Hugging Face's logo

codersan
/
validadted_faLabse_withCosSimb

Sentence Similarity
sentence-transformers
TensorBoard
Safetensors
bert
feature-extraction
Generated from Trainer
dataset_size:172826
loss:CosineSimilarityLoss
text-embeddings-inference
Model card Files Metrics Community
validadted_faLabse_withCosSimb / README.md
codersan's picture
codersan
Add new SentenceTransformer model
1175aef verified
preview code
|
raw
history blame contribute delete
38.4 kB
metadata
tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - generated_from_trainer
  - dataset_size:172826
  - loss:CosineSimilarityLoss
base_model: sentence-transformers/LaBSE
widget:
  - source_sentence: How do you make Yahoo your homepage?
    sentences:
      - چگونه ویکی پدیا بدون تبلیغ در وب سایت خود درآمد کسب می کند؟
      - چگونه می توانم برای امتحان INS 21 آماده شوم؟
      - How can I make Yahoo my homepage on my browser?
  - source_sentence: کدام VPN رایگان در چین کار می کند؟
    sentences:
      - VPN های رایگان که در چین کار می کنند چیست؟
      - How can I stop masturbations?
      - آیا مدرسه خلاقیت را می کشد؟
  - source_sentence: چند روش خوب برای کاهش وزن چیست؟
    sentences:
      - چگونه می توانم یک کتاب خوب بنویسم؟
      - من اضافه وزن دارمچگونه می توانم وزن کم کنم؟
      - آیا می توانید ببینید چه کسی داستانهای اینستاگرام شما را مشاهده می کند؟
  - source_sentence: چگونه می توان یک Dell Inspiron 1525 را به تنظیمات کارخانه بازگرداند؟
    sentences:
      - چگونه می توان یک Dell Inspiron B130 را به تنظیمات کارخانه بازگرداند؟
      - مبدل چیست؟
      - چگونه زندگی شما بعد از تشخیص HIV مثبت تغییر کرد؟
  - source_sentence: داشتن هزاران دنبال کننده در Quora چگونه است؟
    sentences:
      - >-
        چگونه Airprint HP OfficeJet 4620 با HP LaserJet Enterprise M606X مقایسه
        می شود؟
      - چه چیزی است که ده ها هزار دنبال کننده در Quora داشته باشید؟
      - اگر هند واردات همه محصولات چینی را ممنوع کند ، چه می شود؟
pipeline_tag: sentence-similarity
library_name: sentence-transformers

SentenceTransformer based on sentence-transformers/LaBSE

This is a sentence-transformers model finetuned from sentence-transformers/LaBSE. 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: sentence-transformers/LaBSE
  • Maximum Sequence Length: 256 tokens
  • Output Dimensionality: 768 dimensions
  • Similarity Function: Cosine Similarity

Model Sources

Full Model Architecture 

SentenceTransformer(
  (0): Transformer({'max_seq_length': 256, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, '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': 768, 'bias': True, 'activation_function': 'torch.nn.modules.activation.Tanh'})
  (3): Normalize()
)

Usage

Direct Usage (Sentence Transformers)

First install the Sentence Transformers library:

pip install -U sentence-transformers

Then you can load this model and run inference.

from sentence_transformers import SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("codersan/validadted_faLabse_withCosSimb")
# Run inference
sentences = [
    'داشتن هزاران دنبال کننده در Quora چگونه است؟',
    'چه چیزی است که ده ها هزار دنبال کننده در Quora داشته باشید؟',
    'چگونه Airprint HP OfficeJet 4620 با HP LaserJet Enterprise M606X مقایسه می شود؟',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 768]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]

