File size: 55,620 Bytes
a756c6f 995a768 a756c6f 7400720 a756c6f 7400720 a756c6f |
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 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 |
---
language:
- vi
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- dense
- generated_from_trainer
- dataset_size:9590
- loss:CachedMultipleNegativesRankingLoss
base_model: google/embeddinggemma-300m
widget:
- source_sentence: Phẫu thuật cắt lách được xem là phương pháp điều trị bậc hai cho
AIHA ấm trong những trường hợp nào?
sentences:
- 'Viêm não do kháng thể kháng thụ thể NMDA có thể liên quan đến một khối u, thường
là u quái của buồng trứng (khối u này có thể chứa nhiều loại mô cơ thể khác nhau
bao gồm cả mô não). Ở nam giới có thể gặp U tinh hoàn. Các loại khối u khác có
liên quan đến viêm não kháng thể thụ thể NMDA bao gồm ung thư phổi, khối u của
tuyến giáp, ung thư vú, ung thư ruột kết và u nguyên bào thần kinh.Vai trò của
khối u trong sự phát triển của bệnh viêm não kháng thể kháng thụ thể NMDA vẫn
chưa được hiểu đầy đủ. Tuy nhiên, tất cả các khối u liên quan đến viêm não kháng
thể kháng thụ thể NMDA đều chứa mô thần kinh (mô chứa các tế bào giống hệt với
các tế bào được tìm thấy trong não) và các thụ thể NMDA. Người ta cho rằng ban
đầu các kháng thể được hình thành để chống lại các thụ thể NMDA có trong khối
u và sau đó chúng tấn công các thụ thể trông tương tự trong não, tạo ra các triệu
chứng và dấu hiệu liên quan đến viêm não kháng thể kháng thụ thể NMDA.Nếu khối
u được tìm thấy, việc loại bỏ khối u là một phần quan trọng trong điều trị viêm
não kháng thể kháng thụ thể NMDA. Những bệnh nhân được loại bỏ khối u hồi phục
nhanh hơn và ít có khả năng bị tái phát hơn so với những bệnh nhân không được
tìm thấy khối u. Tất cả bệnh nhân nghi ngờ viêm não do thụ thể NMDA nên được kiểm
tra sự hiện diện của khối u. Nên thực hiện phương pháp chẩn đoán hình ảnh (cắt
lớp vi tính hoặc cộng hưởng từ) ngực, bụng và xương chậu.... Ở phụ nữ cũng nên
siêu âm buồng trứng, và nam giới nên siêu âm tinh hoàn. Ngay cả khi đã được cắt
bỏ, các khối u vẫn có thể tái phát.Vì vậy, những người bị viêm não kháng thể kháng
thụ thể NMDA nên được kiểm tra định kỳ về sự hiện diện (hoặc tái phát) của các
khối u.
Ung thư vú có mối liên quan đến viêm não kháng thể thụ thể NMDA
Ở nhiều người bị viêm não kháng thể kháng thụ thể NMDA mà không tìm thấy khối
u (do khối u quá nhỏ không thể phát hiện được bằng kỹ thuật hình ảnh hay khối
u đã bị tiêu diệt bởi hệ thống miễn dịch hoặc không có khối u), được cho là không
rõ nguyên nhân.'
- Khi được điều trị bằng liệu pháp bộ ba - clarithromycin, amoxicillin và omeprazole
- để diệt trừ H. pylori, những bệnh nhân bị thiếu máu ác tính trước đó đã có được
mức vitamin B12 thỏa đáng, với mức sắt trung bình là 262,5 ± 100,0 pg / mL trong
số những người nhiễm H. pylori chống lại 378,2 ± 160,6 pg / mL ở nhóm H. pylori-đồng
âm, thể hiện sự khác biệt 30,6% giữa các nhóm đó, với giá trị P là 0,001.
- Phẫu thuật cắt lách thường được cho là phương pháp điều trị bậc hai cho AIHA ấm,
được đề xuất cho bệnh nhân không đáp ứng hoặc không dung nạp corticosteroid, ở
những người cần liều prednisone duy trì hàng ngày lớn hơn 10 mg và ở những người
bị tái phát nhiều lần.
- source_sentence: Khi nào cần chụp MRI?
