorong'i Lordni topish va o'ldirish. Uch kishi Voldemortning yangi tashkil etilgan totalitar politsiya davlatiga qarshi o'zlarini qo'yishadi, bu harakat Xarrining jasorati va axloqiy xarakterini sinaydi. Voldemortning sehr vazirligini egallashi propaganda va qo'rquv bilan rag'batlantirilgan Muggle-bo'ralarga qarshi diskriminatorlik va genotsid siyosatiga olib keladi. J. K. Rowlingning aytishicha, Harri Cruciatus va Imperius Curse, azob-uqubat va ongni nazorat qilish uchun kechirilmas la'natlardan foydalanadi.</code> | <code>2018 yilgi kollej futboli playofflari milliy chempionati 2018 yilgi kollej futboli playofflari milliy chempionati - bu 2017 yilgi mavsum uchun NCAA I futbol Bowl bo'limidagi milliy chempionni belgilaydigan kollej futboli bo'l o'yinidir. Bu o'yin 2018 yil 8 yanvar kuni Georgia shtatining Atlanta shahridagi Mercedes-Benz stadionida o'ynatiladi. Uch yillik aylanish doirasida o'yin 2018 yil 1 yanvar kuni o'ynaydigan ikki yarim final bo'l o'yinlarining g'oliblari o'rtasida o'ynatiladi: Rose Bowl o'yin va Sugar Bowl. Ushbu ikki o'yinda ishtirokchilar 2017 yilgi muntazam mavsum yakunidan so'ng aniqlanadi.</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",
"gather_across_devices": false
}
```
### Training Hyperparameters
#### Non-Default Hyperparameters
- `eval_strategy`: steps
- `fp16`: True
- `multi_dataset_batch_sampler`: round_robin
#### 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`: 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`: 3
- `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`: True
- `fp16_opt_level`: O1
- `half_precision_backend`: auto
- `bf16_full_eval`: False
- `fp16_full_eval`: False
- `tf32`: None
- `local_rank`: 0
- `ddp_backend`: None
- `tpu_num_cores`: None
- `tpu_metrics_debug`: False
- `debug`: []
- `dataloader_drop_last`: False
- `dataloader_num_workers`: 0
- `dataloader_prefetch_factor`: None
- `past_index`: -1
- `disable_tqdm`: False
- `remove_unused_columns`: True
- `label_names`: None
- `load_best_model_at_end`: False
- `ignore_data_skip`: False
- `fsdp`: []
- `fsdp_min_num_params`: 0
- `fsdp_config`: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
- `fsdp_transformer_layer_cls_to_wrap`: None
- `accelerator_config`: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
- `parallelism_config`: None
- `deepspeed`: None
- `label_smoothing_factor`: 0.0
- `optim`: adamw_torch_fused
- `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`: None
- `hub_always_push`: False
- `hub_revision`: None
- `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
- `include_tokens_per_second`: False
- `include_num_input_tokens_seen`: False
- `neftune_noise_alpha`: None
- `optim_target_modules`: None
- `batch_eval_metrics`: False
- `eval_on_start`: False
- `use_liger_kernel`: False
- `liger_kernel_config`: None
- `eval_use_gather_object`: False
- `average_tokens_across_devices`: False
- `prompts`: None
- `batch_sampler`: batch_sampler
- `multi_dataset_batch_sampler`: round_robin
- `router_mapping`: {}
- `learning_rate_mapping`: {}
</details>
### Training Logs
| Epoch | Step | Training Loss | cosine_ndcg@10 |
|:------:|:----:|:-------------:|:--------------:|
| 0.2222 | 500 | 0.4649 | 0.6259 |
| 0.4444 | 1000 | 0.5086 | 0.5681 |
| 0.6667 | 1500 | 0.5243 | 0.6237 |
| 0.8889 | 2000 | 0.5062 | 0.6097 |
| 1.0 | 2250 | - | 0.5946 |
| 1.1111 | 2500 | 0.3389 | 0.6567 |
| 1.3333 | 3000 | 0.1844 | 0.6175 |
| 1.5556 | 3500 | 0.1605 | 0.6577 |
| 1.7778 | 4000 | 0.144 | 0.6864 |
| 2.0 | 4500 | 0.1451 | 0.6871 |
| 2.2222 | 5000 | 0.0263 | 0.7154 |
| 2.4444 | 5500 | 0.0312 | 0.7324 |
| 2.6667 | 6000 | 0.0279 | 0.7329 |
### Framework Versions
- Python: 3.13.5
- Sentence Transformers: 5.1.0
- Transformers: 4.56.1
- PyTorch: 2.8.0+cu128
- Accelerate: 1.9.0
- Datasets: 2.19.1
- Tokenizers: 0.22.0
## 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.*
--> |