Training Details

Training Dataset

Unnamed Dataset

  • Size: 172,826 training samples
  • Columns: sentence1, sentence2, and score
  • Approximate statistics based on the first 1000 samples:
    sentence1 sentence2 score
    type string string float
    details
    • min: 5 tokens
    • mean: 15.2 tokens
    • max: 80 tokens
    • min: 5 tokens
    • mean: 15.47 tokens
    • max: 50 tokens
    • min: 0.76
    • mean: 0.95
    • max: 1.0
  • Samples:
    sentence1 sentence2 score
    تفاوت بین تحلیلگر تحقیقات بازار و تحلیلگر تجارت چیست؟ تفاوت بین تحقیقات بازاریابی و تحلیلگر تجارت چیست؟ 0.982593297958374
    خوردن چه چیزی باعث دل درد میشود؟ چه چیزی باعث رفع دل درد میشود؟ 0.9582258462905884
    بهترین نرم افزار ویرایش ویدیویی کدام است؟ بهترین نرم افزار برای ویرایش ویدیو چیست؟ 0.9890836477279663
  • Loss: CosineSimilarityLoss with these parameters:
    {
    "loss_fct": "torch.nn.modules.loss.MSELoss"
}

Training Hyperparameters

Non-Default Hyperparameters

  • eval_strategy: steps
  • per_device_train_batch_size: 12
  • learning_rate: 1e-05
  • weight_decay: 0.01
  • num_train_epochs: 5
  • warmup_ratio: 0.1
  • push_to_hub: True
  • hub_model_id: codersan/validadted_faLabse_withCosSimb
  • eval_on_start: True
  • batch_sampler: no_duplicates

All Hyperparameters

Click to expand
  • 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: 1e-05
  • weight_decay: 0.01
  • adam_beta1: 0.9
  • adam_beta2: 0.999
  • adam_epsilon: 1e-08
  • max_grad_norm: 1
  • num_train_epochs: 5
  • 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_faLabse_withCosSimb
  • 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