sentences:
- Hơn 60 triệu bệnh nhân được chẩn đoán bằng hình ảnh chụp MRI (Chụp cộng hưởng
từ) được thực hiện mỗi năm trên toàn thế giới. Kể từ khi phát triển vào những
năm 1970, MRI đã tạo ra cuộc cách mạng trong chẩn đoán hình ảnh y học, cung cấp
một phương pháp chẩn đoán không xâm lấn để kiểm tra bên trong cơ thể con người
một cách chi tiết mà không cần sử dụng phóng xạ.Bằng cách cho các nguyên tử Hydro
trong cơ thể tiếp xúc với từ trường, MRI có thể kiểm soát hướng và đo tần số mà
các proton hydro chuyển động. Một xung tần số vô tuyến (RF) đặc trưng cho cộng
hưởng tử của nguyên tử Hydro được hướng vào khu vực nơi có cơ quan trong cơ thể
mà bác sĩ muốn kiểm tra. Hình ảnh chi tiết các cơ quan có thể được thể hiện trên
màn hình, cung cấp cho các bác sĩ có nhiều hướng nhìn và góc độ khác nhau những
tổn thương có thể thấy ở cơ quan được chụp MRI.MRI thường được bác sĩ chỉ định
chụp MRI để biết thêm chi tiết hoặc nguyên nhân của các triệu chứng không rõ ràng
trên các loại hình ảnh khác, chẳng hạn như siêu âm, chụp X-quang hay chụp cắt
lớp vi tính. Chụp MRI có thể giúp chẩn đoán các bệnh về não, cột sống, xương,
bụng và các mô mềm.Ví dụ, MRI rất tốt trong chẩn đoán và theo dõi nhiều tình trạng
thần kinh, chẳng hạn như bệnh đa xơ cứng, nhiễm trùng, khối u não, não úng thủy,
bất thường mạch máu bao gồm đột quỵ cấp tính và chảy máu nội sọ, và để đánh giá
quỹ đạo và tuyến yên. Chụp MRI cũng rất hữu ích để chẩn đoán bất thường tủy sống,
bao gồm hủy myelination, khối u, hoặc thoát vị đĩa đệm và thay đổi thoái hóa.Chụp
MRI cho phép bác sĩ của bạn nhìn thấy các cơ quan, xương và các mô bên trong cơ
thể bạn mà không phải phẫu thuật. Phương pháp này có thể giúp chẩn đoán bệnh hoặc
chấn thương.Bạn có thể cần chụp MRI nếu chụp X-quang và chụp cắt lớp vi tính chưa
cung cấp đủ thông tin về tình trạng sức khoẻ của các cơ quan trong cơ thể. MRI
cũng rất hữu ích cho bác sĩ lựa chọn được phương pháp điều trị phù hợp và hiệu
quả với tình trạng bệnh.
- 'Mức độ vừa phải:Để phẫu thuật cắt xương hàm hô móm, bác sĩ tiến hành cắt tiền
đình xương hàm dưới để đẩy lùi về phía sau sao cho hài hòa với hàm trên. Nhổ 2
răng số 4 và cắt ngách lợi qua 2 răng số 4 để xương hàm di chuyển sau đó cố định
vào sau phẫu thuật.
Mức độ nặng:Bác sĩ sẽ tiến hành phẫu thuật cắt xương hàm hô móm bằng phương pháp
BSSO không cần nhổ răng. Cắt 2 cành bên hàm dưới đẩy lùi về phía sau rồi nẹp cố
định hàm. Một vài trường hợp phức tạp hơn, do cả hàm trên và hàm dưới thì có thể
cắt cả 2 hàm mới chữa hô móm triệt để.'
- 'Quy trình siêu âm động mạch chủ bụng bao gồm các bước như sau:● Chuẩn bị đầu
dò siêu âm: Đầu dò convex đối với các bệnh nhân bình thường, và sử dụng tần số
cao đối với bệnh nhân gầy. Đầu dò tim dành cho bệnh nhân béo.● Bệnh nhân cần nhịn
ăn trước khi siêu âm. Tốt nhất nên siêu âm buổi sáng và không ăn sáng, đây là
thời điểm thích hợp nhất để siêu âm. Lưu ý hạn chế uống nước có gas trước khi
siêu âm.● Bệnh nhân nằm ngửa theo hướng dẫn của bác sĩ, tránh căng thẳng vùng
bụng dẫn đến căng cơ.Nếu trong trường hợp khó siêu âm, có thể bác sĩ thực hiện
sẽ yêu cầu bạn nằm nghiêng để thực hiện siêu âm.'
- source_sentence: Việc bỏ bữa sáng có ảnh hưởng gì đến lượng đường trong máu và cơ
thể?
sentences:
- Các phương thức vật lý để điều trị thoái hóa khớp gối bao gồm vật lý trị liệu,
tập thể dục, giảm cân và sử dụng nẹp gối hoặc nẹp gót chân. Một đánh giá về các
can thiệp vật lý trị liệu cho bệnh nhân thoái hóa khớp gối kết luận rằng tập thể
dục và giảm cân giúp giảm đau, cải thiện chức năng thể chất. Bên cạnh đó, các
bài tập aerobic cường độ cao và thấp đều có hiệu quả như nhau trong việc cải thiện
tình trạng chức năng khớp gối, dáng đi và cơn đau.Song song đó, để phương pháp
điều trị thoái hóa khớp gối đạt hiệu quả, bác sĩ khuyến cáo người bệnh nên ngừng
bất kỳ hoạt động nào làm trầm trọng thêm tình trạng đau đầu gối. Có một số bằng
chứng cho thấy việc sử dụng nẹp gót chân bên làm giảm việc sử dụng thuốc chống
viêm không steroid (NSAID).
