|
|
--- |
|
|
tags: |
|
|
- sentence-transformers |
|
|
- sentence-similarity |
|
|
- feature-extraction |
|
|
- dense |
|
|
- generated_from_trainer |
|
|
- dataset_size:9232 |
|
|
- loss:MultipleNegativesRankingLoss |
|
|
widget: |
|
|
- source_sentence: 'query: ދިވެހިރާއްޖޭގައި އޮންނަންވާނީ ކޮން ދީނެއް؟' |
|
|
sentences: |
|
|
- >- |
|
|
passage: އަޅުގަނޑުމެން އެންމެން ގަބޫލުކުރޭ، ދިވެހިރާއްޖޭގައި އޮންނަންވާނީ |
|
|
އިސްލާމްދީންކަން. އަޅުގަނޑުމެން އެންމެން ގަބޫލުކުރޭ، އެހެން ދީންތަކަށް |
|
|
ޖާގަދޭން ނުޖެހޭކަން. |
|
|
- >- |
|
|
passage: ރަށުގައި މިހާރަށްވުރެ ގިނައިން ދިވެހި ރުކާއި، ބަނބުކެޔޮ، ފަތްކެޔޮ، |
|
|
ރޯމިރުސް، ބަށި، ފަޅޯފަދަ ރަށުގައި ހެދޭ ބާވަތްތައް އިންދައި ހެއްދުމުގެ |
|
|
މަސައްކަތްތައްވެސް އިތުރުކުރެވިދާނެ ކަމަށް ރަށުގެ ވެރިންގެ ފަރާތުން |
|
|
އަޅުގަނޑަށް އެނގިފައި އެބައޮތް. |
|
|
- >- |
|
|
passage: އޭގެކުރިން އިބްތިހާލްގެ މަންމަ އާފިޔާ މުހައްމަދަށް ޖިންސީ ގޯނާ |
|
|
ކުރިކަމުގެ ތުހުމަތު ވެސް ރައޫފްގެ މައްޗަށް ކުރެވިގެން، އެ މައްސަލާގައި |
|
|
އޭނާގެ މައްޗަށް ދައުވާކުރަން ޕްރޮސެކިއުޓާ ޖެނެރަލްގެ އޮފީހަށް ފޮނުވި އެވެ. |
|
|
އެކަމަކު އެ މައްސަލާގައި މިހާތަނަށް ދައުވާއެއް ނުއުފުލަ އެވެ. |
|
|
- source_sentence: >- |
|
|
query: އައްސުލްޠާން މުޙައްމަދު ޝަމްސުއްދީން (3) އަރުވައިލައްވައިފައި |
|
|
ހުންނަވަނިކޮށް މާލެ ގެންނެވީ ކޮން ތާރީޚެއްގައި؟ |
|
|
sentences: |
|
|
- >- |
|
|
passage: އައްސުލްޠާން މުޙައްމަދު ޝަމްސުއްދީން (3) އަރުވައިލެއްވުމަށްފަހު، |
|
|
އެމަނިކުފާނު އަނބުރާ މާލެ ގެންނެވީ 17 ޖުލައި 1946 ގައެވެ. އެމަނިކުފާނު |
|
|
އަރުވައިލައްވާފައި ހުންނެވި މުއްދަތުގައި ރާއްޖޭގެ ކަންތައްތައް |
|
|
ބަލަހައްޓަވަމުން ގެންދެވީ ވަގުތީ ސަރުކާރަކުންނެވެ. |
|
|
- >- |
|
|
passage: "ސިއްހީ ހިދުމަތުގެ ފަންނީ މަސައްކަތްތެރިން" ނުވަތަ "ސިއްހީ |
|
|
މަސައްކަތްތެރިން" ކަމަށް ބުނެފައި އެވަނީ، ސިއްހީ ހިދުމަތުގެ ފަންނީ |
|
|
މަސައްކަތްތެރިންގެ ތެރޭގައި ހިމެނޭ މެޑިކަލް ޕްރެކްޓިށަނަރުންނާއި، |
|
|
ނަރުހުންނާއި، އެލައިޑް ހެލްތު ޕްރޮފެށަނަލުންނަށެވެ. އާންމު ސިއްހަތުގެ ކުއްލި |
|
|
ނުރައްކަލުގެ ގާނޫނު (ގާނޫނު ނަންބަރު 20/2020) ގެ 13 ވަނަ މާއްދާގެ (ނ) ގެ (1) |
|
|
- >- |
|
|
passage: "އަނިޔާ" ކަމަށް ބުނެފައި އެވަނީ، ޖިސްމާނީގޮތުން ނުވަތަ މާއްދީގޮތުން |
|
|
ނުވަތަ މީހެއްގެ ފުރާނައަށް ނުވަތަ ހަށިގަނޑަށް ގެއްލުމެއް ނުވަތަ ހާނިއްކައެއް |