Training Logs

Click to expand
Epoch Step Training Loss
0 0 -
0.0069 100 0.0313
0.0139 200 0.0264
0.0208 300 0.0163
0.0278 400 0.0092
0.0347 500 0.0044
0.0417 600 0.0018
0.0486 700 0.0011
0.0555 800 0.0007
0.0625 900 0.0006
0.0694 1000 0.0006
0.0764 1100 0.0006
0.0833 1200 0.0005
0.0903 1300 0.0005
0.0972 1400 0.0005
0.1041 1500 0.0005
0.1111 1600 0.0005
0.1180 1700 0.0004
0.1250 1800 0.0004
0.1319 1900 0.0004
0.1389 2000 0.0004
0.1458 2100 0.0004
0.1527 2200 0.0004
0.1597 2300 0.0004
0.1666 2400 0.0004
0.1736 2500 0.0003
0.1805 2600 0.0004
0.1875 2700 0.0003
0.1944 2800 0.0003
0.2013 2900 0.0003
0.2083 3000 0.0003
0.2152 3100 0.0003
0.2222 3200 0.0003
0.2291 3300 0.0003
0.2361 3400 0.0003
0.2430 3500 0.0003
0.2499 3600 0.0003
0.2569 3700 0.0003
0.2638 3800 0.0003
0.2708 3900 0.0003
0.2777 4000 0.0003
0.2847 4100 0.0003
0.2916 4200 0.0003
0.2985 4300 0.0003
0.3055 4400 0.0003
0.3124 4500 0.0002
0.3194 4600 0.0002
0.3263 4700 0.0002
0.3333 4800 0.0003
0.3402 4900 0.0002
0.3471 5000 0.0002
0.3541 5100 0.0002
0.3610 5200 0.0002
0.3680 5300 0.0002
0.3749 5400 0.0002
0.3819 5500 0.0002
0.3888 5600 0.0002
0.3958 5700 0.0002
0.4027 5800 0.0002
0.4096 5900 0.0002
0.4166 6000 0.0002
0.4235 6100 0.0002
0.4305 6200 0.0002
0.4374 6300 0.0002
0.4444 6400 0.0002
0.4513 6500 0.0002
0.4582 6600 0.0002
0.4652 6700 0.0002
0.4721 6800 0.0002
0.4791 6900 0.0002
0.4860 7000 0.0002
0.4930 7100 0.0002
0.4999 7200 0.0002
0.5068 7300 0.0002
0.5138 7400 0.0002
0.5207 7500 0.0002
0.5277 7600 0.0002
0.5346 7700 0.0002
0.5416 7800 0.0002
0.5485 7900 0.0002
0.5554 8000 0.0002
0.5624 8100 0.0002
0.5693 8200 0.0002
0.5763 8300 0.0002
0.5832 8400 0.0002
0.5902 8500 0.0002
0.5971 8600 0.0002
0.6040 8700 0.0002
0.6110 8800 0.0002
0.6179 8900 0.0002
0.6249 9000 0.0002
0.6318 9100 0.0002
0.6388 9200 0.0002
0.6457 9300 0.0002
0.6526 9400 0.0002
0.6596 9500 0.0002
0.6665 9600 0.0002
0.6735 9700 0.0002
0.6804 9800 0.0002
0.6874 9900 0.0002
0.6943 10000 0.0002
0.7012 10100 0.0002
0.7082 10200 0.0002
0.7151 10300 0.0002
0.7221 10400 0.0002
0.7290 10500 0.0002
0.7360 10600 0.0002
0.7429 10700 0.0002
0.7498 10800 0.0002
0.7568 10900 0.0002
0.7637 11000 0.0002
0.7707 11100 0.0002
0.7776 11200 0.0002
0.7846 11300 0.0002
0.7915 11400 0.0002
0.7984 11500 0.0002
0.8054 11600 0.0002
0.8123 11700 0.0002
0.8193 11800 0.0002
0.8262 11900 0.0002
0.8332 12000 0.0002
0.8401 12100 0.0002
0.8470 12200 0.0002
0.8540 12300 0.0002
0.8609 12400 0.0002
0.8679 12500 0.0002
0.8748 12600 0.0002
0.8818 12700 0.0001
0.8887 12800 0.0002
0.8956 12900 0.0002
0.9026 13000 0.0002
0.9095 13100 0.0001
0.9165 13200 0.0002
0.9234 13300 0.0002
0.9304 13400 0.0002
0.9373 13500 0.0001
0.9442 13600 0.0002
0.9512 13700 0.0002
0.9581 13800 0.0001
0.9651 13900 0.0001
0.9720 14000 0.0002
0.9790 14100 0.0002
0.9859 14200 0.0001
0.9928 14300 0.0001
0.9998 14400 0.0001
1.0067 14500 0.0001
1.0137 14600 0.0001