- Một số nghiên cứu nhỏ cho thấy rằng bỏ bữa sáng thực sự có thể dẫn đến kháng insulin
nhiều hơn. Đề kháng insulin là tình trạng cần nhiều insulin hơn để đưa lượng đường
trong máu về mức bình thường. Bỏ bữa sáng cũng có liên quan đến việc tăng lượng
đường trong máu sau cả bữa trưa và bữa tối. Điều này có thể gây căng thẳng quá
mức cho cơ thể cũng như dẫn đến việc lựa chọn chế độ ăn uống kém hiệu quả.
- Bên cạnh đó, bệnh phình động mạch máu não còn có thể làm tăng các nguy cơ liên
quan đến chứng co thắt động mạch não và dẫn đến đột quỵ. Một số biến chứng khác
bao gồm:Tràn dịch não, từ đó gây suy giảm lưu thông dịch não tủy.Hạ natri máu
- source_sentence: Cấy chỉ là phương pháp gì và được phát triển từ kỹ thuật nào?
sentences:
- Theo quy trình siêu âm, bệnh nhân cần nhịn ăn ít nhất từ 6 đến 8 giờ trước khi
tiến hành siêu âm sỏi thận.Điều kiện lý tưởng nhất là siêu âm sỏi thận vào buổi
sáng khi bệnh nhân đã nhịn ăn từ chiều tối hôm trước. Nguyên nhân là do khi bệnh
nhân nhịn ăn như vậy thì thức ăn đã được tiêu hóa hết và tránh những ảnh ảo làm
ảnh hưởng đến kết quả siêu âm thận.Một yêu cầu khác cũng quan trọng không kém
là bệnh nhân cần uống nhiều nước kèm nhịn tiểu trước khi siêu âm. Nhịn tiểu sẽ
làm bàng quang căng to, giúp quan sát hình ảnh viên sỏi dễ dàng hơn do tương phản
giữa nước tiểu và viên sỏi là trái ngược nhau (viên sỏi có màu trắng còn nước
tiểu màu đen trên màn hình siêu âm).
- Cấy chỉ hay còn gọi là nhu châm, là một phương pháp được phát triển từ kỹ thuật
châm cứu, đã và đang được ứng dụng trong điều trị bệnh gout.
- Thông thường, sau điều trị lao khoảng 1 tháng dịch sẽ cải thiện nhiều, bạn nên
tái khám để đánh giá tình trạng bệnh của mình.
- source_sentence: Hồi hải mã đóng vai trò gì trong khả năng ghi nhớ của con người,
đặc biệt là định hướng đường đi?
sentences:
- 'Phương pháp điều trị tăng tiết mồ hôi tùy thuộc vào nguyên nhân gây bệnh. Vì
vậy, việc quan trọng nhất là phải xác định được nguyên nhân gây mồ hôi tiết ra
nhiều. Đối với tăng tiết mồ hôi thứ phát do các bệnh lý khác cần được điều trị
dứt điểm tình trạng bệnh lý. Đối với tăng tiết mồ hôi nguyên phát do rối loạn
thần kinh thực vật có 4 phương pháp điều trị bao gồm:
2.1 Điều trị nội khoa
Có 2 loại thuốc được dùng để điều trị chứng mồ hôi tiết ra nhiều đó là thuốc bôi
ngoài da và thuốc kháng cholinergic dạng uống:Thuốc bôi: thuốc bôi là cách đơn
giản nhất để điều trị chứng ra mồ hôi tiết ra nhiều. Thông thường, các loại thuốc
bôi này sẽ chứa các thành phần như muối nhôm clorua, có tác dụng se khít lỗ chân
lông khiến mồ hôi không thể thoát ra bên ngoài. Tuy nhiên, do thuốc bôi này chỉ
có tác dụng tạm thời và chỉ thích hợp với những vùng da nhỏ như lòng bàn tay,
bàn chân và nách nên bạn phải dùng thường xuyên hàng ngày.Thuốc kháng cholinergic:
như glycopyrrolate, oxybutynin, propantheline,... có thể giúp làm giảm tiết mồ
hôi nhờ tác dụng ức chế hoạt động của hệ thần kinh giao cảm. Thuốc kháng cholinergic
có thể gây ra một số tác dụng phụ như: khô miệng, bí tiểu, táo bón, loạn nhịp
tim, mờ mắt,... Do đó, bạn chỉ nên sử dụng thuốc theo phác đồ điều trị và hướng
dẫn của bác sĩ.
2.2 Điện di ion
Phương pháp điện di ion thường được thực hiện để điều trị đổ mồ hôi tay và chân.
Khi thực hiện, bạn sẽ được ngâm bàn tay hoặc bàn chân vào một dung dịch điện ly
có dòng điện thấp chạy qua khoảng 10 miliampe trong khoảng thời gian từ 20 – 30
phút. Để việc điều trị có hiệu quả cao, bạn cần tiến hành thực hiện điện di ion
ít nhất 3 lần/tuần trong tháng đầu tiên, và những tháng tiếp theo có thể giảm
tần suất xuống thành 2 – 4 lần/tháng. Phương pháp điện di ion khá an toàn và có
thể có hiệu quả trong vòng 6 tháng điều trị, sau đó chứng tình trạng mồ hôi tiết
ra nhiều vẫn có thể tái phát. Ngoài ra, bạn cũng cần lưu ý là phương pháp điện
di ion không phù hợp dùng cho phụ nữ mang thai, người bệnh động kinh, người có
đặt máy tạo nhịp tim,...