|
|
ދިނުމަށެވެ. ނުވަތަ ނަފްސާނީ ދުޅަހެޔޮކަމަށް އުނިކަމެއް ދިނުމަށެވެ. ގާނޫނު |
|
|
ނަންބަރު 17/2014 (ޖިންސީ ކުށުގެ ގާނޫނު) ގެ 69 ވަނަ މާއްދާ ގެ (ރ) |
|
|
- source_sentence: 'query: އެއަރޕޯޓް އަނބުރާ ހޯދަން ކިތައް މިލިއަން ޑޮލަރު ޚަރަދުކުރިތޯ؟' |
|
|
sentences: |
|
|
- >- |
|
|
passage: ވޭތުވެދިޔަ ހަފްތާގައި ވޯކަރސް ޑިމޮކްރެޓިކް ކޮންގްރެސް |
|
|
(ޑަބްލިޔު.ޑީ.ސީ) ގެ މެންބަރުން ރައީސުލްޖުމްހޫރިއްޔާއާ ބައްދަލުކުރިއެވެ. މި |
|
|
ބައްދަލުވުމުގައި އެ ބޭފުޅުން ވަނީ އެތައް ކަމެއްގެ ކަންބޮޑުވުން |
|
|
ފާޅުކުރައްވާފައެވެ. ޚާއްޞަކޮށް އެ ބޭފުޅުންނަށް ލިބެންޖެހޭ އިނާޔަތްތަކާއި |
|
|
ރަމަޟާން މަހުގެ އިނާޔަތް ނުލިބޭތީ ވަރަށް ބޮޑަށް ކަންބޮޑުވުން |
|
|
ފާޅުކުރެއްވިއެވެ. މި ބައްދަލުވުމުގައި އެހެނިހެން ކަންތައްތަކާ ބެހޭގޮތުންވެސް |
|
|
މަޝްވަރާކުރެވުނެވެ. |
|
|
- >- |
|
|
passage: އެއަރޕޯޓް 78 މިލިއަން ޑޮލަރަށް ވިއްކާލާފައި، އަނބުރާ ހޯދަން 320 |
|
|
މިލިއަން ޑޮލަރު ސަރުކާރުން ޚަރަދު ކޮށްފައިވެއެވެ. |
|
|
- >- |
|
|
passage: މިހާރު ރާއްޖޭގައި އިންޖީނު ބެހެއްޓި އެއްހާސް ދުއިސައްތަ މަސްދޯނި |
|
|
އެބަހުރި. އޭގެތެރެއިން އެވްރެޖްކޮށް ދުވާލެއްގެ މައްޗަށް މަހަށް ފުރާ |
|
|
ކަމަށްވަނީ ގާތްގަނޑަކަށް ދުއިސައްތަ ދޯނި. |
|
|
- source_sentence: 'query: އެވޯޑު ދޭން ހަމަޖެހިފައިވަނީ ކޮން ކެޓަގަރީތަކަކުން؟' |
|
|
sentences: |
|
|
- >- |
|
|
passage: ކަންކަމާ ކުރިމަތިލާން ނުކެރުމަކީ، އިންސާނުންގެ ކިބައިގައި ހުންނަ |
|
|
ބަލިކަށި ސިފައެކެވެ. މި ސިފައިގެ ސަބަބުން، ކާމިޔާބު އޮންނާނީ، އޭނާގެ |
|
|
ނަޒަރުން ރެކި، މާ ދުރުގައި ބޮނދައެވެ. |
|
|
- >- |
|
|
passage: "ނޭދެވޭ އަމަލު" ކަމަށް ބުނެފައި އެވަނީ، ވިސްލްބްލޯކުރާ ފަރާތްތައް |
|
|
ރައްކާތެރިކުރުމުގެ ގާނޫނު (ގާނޫނު ނަންބަރު 16/2019) ގެ 3 ވަނަ މާއްދާގައި |
|
|
ތަފްސީލުކޮށްފައިވާ ފަދަ ކޮންމެ އަމަލެކެވެ. ވިސްލްބްލޯކުރާ ފަރާތްތައް |
|
|
ރައްކާތެރިކުރުމުގެ ގާނޫނު (ގާނޫނު ނަންބަރު 16/2019) ގެ 31 ވަނަ މާއްދާގެ (ދ) |
|
|
- >- |
|
|
passage: މިދިޔަ އަހަރު ނޫސްވެރިކަމުގައި ނޫސްވެރިން ކޮށްފައިވާ |
|
|
މަސައްކަތްތަކަށް ބަލައިގެން ތިން ކެޓަގަރީއަކުން އެ އެވޯޑު ދޭން |
|
|
ހަމަޖައްސާފައިވާ ކަމަށް ވެސް އޭނާ ވިދާޅުވި އެވެ. އޭގެ ތެރޭގައި ހިމެނެނީ ޓީވީ |
|
|
އާއި ރޭޑިއޯ އަދި ނޫސް މަޖައްލާތަކުންނެވެ. |
|
|
- source_sentence: 'query: އަކްރަމުގެ ދިރިއުޅުމަށް އައި ބަދަލުތަކަކީ ކޮބައިތޯ؟' |