1.0206 14700 0.0001
1.0276 14800 0.0002
1.0345 14900 0.0001
1.0414 15000 0.0002
1.0484 15100 0.0002
1.0553 15200 0.0001
1.0623 15300 0.0002
1.0692 15400 0.0001
1.0762 15500 0.0001
1.0831 15600 0.0001
1.0901 15700 0.0001
1.0970 15800 0.0001
1.1039 15900 0.0001
1.1109 16000 0.0001
1.1178 16100 0.0002
1.1248 16200 0.0001
1.1317 16300 0.0002
1.1387 16400 0.0001
1.1456 16500 0.0001
1.1525 16600 0.0001
1.1595 16700 0.0001
1.1664 16800 0.0001
1.1734 16900 0.0001
1.1803 17000 0.0002
1.1873 17100 0.0001
1.1942 17200 0.0001
1.2011 17300 0.0001
1.2081 17400 0.0001
1.2150 17500 0.0001
1.2220 17600 0.0001
1.2289 17700 0.0001
1.2359 17800 0.0001
1.2428 17900 0.0001
1.2497 18000 0.0001
1.2567 18100 0.0001
1.2636 18200 0.0001
1.2706 18300 0.0001
1.2775 18400 0.0001
1.2845 18500 0.0001
1.2914 18600 0.0001
1.2983 18700 0.0001
1.3053 18800 0.0001
1.3122 18900 0.0001
1.3192 19000 0.0001
1.3261 19100 0.0001
1.3331 19200 0.0001
1.3400 19300 0.0001
1.3469 19400 0.0001
1.3539 19500 0.0001
1.3608 19600 0.0001
1.3678 19700 0.0001
1.3747 19800 0.0001
1.3817 19900 0.0001
1.3886 20000 0.0001
1.3955 20100 0.0001
1.4025 20200 0.0001
1.4094 20300 0.0001
1.4164 20400 0.0001
1.4233 20500 0.0001
1.4303 20600 0.0001
1.4372 20700 0.0001
1.4441 20800 0.0001
1.4511 20900 0.0001
1.4580 21000 0.0001
1.4650 21100 0.0001
1.4719 21200 0.0001
1.4789 21300 0.0001
1.4858 21400 0.0001
1.4927 21500 0.0001
1.4997 21600 0.0001
1.5066 21700 0.0001
1.5136 21800 0.0001
1.5205 21900 0.0001
1.5275 22000 0.0001
1.5344 22100 0.0001
1.5413 22200 0.0001
1.5483 22300 0.0001
1.5552 22400 0.0001
1.5622 22500 0.0001
1.5691 22600 0.0001
1.5761 22700 0.0001
1.5830 22800 0.0001
1.5899 22900 0.0001
1.5969 23000 0.0001
1.6038 23100 0.0001
1.6108 23200 0.0001
1.6177 23300 0.0001
1.6247 23400 0.0001
1.6316 23500 0.0001
1.6385 23600 0.0001
1.6455 23700 0.0001
1.6524 23800 0.0001
1.6594 23900 0.0001
1.6663 24000 0.0001
1.6733 24100 0.0001
1.6802 24200 0.0001
1.6871 24300 0.0001
1.6941 24400 0.0001
1.7010 24500 0.0001
1.7080 24600 0.0001
1.7149 24700 0.0001
1.7219 24800 0.0001
1.7288 24900 0.0001
1.7357 25000 0.0001
1.7427 25100 0.0001
1.7496 25200 0.0001
1.7566 25300 0.0001
1.7635 25400 0.0001
1.7705 25500 0.0001
1.7774 25600 0.0001
1.7844 25700 0.0001
1.7913 25800 0.0001
1.7982 25900 0.0001
1.8052 26000 0.0001
1.8121 26100 0.0001
1.8191 26200 0.0001
1.8260 26300 0.0001
1.8330 26400 0.0001
1.8399 26500 0.0001
1.8468 26600 0.0001
1.8538 26700 0.0001
1.8607 26800 0.0001
1.8677 26900 0.0001
1.8746 27000 0.0001
1.8816 27100 0.0001
1.8885 27200 0.0001
1.8954 27300 0.0001
1.9024 27400 0.0001
1.9093 27500 0.0001
1.9163 27600 0.0001
1.9232 27700 0.0001
1.9302 27800 0.0001
1.9371 27900 0.0001
1.9440 28000 0.0001
1.9510 28100 0.0001
1.9579 28200 0.0001
1.9649 28300 0.0001
1.9718 28400 0.0001
1.9788 28500 0.0001
1.9857 28600 0.0001
1.9926 28700 0.0001
1.9996 28800 0.0001
2.0065 28900 0.0001