2.3 Tiêm botox
Tiêm botox là một phương pháp thường được sử dụng để điều trị chứng đổ mồ hôi
ra nhiều ở lòng bàn tay, bàn chân và nách. Bác sĩ sẽ tiến hành tiêm nhiều mũi
botulinum dưới da nhằm ngăn chặn cơ thể giải phóng các chất dẫn truyền thần kinh
có thể kích thích tuyến mồ hôi tăng bài tiết. Tuy nhiên, tiêm botox có thể khiến
bạn gặp phải một số tác dụng không mong muốn như dị ứng da, buồn nôn, đau đầu,
giảm thị lực, sụp mí, bí tiểu, tim đập nhanh,...
Tiêm botox điều trị tăng tiết mồ hôi
2.4 Phẫu thuật
Cắt đốt hạch giao cảm là phương án được thực hiện cuối cùng nếu như những phương
pháp trên điều trị không có hiệu quả. Khi hạch giao cảm ở ngực bị cắt bỏ, mồ hôi
tay chân và nách sẽ không thể tiết ra được nữa. Tuy nhiên, sẽ có biến chứng đồ
mồ hôi bù trừ ở các bộ phận khác của cơ thể. Nhìn chung, dù phương pháp này có
thể điều trị triệt để nhưng có thể gây ra nhiều biến chứng như dị ứng thuốc gây
mê, nhiễm trùng sau mổ, hội chứng Horner gây sụp mí mắt,...Tóm lại, mồ hôi tiết
ra là tình trạng sinh lý rất tốt, giúp cơ thể điều hòa nhiệt độ và loại bỏ độc
tố ra khỏi cơ thể. Tuy nhiên, mồ hôi tiết ra nhiều có thể là do rối loạn thần
kinh thực vật hoặc là triệu chứng của một số bệnh lý như cường giáp, nhiễm độc,
rối loạn nội tiết,... Mồ hôi tiết ra nhiều không ảnh hưởng tới sức khỏe nhưng
tác động không nhỏ đến cuộc sống và công việc của bạn. Cách điều trị bệnh tăng
tiết mồ hôi phụ thuộc vào nguyên nhân gây nên. Tăng tiết mồ hôi thứ phát cần điều
trị dứt điểm các bệnh lý mắc phải. Đối với đổ mồ hôi nguyên phát do rối loạn thần
kinh thực vật sẽ được điều trị bằng phương pháp đốt hạch giao cảm.Tại Bệnh viện
Đa khoa Quốc tế Vinmec điều trị chứng đổ mồ hôi tay chân do rối loạn thần kinh
thực vật bằng phương pháp phẫu thuật nội soi cắt đốt hạch giao cảm, nhằm giảm
tăng tiết mồ hôi tay chân và được thực hiện bởi bác sĩ giàu kinh nghiệm cùng với
các trang thiết bị hiện đại. Người bệnh sẽ được tiến hành sàng lọc trước, phẫu
thuật và kiểm tra, theo dõi sau phẫu thuật theo phác đồ điều trị chuẩn Quốc tế.
Phẫu thuật trị đổ mồ hôi tay chân bằng phương pháp nội soi ngực đã cho kết quả
vượt trội: Có hiệu quả tức thì, phẫu thuật một lần cho tác dụng lâu dài, tính
thẩm mỹ cao, an toàn và thời gian nằm viện ngắn. Ưu điểm của phương pháp phẫu
thuật nội soi cắt hạch giao cảm là chi phí thấp, thời gian lưu viện ngắn, biểu
hiện chân tay khô hơn sau phẫu thuật, sinh hoạt trở lại sớm và thuận tiện cũng
như tăng sự tự tin cho người bệnh.'
- Cần lấy thai nhi ra trong thời gian dưới 10 phút thì gây mê toàn thân gần như
là lựa chọn bắt buộc.
- Hồi hải mã là một cấu trúc quan trọng của não bộ, có tác dụng cải thiện khả năng
ghi nhớ. Nó chứa các tế bào thần kinh đặc biệt được gọi là tế bào lưới, có vai
trò như một tấm bản đồ di động, giúp ghi nhớ những nơi bạn đã đến và con đường
bạn đã đi.Trong đó, các ô vị trí giúp xác định vị trí và các ô lưới giúp hình
thành mối quan hệ không gian giữa nơi này và nơi khác. Một nghiên cứu ở Anh cho
thấy kích thước hồi hải mã của các tài xế taxi lớn hơn nhiều so với người bình
thường.Mặc dù hai loại ghi nhớ song song tồn tại, nhưng bộ não mỗi người có xu
hướng chỉ thiên về một bên. Một số người giỏi trong việc điều hướng dựa vào các
sự vật trên đường đi. Ví dụ, những người này có thể nói “Tôi đến trạm xăng và
rẽ phải”. Trong khi đó, có những người có xu hướng dựa vào trí nhớ không gian
để định hướng. Họ có thể nói “Tôi sẽ đi 50m về phía bắc, sau đó 50m về phía đông”.Kỹ
năng định hướng, đặc biệt là trong việc tìm đường có thể luyện tập. Càng ra ngoài
và đi nhiều nơi thì khả năng định hướng sẽ càng tốt. Ngoài ra, bạn cũng nên kết
hợp với việc tập thể dục nhằm cải thiện lưu lượng máu đến não hoặc chơi các trò
chơi như xếp hình, học một ngôn ngữ mới để kích thích sự phát triển của các tế
bào thần kinh mới và tăng cường các kết nối thần kinh.