|
|
sentences: |
|
|
- >- |
|
|
passage: ދިވެހިރާއްޖޭގެ އެންމެ ނަންހިނގާފައިވާ ޤާޟީންގެ ތެރެއިން އެއް |
|
|
ބޭކަލެއް ކަމުގައިވާ އަލްޤާޟީ ޙަސަން ތާޖުއްދީން އަވަހާރަވުމުން، އެ މަރުޙޫމްގެ |
|
|
ހަށިކޮޅު ވަނީ މާލޭގެ ހުކުރު މިސްކިތުގައި ފަސްދާނުލެވިފައެވެ. އެ މިސްކިތަކީ |
|
|
ރާއްޖޭގެ އެންމެ ގިނަ ޢިލްމުވެރިން ފަސްދާނުލެވިފައިވާ ތަންތަނުގެ ތެރެއިން |
|
|
އެއް ތަނެވެ. |
|
|
- >- |
|
|
passage: ސިވިލް ސަރވިސްގެ މުވައްޒަފުން މަޢުލޫމާތު ހާމަކުރުމުގައި |
|
|
ޢަމަލުކުރަންވާނީ ތިރީގައިވާ އުޞޫލުތަކުގެ މަތިންނެވެ. ޤާނޫނާ ގަވާއިދާ |
|
|
އެއްގޮތްވާގޮތުގެމަތިން، މަޢުލޫމާތު ދޭންޖެހޭ ކޮންމެ ޙާލަތެއްގައި ތެދު |
|
|
މަޢުލޫމާތު ދިނުން. |
|
|
- >- |
|
|
passage: މިގޮތުގެމަތިން އަކްރަމަށް ލިބުނު ޖަވާހިރުތައް ވިއްކައި، ލިބުނު |
|
|
ގިނަގުނަ ފައިސާއިން ޖަވާހިރުގެ ވިޔަފާރިފަށައި، ބައްޕައެކޭ އެއްފަދައިން |
|
|
މަޝްހޫރު ވިޔަފާރިވެރިއަކަށް ވެއްޖެއެވެ. އަދި އަކްރަމާއި ޢާއިލާގެ ދިރިއުޅުން |
|
|
ކުރިއެކޭވެސް އެއްފަދަ ތަނަވަސް ދިރިއުޅުމަކަށް ބަދަލުވެގެން ހިނގައްޖެއެވެ. |
|
|
pipeline_tag: sentence-similarity |
|
|
library_name: sentence-transformers |
|
|
license: mit |
|
|
datasets: |
|
|
- alakxender/dhivehi-qa-dataset |
|
|
language: |
|
|
- dv |
|
|
- en |
|
|
base_model: |
|
|
- alakxender/e5-dhivehi-cos |
|
|
--- |
|
|
|
|
|
# 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:** 256 tokens |
|
|
- **Output Dimensionality:** 768 dimensions |
|
|
- **Similarity Function:** Cosine Similarity |
|
|
<!-- - **Training Dataset:** Unknown --> |
|
|
<!-- - **Language:** Unknown --> |
|
|
<!-- - **License:** Unknown --> |
|
|
|
|
|
### Fine-tuned Models |
|
|
|
|
|
This model is part of a progressive series of sentence embedding models based on [`intfloat/multilingual-e5-base`](https://huggingface.co/intfloat/multilingual-e5-base), fine-tuned specifically for Dhivehi language understanding. |
|
|
|
|
|
Each stage leverages a targeted dataset to specialize the model for semantic similarity, question answering, and summarization tasks — improving performance for real-world Dhivehi NLP applications. |
|
|
|
|
|
| Stage | Task | Model | Dataset | Objective | |
|
|
|-------|------|-------|---------|-----------| |