2.0135 29000 0.0001
2.0204 29100 0.0001
2.0274 29200 0.0001
2.0343 29300 0.0001
2.0412 29400 0.0001
2.0482 29500 0.0001
2.0551 29600 0.0001
2.0621 29700 0.0001
2.0690 29800 0.0001
2.0760 29900 0.0001
2.0829 30000 0.0001
2.0898 30100 0.0001
2.0968 30200 0.0001
2.1037 30300 0.0001
2.1107 30400 0.0001
2.1176 30500 0.0001
2.1246 30600 0.0001
2.1315 30700 0.0001
2.1384 30800 0.0001
2.1454 30900 0.0001
2.1523 31000 0.0001
2.1593 31100 0.0001
2.1662 31200 0.0001
2.1732 31300 0.0001
2.1801 31400 0.0001
2.1870 31500 0.0001
2.1940 31600 0.0001
2.2009 31700 0.0001
2.2079 31800 0.0001
2.2148 31900 0.0001
2.2218 32000 0.0001
2.2287 32100 0.0001
2.2356 32200 0.0001
2.2426 32300 0.0001
2.2495 32400 0.0001
2.2565 32500 0.0001
2.2634 32600 0.0001
2.2704 32700 0.0001
2.2773 32800 0.0001
2.2842 32900 0.0001
2.2912 33000 0.0001
2.2981 33100 0.0001
2.3051 33200 0.0001
2.3120 33300 0.0001
2.3190 33400 0.0001
2.3259 33500 0.0001
2.3328 33600 0.0001
2.3398 33700 0.0001
2.3467 33800 0.0001
2.3537 33900 0.0001
2.3606 34000 0.0001
2.3676 34100 0.0001
2.3745 34200 0.0001
2.3814 34300 0.0001
2.3884 34400 0.0001
2.3953 34500 0.0001
2.4023 34600 0.0001
2.4092 34700 0.0001
2.4162 34800 0.0001
2.4231 34900 0.0001
2.4300 35000 0.0001
2.4370 35100 0.0001
2.4439 35200 0.0001
2.4509 35300 0.0001
2.4578 35400 0.0001
2.4648 35500 0.0001
2.4717 35600 0.0001
2.4787 35700 0.0001
2.4856 35800 0.0001
2.4925 35900 0.0001
2.4995 36000 0.0001
2.5064 36100 0.0001
2.5134 36200 0.0001
2.5203 36300 0.0001
2.5273 36400 0.0001
2.5342 36500 0.0001
2.5411 36600 0.0001
2.5481 36700 0.0001
2.5550 36800 0.0001
2.5620 36900 0.0001
2.5689 37000 0.0001
2.5759 37100 0.0001
2.5828 37200 0.0001
2.5897 37300 0.0001
2.5967 37400 0.0001
2.6036 37500 0.0001
2.6106 37600 0.0001
2.6175 37700 0.0001
2.6245 37800 0.0001
2.6314 37900 0.0001
2.6383 38000 0.0001
2.6453 38100 0.0001
2.6522 38200 0.0001
2.6592 38300 0.0001
2.6661 38400 0.0001
2.6731 38500 0.0001
2.6800 38600 0.0001
2.6869 38700 0.0001
2.6939 38800 0.0001
2.7008 38900 0.0001
2.7078 39000 0.0001
2.7147 39100 0.0001
2.7217 39200 0.0001
2.7286 39300 0.0001
2.7355 39400 0.0001
2.7425 39500 0.0001
2.7494 39600 0.0001
2.7564 39700 0.0001
2.7633 39800 0.0001
2.7703 39900 0.0001
2.7772 40000 0.0001
2.7841 40100 0.0001
2.7911 40200 0.0001
2.7980 40300 0.0001
2.8050 40400 0.0001
2.8119 40500 0.0001
2.8189 40600 0.0001
2.8258 40700 0.0001
2.8327 40800 0.0001
2.8397 40900 0.0001
2.8466 41000 0.0001
2.8536 41100 0.0001
2.8605 41200 0.0001
2.8675 41300 0.0001
2.8744 41400 0.0001
2.8813 41500 0.0001
2.8883 41600 0.0001
2.8952 41700 0.0001
2.9022 41800 0.0001
2.9091 41900 0.0001
2.9161 42000 0.0001
2.9230 42100 0.0001
2.9299 42200 0.0001
2.9369 42300 0.0001
2.9438 42400 0.0001
2.9508 42500 0.0001
2.9577 42600 0.0001
2.9647 42700 0.0001
2.9716 42800 0.0001
2.9785 42900 0.0001
2.9855 43000 0.0001
2.9924 43100 0.0001
2.9994 43200 0.0001
3.0063 43300 0.0001