datasets:
- lqkhoi/viet_med_qa
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 based on google/embeddinggemma-300m
results:
- task:
type: information-retrieval
name: Information Retrieval
dataset:
name: clean val only
type: clean-val-only
metrics:
- type: cosine_accuracy@1
value: 0.8470715835140998
name: Cosine Accuracy@1
- type: cosine_accuracy@3
value: 0.9327548806941431
name: Cosine Accuracy@3
- type: cosine_accuracy@5
value: 0.9544468546637744
name: Cosine Accuracy@5
- type: cosine_accuracy@10
value: 0.9772234273318872
name: Cosine Accuracy@10
- type: cosine_precision@1
value: 0.8470715835140998
name: Cosine Precision@1
- type: cosine_precision@3
value: 0.31091829356471434
name: Cosine Precision@3
- type: cosine_precision@5
value: 0.19088937093275488
name: Cosine Precision@5
- type: cosine_precision@10
value: 0.09772234273318874
name: Cosine Precision@10
- type: cosine_recall@1
value: 0.8470715835140998
name: Cosine Recall@1
- type: cosine_recall@3
value: 0.9327548806941431
name: Cosine Recall@3
- type: cosine_recall@5
value: 0.9544468546637744
name: Cosine Recall@5
- type: cosine_recall@10
value: 0.9772234273318872
name: Cosine Recall@10
- type: cosine_ndcg@10
value: 0.9150751567740095
name: Cosine Ndcg@10
- type: cosine_mrr@10
value: 0.8949312226698346
name: Cosine Mrr@10
- type: cosine_map@100
value: 0.8957443347412407
name: Cosine Map@100
---
# SentenceTransformer based on google/embeddinggemma-300m
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [google/embeddinggemma-300m](https://huggingface.co/google/embeddinggemma-300m) on the [viet_med_qa](https://huggingface.co/datasets/lqkhoi/viet_med_qa) dataset. 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:** [google/embeddinggemma-300m](https://huggingface.co/google/embeddinggemma-300m) <!-- at revision c5cfa06e5e282a820e85d57f7fb053207494f41d -->
- **Maximum Sequence Length:** 2048 tokens
- **Output Dimensionality:** 768 dimensions
- **Similarity Function:** Cosine Similarity
- **Training Dataset:**
- [viet_med_qa](https://huggingface.co/datasets/lqkhoi/viet_med_qa)
- **Language:** vi
<!-- - **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("qnaug/embeddinggemma-300m-medical")
# Run inference
queries = [
"Hồi hải mã đóng vai trò gì trong việc ghi nhớ, đặc biệt là định hướng đường đi?",
]
documents = [
'Hồi hải mã là một cấu trúc quan trọng của não bộ, có tác dụng cải thiện khả năng ghi nhớ. Nó chứa các tế bào thần kinh đặc biệt được gọi là tế bào lưới, có vai trò như một tấm bản đồ di động, giúp ghi nhớ những nơi bạn đã đến và con đường bạn đã đi.Trong đó, các ô vị trí giúp xác định vị trí và các ô lưới giúp hình thành mối quan hệ không gian giữa nơi này và nơi khác. Một nghiên cứu ở Anh cho thấy kích thước hồi hải mã của các tài xế taxi lớn hơn nhiều so với người bình thường.Mặc dù hai loại ghi nhớ song song tồn tại, nhưng bộ não mỗi người có xu hướng chỉ thiên về một bên. Một số người giỏi trong việc điều hướng dựa vào các sự vật trên đường đi. Ví dụ, những người này có thể nói “Tôi đến trạm xăng và rẽ phải”. Trong khi đó, có những người có xu hướng dựa vào trí nhớ không gian để định hướng. Họ có thể nói “Tôi sẽ đi 50m về phía bắc, sau đó 50m về phía đông”.Kỹ năng định hướng, đặc biệt là trong việc tìm đường có thể luyện tập. Càng ra ngoài và đi nhiều nơi thì khả năng định hướng sẽ càng tốt. Ngoài ra, bạn cũng nên kết hợp với việc tập thể dục nhằm cải thiện lưu lượng máu đến não hoặc chơi các trò chơi như xếp hình, học một ngôn ngữ mới để kích thích sự phát triển của các tế bào thần kinh mới và tăng cường các kết nối thần kinh.',