|
|
| 0 | Base | Multilingual Base | [`intfloat/multilingual-e5-base`](https://huggingface.co/intfloat/multilingual-e5-base) | — | Init | |
|
|
| 1 | Paraphrase Identification (MNR) | [`alakxender/e5-dhivehi-paws-mnr`](https://huggingface.co/alakxender/e5-dhivehi-paws-mnr) | [`alakxender/dhivehi-paws-labeled`](https://huggingface.co/datasets/alakxender/dhivehi-paws-labeled) > **label=1 Only** | MultipleNegativesRankingLoss | |
|
|
| 2 | Paraphrase Identification (Cosine) | [`alakxender/e5-dhivehi-paws-cos`](https://huggingface.co/alakxender/e5-dhivehi-paws-cos) | [`alakxender/dhivehi-paws-labeled`](https://huggingface.co/datasets/alakxender/dhivehi-paws-labeled) | CosineSimilarityLoss | |
|
|
| 3 | Question → Passage Matching | [`alakxender/e5-dhivehi-qa-mnr`](https://huggingface.co/alakxender/e5-dhivehi-qa-mnr) | [`alakxender/dhivehi-qa-dataset`](https://huggingface.co/datasets/alakxender/dhivehi-qa-dataset) | MultipleNegativesRankingLoss | |
|
|
| 4 | News Title → Content | [`alakxender/e5-dhivehi-articles-mnr`](https://huggingface.co/alakxender/e5-dhivehi-articles-mnr) | [`alakxender/dhivehi-news-corpus`](https://huggingface.co/datasets/alakxender/dhivehi-news-corpus) | MultipleNegativesRankingLoss | |
|
|
| 5 | Summary → Content | [`alakxender/e5-dhivehi-summaries-mnr`](https://huggingface.co/alakxender/e5-dhivehi-summaries-mnr) | [`alakxender/dv-en-parallel-corpus-clean`](https://huggingface.co/datasets/alakxender/dv-en-parallel-corpus-clean), [`alakxender/dv-summary-translation-corpus`](https://huggingface.co/datasets/alakxender/dv-summary-translation-corpus) | MultipleNegativesRankingLoss | |
|
|
|
|
|
> Each model builds upon the previous checkpoint, incrementally enhancing the semantic capabilities of the model for Dhivehi. The goal is to support high-quality sentence embeddings for a wide range of Dhivehi information retrieval and understanding tasks. |
|
|
|
|
|
### 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, 'architecture': 'XLMRobertaModel'}) |
|
|
(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}) |
|
|
) |
|
|
``` |
|
|
|
|
|