3.0133 43400 0.0001
3.0202 43500 0.0001
3.0271 43600 0.0001
3.0341 43700 0.0001
3.0410 43800 0.0001
3.0480 43900 0.0001
3.0549 44000 0.0001
3.0619 44100 0.0001
3.0688 44200 0.0001
3.0757 44300 0.0001
3.0827 44400 0.0001
3.0896 44500 0.0001
3.0966 44600 0.0001
3.1035 44700 0.0001
3.1105 44800 0.0001
3.1174 44900 0.0001
3.1243 45000 0.0001
3.1313 45100 0.0001
3.1382 45200 0.0001
3.1452 45300 0.0001
3.1521 45400 0.0001
3.1591 45500 0.0001
3.1660 45600 0.0001
3.1730 45700 0.0001
3.1799 45800 0.0001
3.1868 45900 0.0001
3.1938 46000 0.0001
3.2007 46100 0.0001
3.2077 46200 0.0001
3.2146 46300 0.0001
3.2216 46400 0.0001
3.2285 46500 0.0001
3.2354 46600 0.0001
3.2424 46700 0.0001
3.2493 46800 0.0001
3.2563 46900 0.0001
3.2632 47000 0.0001
3.2702 47100 0.0001
3.2771 47200 0.0001
3.2840 47300 0.0001
3.2910 47400 0.0001
3.2979 47500 0.0001
3.3049 47600 0.0001
3.3118 47700 0.0001
3.3188 47800 0.0001
3.3257 47900 0.0001
3.3326 48000 0.0001
3.3396 48100 0.0001
3.3465 48200 0.0001
3.3535 48300 0.0001
3.3604 48400 0.0001
3.3674 48500 0.0001
3.3743 48600 0.0001
3.3812 48700 0.0001
3.3882 48800 0.0001
3.3951 48900 0.0001
3.4021 49000 0.0001
3.4090 49100 0.0001
3.4160 49200 0.0001
3.4229 49300 0.0001
3.4298 49400 0.0001
3.4368 49500 0.0001
3.4437 49600 0.0001
3.4507 49700 0.0001
3.4576 49800 0.0001
3.4646 49900 0.0001
3.4715 50000 0.0001
3.4784 50100 0.0001
3.4854 50200 0.0001
3.4923 50300 0.0001
3.4993 50400 0.0001
3.5062 50500 0.0001
3.5132 50600 0.0001
3.5201 50700 0.0001
3.5270 50800 0.0001
3.5340 50900 0.0001
3.5409 51000 0.0001
3.5479 51100 0.0001
3.5548 51200 0.0001
3.5618 51300 0.0001
3.5687 51400 0.0001
3.5756 51500 0.0001
3.5826 51600 0.0001
3.5895 51700 0.0001
3.5965 51800 0.0001
3.6034 51900 0.0001
3.6104 52000 0.0001
3.6173 52100 0.0001
3.6242 52200 0.0001
3.6312 52300 0.0001
3.6381 52400 0.0001
3.6451 52500 0.0001
3.6520 52600 0.0001
3.6590 52700 0.0001
3.6659 52800 0.0001
3.6728 52900 0.0001
3.6798 53000 0.0001
3.6867 53100 0.0001
3.6937 53200 0.0001
3.7006 53300 0.0001
3.7076 53400 0.0001
3.7145 53500 0.0001
3.7214 53600 0.0001
3.7284 53700 0.0001
3.7353 53800 0.0001
3.7423 53900 0.0001
3.7492 54000 0.0001
3.7562 54100 0.0001
3.7631 54200 0.0001
3.7700 54300 0.0001
3.7770 54400 0.0001
3.7839 54500 0.0001
3.7909 54600 0.0001
3.7978 54700 0.0001
3.8048 54800 0.0001
3.8117 54900 0.0001
3.8186 55000 0.0001
3.8256 55100 0.0001
3.8325 55200 0.0001
3.8395 55300 0.0001
3.8464 55400 0.0001
3.8534 55500 0.0001
3.8603 55600 0.0001
3.8672 55700 0.0001
3.8742 55800 0.0001
3.8811 55900 0.0001
3.8881 56000 0.0001
3.8950 56100 0.0001
3.9020 56200 0.0001
3.9089 56300 0.0001
3.9159 56400 0.0001
3.9228 56500 0.0001
3.9297 56600 0.0001
3.9367 56700 0.0001
3.9436 56800 0.0001
3.9506 56900 0.0001
3.9575 57000 0.0001
3.9645 57100 0.0001
3.9714 57200 0.0001
3.9783 57300 0.0001
3.9853 57400 0.0001
3.9922 57500 0.0001
3.9992 57600 0.0001