'Phương pháp điều trị tăng tiết mồ hôi tùy thuộc vào nguyên nhân gây bệnh. Vì vậy, việc quan trọng nhất là phải xác định được nguyên nhân gây mồ hôi tiết ra nhiều. Đối với tăng tiết mồ hôi thứ phát do các bệnh lý khác cần được điều trị dứt điểm tình trạng bệnh lý. Đối với tăng tiết mồ hôi nguyên phát do rối loạn thần kinh thực vật có 4 phương pháp điều trị bao gồm:\n2.1 Điều trị nội khoa\nCó 2 loại thuốc được dùng để điều trị chứng mồ hôi tiết ra nhiều đó là thuốc bôi ngoài da và thuốc kháng cholinergic dạng uống:Thuốc bôi: thuốc bôi là cách đơn giản nhất để điều trị chứng ra mồ hôi tiết ra nhiều. Thông thường, các loại thuốc bôi này sẽ chứa các thành phần như muối nhôm clorua, có tác dụng se khít lỗ chân lông khiến mồ hôi không thể thoát ra bên ngoài. Tuy nhiên, do thuốc bôi này chỉ có tác dụng tạm thời và chỉ thích hợp với những vùng da nhỏ như lòng bàn tay, bàn chân và nách nên bạn phải dùng thường xuyên hàng ngày.Thuốc kháng cholinergic: như glycopyrrolate, oxybutynin, propantheline,... có thể giúp làm giảm tiết mồ hôi nhờ tác dụng ức chế hoạt động của hệ thần kinh giao cảm. Thuốc kháng cholinergic có thể gây ra một số tác dụng phụ như: khô miệng, bí tiểu, táo bón, loạn nhịp tim, mờ mắt,... Do đó, bạn chỉ nên sử dụng thuốc theo phác đồ điều trị và hướng dẫn của bác sĩ.\n2.2 Điện di ion\nPhương pháp điện di ion thường được thực hiện để điều trị đổ mồ hôi tay và chân. Khi thực hiện, bạn sẽ được ngâm bàn tay hoặc bàn chân vào một dung dịch điện ly có dòng điện thấp chạy qua khoảng 10 miliampe trong khoảng thời gian từ 20 – 30 phút. Để việc điều trị có hiệu quả cao, bạn cần tiến hành thực hiện điện di ion ít nhất 3 lần/tuần trong tháng đầu tiên, và những tháng tiếp theo có thể giảm tần suất xuống thành 2 – 4 lần/tháng. Phương pháp điện di ion khá an toàn và có thể có hiệu quả trong vòng 6 tháng điều trị, sau đó chứng tình trạng mồ hôi tiết ra nhiều vẫn có thể tái phát. Ngoài ra, bạn cũng cần lưu ý là phương pháp điện di ion không phù hợp dùng cho phụ nữ mang thai, người bệnh động kinh, người có đặt máy tạo nhịp tim,...\n2.3 Tiêm botox\nTiêm botox là một phương pháp thường được sử dụng để điều trị chứng đổ mồ hôi ra nhiều ở lòng bàn tay, bàn chân và nách. Bác sĩ sẽ tiến hành tiêm nhiều mũi botulinum dưới da nhằm ngăn chặn cơ thể giải phóng các chất dẫn truyền thần kinh có thể kích thích tuyến mồ hôi tăng bài tiết. Tuy nhiên, tiêm botox có thể khiến bạn gặp phải một số tác dụng không mong muốn như dị ứng da, buồn nôn, đau đầu, giảm thị lực, sụp mí, bí tiểu, tim đập nhanh,...\n\n\n\nTiêm botox điều trị tăng tiết mồ hôi\n\n\n2.4 Phẫu thuật\nCắt đốt hạch giao cảm là phương án được thực hiện cuối cùng nếu như những phương pháp trên điều trị không có hiệu quả. Khi hạch giao cảm ở ngực bị cắt bỏ, mồ hôi tay chân và nách sẽ không thể tiết ra được nữa. Tuy nhiên, sẽ có biến chứng đồ mồ hôi bù trừ ở các bộ phận khác của cơ thể. Nhìn chung, dù phương pháp này có thể điều trị triệt để nhưng có thể gây ra nhiều biến chứng như dị ứng thuốc gây mê, nhiễm trùng sau mổ, hội chứng Horner gây sụp mí mắt,...Tóm lại, mồ hôi tiết ra là tình trạng sinh lý rất tốt, giúp cơ thể điều hòa nhiệt độ và loại bỏ độc tố ra khỏi cơ thể. Tuy nhiên, mồ hôi tiết ra nhiều có thể là do rối loạn thần kinh thực vật hoặc là triệu chứng của một số bệnh lý như cường giáp, nhiễm độc, rối loạn nội tiết,... Mồ hôi tiết ra nhiều không ảnh hưởng tới sức khỏe nhưng tác động không nhỏ đến cuộc sống và công việc của bạn. Cách điều trị bệnh tăng tiết mồ hôi phụ thuộc vào nguyên nhân gây nên. Tăng tiết mồ hôi thứ phát cần điều trị dứt điểm các bệnh lý mắc phải. Đối với đổ mồ hôi nguyên phát do rối loạn thần kinh thực vật sẽ được điều trị bằng phương pháp đốt