## 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("alakxender/e5-dhivehi-qa-mnr") |
|
|
# Run inference |
|
|
sentences = [ |
|
|
'query: އަކްރަމުގެ ދިރިއުޅުމަށް އައި ބަދަލުތަކަކީ ކޮބައިތޯ؟', |
|
|
'passage: މިގޮތުގެމަތިން އަކްރަމަށް ލިބުނު ޖަވާހިރުތައް ވިއްކައި، ލިބުނު ގިނަގުނަ ފައިސާއިން ޖަވާހިރުގެ ވިޔަފާރިފަށައި، ބައްޕައެކޭ އެއްފަދައިން މަޝްހޫރު ވިޔަފާރިވެރިއަކަށް ވެއްޖެއެވެ. އަދި އަކްރަމާއި ޢާއިލާގެ ދިރިއުޅުން ކުރިއެކޭވެސް އެއްފަދަ ތަނަވަސް ދިރިއުޅުމަކަށް ބަދަލުވެގެން ހިނގައްޖެއެވެ.', |
|
|
'passage: ސިވިލް ސަރވިސްގެ މުވައްޒަފުން މަޢުލޫމާތު ހާމަކުރުމުގައި ޢަމަލުކުރަންވާނީ ތިރީގައިވާ އުޞޫލުތަކުގެ މަތިންނެވެ. ޤާނޫނާ ގަވާއިދާ އެއްގޮތްވާގޮތުގެމަތިން، މަޢުލޫމާތު ދޭންޖެހޭ ކޮންމެ ޙާލަތެއްގައި ތެދު މަޢުލޫމާތު ދިނުން.', |
|
|
] |
|
|
embeddings = model.encode(sentences) |
|
|
print(embeddings.shape) |
|
|
# [3, 768] |
|
|
|
|
|
# Get the similarity scores for the embeddings |
|
|
similarities = model.similarity(embeddings, embeddings) |
|
|
print(similarities) |
|
|
# tensor([[1.0000, 0.4978, 0.4952], |
|
|
# [0.4978, 1.0000, 0.8843], |
|
|
# [0.4952, 0.8843, 1.0000]]) |
|
|
``` |
|
|
|
|
|
<!-- |
|
|
### 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 |
|
|
|
|
|
* Size: 9,232 training samples |
|
|
* Columns: <code>sentence_0</code> and <code>sentence_1</code> |
|
|
* Approximate statistics based on the first 1000 samples: |
|
|
| | sentence_0 | sentence_1 | |
|
|
|:--------|:----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------| |
|
|
| type | string | string | |
|
|
| details | <ul><li>min: 9 tokens</li><li>mean: 17.88 tokens</li><li>max: 43 tokens</li></ul> | <ul><li>min: 9 tokens</li><li>mean: 62.22 tokens</li><li>max: 256 tokens</li></ul> | |
|
|
* Samples: |
|
|
| sentence_0 | sentence_1 | |
|
|
|:--------------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------| |
|
|
| <code>query: ދީނީ ތަގްރީރުކުރުމާއި ދީނީ ނަސޭހަތް ދިނުން ކަމަށް ބުނެފައިވަނީ ކޮން ކަމަކަށް؟</code> | <code>passage: "ދީނީ ތަގްރީރުކުރުމާއި ދީނީ ނަސޭހަތް ދިނުން" ކަމަށް ބުނެފައި އެވަނީ، ހަބަރުފަތުރާ ވަސީލަތަކުން ނުވަތަ ހާންމު މީހުން ޖަމާވެފައިވާ ތަނެއްގައި ދީނީ ތަގްރީރުކުރުމާއި ދީނީ ނަސޭހަތް ދިނުމަށެވެ. ދީނީ އެއްބައިވަންތަކަން ހިމާޔަތް ކުރުމުގެ ގާނޫނު (ގާނޫނު ނަންބަރު 6/1994) އަށް 1 ވަނަ އިސްލާހު ގެނައުމުގެ ގާނޫނު (ގާނޫނު ނަންބަރު 8/2014) ގެ 7 ވަނަ މާއްދާގެ (ނ) ގައި</code> | |