4.0061 57700 0.0001
4.0131 57800 0.0001
4.0200 57900 0.0001
4.0269 58000 0.0001
4.0339 58100 0.0001
4.0408 58200 0.0001
4.0478 58300 0.0001
4.0547 58400 0.0001
4.0617 58500 0.0001
4.0686 58600 0.0001
4.0755 58700 0.0001
4.0825 58800 0.0001
4.0894 58900 0.0001
4.0964 59000 0.0001
4.1033 59100 0.0001
4.1103 59200 0.0001
4.1172 59300 0.0001
4.1241 59400 0.0001
4.1311 59500 0.0001
4.1380 59600 0.0001
4.1450 59700 0.0001
4.1519 59800 0.0001
4.1589 59900 0.0001
4.1658 60000 0.0001
4.1727 60100 0.0001
4.1797 60200 0.0001
4.1866 60300 0.0001
4.1936 60400 0.0001
4.2005 60500 0.0001
4.2075 60600 0.0001
4.2144 60700 0.0001
4.2213 60800 0.0001
4.2283 60900 0.0001
4.2352 61000 0.0001
4.2422 61100 0.0001
4.2491 61200 0.0001
4.2561 61300 0.0001
4.2630 61400 0.0001
4.2699 61500 0.0001
4.2769 61600 0.0001
4.2838 61700 0.0001
4.2908 61800 0.0001
4.2977 61900 0.0001
4.3047 62000 0.0001
4.3116 62100 0.0001
4.3185 62200 0.0001
4.3255 62300 0.0001
4.3324 62400 0.0001
4.3394 62500 0.0001
4.3463 62600 0.0001
4.3533 62700 0.0001
4.3602 62800 0.0001
4.3671 62900 0.0001
4.3741 63000 0.0001
4.3810 63100 0.0001
4.3880 63200 0.0001
4.3949 63300 0.0001
4.4019 63400 0.0
4.4088 63500 0.0001
4.4157 63600 0.0001
4.4227 63700 0.0001
4.4296 63800 0.0001
4.4366 63900 0.0001
4.4435 64000 0.0001
4.4505 64100 0.0001
4.4574 64200 0.0001
4.4643 64300 0.0
4.4713 64400 0.0001
4.4782 64500 0.0001
4.4852 64600 0.0001
4.4921 64700 0.0001
4.4991 64800 0.0001
4.5060 64900 0.0001
4.5129 65000 0.0
4.5199 65100 0.0
4.5268 65200 0.0
4.5338 65300 0.0
4.5407 65400 0.0
4.5477 65500 0.0
4.5546 65600 0.0
4.5615 65700 0.0001
4.5685 65800 0.0
4.5754 65900 0.0001
4.5824 66000 0.0001
4.5893 66100 0.0
4.5963 66200 0.0001
4.6032 66300 0.0001
4.6102 66400 0.0
4.6171 66500 0.0001
4.6240 66600 0.0
4.6310 66700 0.0
4.6379 66800 0.0001
4.6449 66900 0.0
4.6518 67000 0.0
4.6588 67100 0.0
4.6657 67200 0.0001
4.6726 67300 0.0001
4.6796 67400 0.0001
4.6865 67500 0.0
4.6935 67600 0.0001
4.7004 67700 0.0001
4.7074 67800 0.0001
4.7143 67900 0.0001
4.7212 68000 0.0
4.7282 68100 0.0001
4.7351 68200 0.0
4.7421 68300 0.0
4.7490 68400 0.0
4.7560 68500 0.0001
4.7629 68600 0.0001
4.7698 68700 0.0
4.7768 68800 0.0
4.7837 68900 0.0001
4.7907 69000 0.0001
4.7976 69100 0.0
4.8046 69200 0.0
4.8115 69300 0.0001
4.8184 69400 0.0001
4.8254 69500 0.0001
4.8323 69600 0.0001
4.8393 69700 0.0
4.8462 69800 0.0001
4.8532 69900 0.0
4.8601 70000 0.0
4.8670 70100 0.0
4.8740 70200 0.0
4.8809 70300 0.0001
4.8879 70400 0.0
4.8948 70500 0.0
4.9018 70600 0.0001
4.9087 70700 0.0001
4.9156 70800 0.0001
4.9226 70900 0.0
4.9295 71000 0.0001
4.9365 71100 0.0001
4.9434 71200 0.0
4.9504 71300 0.0001
4.9573 71400 0.0
4.9642 71500 0.0
4.9712 71600 0.0
4.9781 71700 0.0001
4.9851 71800 0.0
4.9920 71900 0.0001
4.9990 72000 0.0

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 

@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",
}