hạch giao cảm.Tại Bệnh viện Đa khoa Quốc tế Vinmec điều trị chứng đổ mồ hôi tay chân do rối loạn thần kinh thực vật bằng phương pháp phẫu thuật nội soi cắt đốt hạch giao cảm, nhằm giảm tăng tiết mồ hôi tay chân và được thực hiện bởi bác sĩ giàu kinh nghiệm cùng với các trang thiết bị hiện đại. Người bệnh sẽ được tiến hành sàng lọc trước, phẫu thuật và kiểm tra, theo dõi sau phẫu thuật theo phác đồ điều trị chuẩn Quốc tế. Phẫu thuật trị đổ mồ hôi tay chân bằng phương pháp nội soi ngực đã cho kết quả vượt trội: Có hiệu quả tức thì, phẫu thuật một lần cho tác dụng lâu dài, tính thẩm mỹ cao, an toàn và thời gian nằm viện ngắn. Ưu điểm của phương pháp phẫu thuật nội soi cắt hạch giao cảm là chi phí thấp, thời gian lưu viện ngắn, biểu hiện chân tay khô hơn sau phẫu thuật, sinh hoạt trở lại sớm và thuận tiện cũng như tăng sự tự tin cho người bệnh.',
'Cần lấy thai nhi ra trong thời gian dưới 10 phút thì gây mê toàn thân gần như là lựa chọn bắt buộc.',
]
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([[0.6710, 0.0260, 0.0939]])
```
<!--
### 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
* Datasets: `clean-val-only`
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
| Metric | Base model (clean) | Fine-tuned (clean) |
|:--------------------|:---------------------|:-------------------|
| cosine_accuracy@1 | 0.4425 | 0.8471 |
| cosine_accuracy@3 | 0.6182 | 0.9328 |
| cosine_accuracy@5 | 0.6779 | 0.9544 |
| cosine_accuracy@10 | 0.7668 | 0.9772 |
| cosine_precision@1 | 0.4425 | 0.8471 |
| cosine_precision@3 | 0.2061 | 0.3109 |
| cosine_precision@5 | 0.1356 | 0.1909 |
| cosine_precision@10 | 0.0767 | 0.0977 |
| cosine_recall@1 | 0.4425 | 0.8471 |
| cosine_recall@3 | 0.6182 | 0.9328 |
| cosine_recall@5 | 0.6779 | 0.9544 |
| cosine_recall@10 | 0.7668 | 0.9772 |
| **cosine_ndcg@10** | **0.5994** | **0.9151** |
| cosine_mrr@10 | 0.5465 | 0.8949 |
| cosine_map@100 | 0.5533 | 0.8957 |
<!--
## 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
#### viet_med_qa
* Dataset: [viet_med_qa](https://huggingface.co/datasets/lqkhoi/viet_med_qa) at [4d311bd](https://huggingface.co/datasets/lqkhoi/viet_med_qa/tree/4d311bd1270d3921c5fcdaf51c14fe57371880aa)
* Size: 9,590 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: 7 tokens</li><li>mean: 20.09 tokens</li><li>max: 123 tokens</li></ul> | <ul><li>min: 8 tokens</li><li>mean: 200.26 tokens</li><li>max: 1868 tokens</li></ul> |
* Samples:
| anchor | positive |
|:------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| <code>Nguyên nhân gây ra bệnh Wilson là gì?</code> | <code>Nguyên nhân bệnh Wilson là do di truyền gây tích tụ quá nhiều đồng trong cơ thể. Bệnh di truyền gen lặn trên nhiễm sắc thể thường. Điều này có nghĩa là trong bệnh Wilson, cơ thể phải nhận 2 gen ATP7B bất thường (1 từ cha và 1 từ mẹ). Đây là rối loạn di truyền hiếm gặp, chiếm tỷ lệ 1/30.000 người.Ở bệnh Wilson, một phần gen nằm trên nhiễm sắc thể số 13 không hoạt động, (ATP7B). Gen giúp kiểm soát việc thải đồng của tế bào gan vào mật. Tuy nhiên, do lỗi gen không hoạt động được nên đồng bị tích tụ trong tế bào gan, khi lượng đồng vượt quá mức, sẽ tràn vào máu và lắng đọng ở các cơ quan khác của cơ thể (não, mắt và các cơ quan khác).</code> |
| <code>Phù bạch mạch là gì và cơ chế bệnh sinh của nó như thế nào?</code> | <code>Phù bạch mạch (bạch mạch còn gọi là mạch bạch huyết) là sự tích tụ bệnh lý của dịch trong mô mềm do hậu quả của việc kém dẫn lưu bạch huyết, dẫn đến viêm, phì đại mô mỡ và xơ hóa. Phù bạch mạch xảy ra do sự tích tụ của dịch ở khoảng kẽ và hệ thống mạch bạch huyết trong da và mô dưới da. Điều này sau đó kích thích các nguyên bào sợi, tế bào sừng và tế bào mỡ, dẫn đến sự lắng đọng collagen và glycosaminoglycans trong da và mô dưới da, dẫn đến phì đại da và phá hủy các sợi đàn hồi.Theo truyền thống, nó được định nghĩa là phù khoảng kẽ và tích tụ protein do khiếm khuyết trong hệ thống dẫn lưu bạch huyết. Những phát hiện gần đây cho thấy nồng độ protein ở khoảng kẽ có thể thấp ở một số type phù bạch mạch.</code> |