|
|
| <code>query: ގާނޫނީ ގޮތުން ގައިދީން ކަމަށް ބުނެފައިވަނީ ކޮން ބައެއް؟</code> | <code>passage: "ގައިދީ" ނުވަތަ "ގައިދީން" ކަމަށް ބުނެފައިއެވަނީ، ޖަލުގައި ތިބޭ މީހުންގެ ތެރެއިން ހުކުމެއް ތަންފީޒުކުރަމުންދާ މީހުންނާއި އަރުވާލަން ނުވަތަ ގޭބަންދަށް ކޯޓުން ހުކުމްކޮށްފައި ތިބޭ މީހުންނަށެވެ. ޖަލުތަކާއި ޕެރޯލްގެ ގާނޫނު (ގާނޫނު ނަންބަރު 14/2013) ގެ 155 ވަނަ މާއްދާގެ (ލ) ގައި</code> | |
|
|
| <code>query: އިސްލާމްދީނުގައި ޢިލްމު އުނގެނުމަކީ ކޮބައިތޯ؟</code> | <code>passage: ކީރިތި ރަސޫލާ އަންގަވައިފައިވަނީ، [طلب العلم فريضة على كلّ مسلم ومسلمة] [ޢިލްމު އުނގެނުމަކީ ކޮންމެ މުސްލިމް ފިރިހެނަކާއި ކޮންމެ މުސްލިމް އަންހެނެއްގެ މައްޗަށް އޮތް ވާޖިބެކޭ، ފަރުޟެކޭ.]</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 |
|
|
|
|
|
- `per_device_train_batch_size`: 4 |
|
|
- `per_device_eval_batch_size`: 4 |
|
|
- `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`: 4 |
|
|
- `per_device_eval_batch_size`: 4 |
|
|
- `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`: 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`: 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 |
|
|
- `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 |
|
|
- `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 | |
|
|
|:------:|:----:|:-------------:| |
|
|
| 0.2166 | 500 | 1.2589 | |
|
|
| 0.4333 | 1000 | 1.0569 | |
|
|
| 0.6499 | 1500 | 1.0562 | |
|
|
| 0.8666 | 2000 | 0.9848 | |
|
|
| 1.0832 | 2500 | 0.9565 | |
|
|
| 1.2998 | 3000 | 0.9604 | |
|
|
| 1.5165 | 3500 | 0.958 | |
|
|
| 1.7331 | 4000 | 0.9232 | |
|
|
| 1.9497 | 4500 | 0.9202 | |
|
|
| 2.1664 | 5000 | 0.8813 | |
|
|
| 2.3830 | 5500 | 0.893 | |
|
|
| 2.5997 | 6000 | 0.8324 | |
|
|
| 2.8163 | 6500 | 0.7792 | |
|
|
|
|
|
|
|
|
### Framework Versions |
|
|
- Python: 3.9.21 |
|
|
- Sentence Transformers: 5.0.0 |
|
|
- Transformers: 4.52.4 |
|
|
- PyTorch: 2.5.1+cu124 |
|
|
- Accelerate: 1.3.0 |
|
|
- 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.* |
|
|
--> |