| <code>Hạ phosphat máu cấp tính có thể xảy ra do những nguyên nhân nào?</code> | <code>Hạ phosphat máu xảy ra khi nồng độ phosphat huyết thanh dưới 2,5 mg/dL. Có nhiều nguyên nhân gây hạ phosphat máu cấp tính như:Toan ceton đái tháo đường;Nghiện rượu cấp tính;Bỏng nặng;Bệnh nhân nuôi dưỡng tĩnh mạch;Hội chứng gặp ở bệnh nhân suy dinh dưỡng kéo dài được nuôi ăn lại;Kiềm hô hấp nặng.Hạ phosphat máu có thể ở dạng cấp tính hoặc mãn tính. Đối với hạ phosphat máu cấp tính, phosphat huyết thanh sẽ giảm xuống dưới 1 mg/dL và thường chồng lấp với hạ phosphat mạn tính.</code> |
* Loss: [<code>CachedMultipleNegativesRankingLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#cachedmultiplenegativesrankingloss) with these parameters:
```json
{
"scale": 20.0,
"similarity_fct": "cos_sim",
"mini_batch_size": 4,
"gather_across_devices": false
}
```
### Evaluation Dataset
#### viet_med_qa
* Dataset: [viet_med_qa](https://huggingface.co/datasets/lqkhoi/viet_med_qa) at [4d311bd](https://huggingface.co/datasets/lqkhoi/viet_med_qa/tree/4d311bd1270d3921c5fcdaf51c14fe57371880aa)
* Size: 1,066 evaluation 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: 7 tokens</li><li>mean: 19.71 tokens</li><li>max: 101 tokens</li></ul> | <ul><li>min: 11 tokens</li><li>mean: 192.08 tokens</li><li>max: 1643 tokens</li></ul> |
* Samples:
| anchor | positive |
|:--------------------------------------------------------------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| <code>Vệ sinh bằng nước muối và băng keo có đảm bảo vệ sinh chống nhiễm trùng không?</code> | <code>Vệ sinh bằng nước muối và băng keo sẽ không đảm bảo yêu cầu vệ sinh chống nhiễm trùng tại chỗ xỏ khuyên và có thể dẫn đến nguy cơ nhiễm trùng máu (mặc dù thấp, tùy thuộc và tình trạng vết thương, sức đề kháng và bệnh nền nếu có...)</code> |
| <code>Nêu một số biểu hiện lâm sàng thường gặp của chứng co cứng?</code> | <code>Bệnh cảnh lâm sàng của co cứng có thể rất phong phú do các yếu tố khác nhau, một biểu hiện co cứng đầy đủ nhất theo thứ tự bao gồm: Tăng trương lực khi nghỉ xảy ra ở một số trường hợp. Đồng động (syncinésies): Co cơ không tự chủ kèm theo khi người bệnh làm các động tác có ý thức hay khi khám phản xạ gân cơ, bằng chứng cho thấy mất tính chọn lọc vận động hay tình trạng “ rối loạn ức chế ” các sợi Ia. Đa động: Hoạt động xen kẽ của các cơ chủ vận và đối vận. Tăng phản xạ gân xương: biểu hiện một phần của hội chứng tháp. Giảm khả năng vận động do liệt và rối loạn phối hợp điều khiển cơ</code> |
| <code>Để đánh giá tình trạng chảy máu ở bệnh nhân điều trị thuốc kháng đông đường uống mới (NOAC), cần thực hiện những đánh giá nào?</code> | <code>Để điều trị thích hợp các biến chứng chảy máu do sử dụng NOACs thì việc đánh giá bệnh nhân rất quan trọng giúp phân độ nặng của chảy máu, tình trạng kháng đông hoặc bệnh nền chỉ định điều trị kháng đông. Các đánh giá ban đầu cần thiết ở bệnh nhân gồm:Đánh giá mức độ nghiêm trọng của chảy máu và độ tổn thương cầm máu, khai thác kỹ bệnh sử và các thuốc đang sử dụngMột chảy máu nặng là khi: Chảy máu ở các cơ quan quan trọng (não- màng cứng, màng tim, hốc mắt, khớp lớn,...), giảm Hg trên 2g, truyền trên 2 đơn vị máu hoặc phẫu thuật lớn, dùng thuốc vận mạchĐánh giá nguy cơ thuyên tắc nặng khi ngưng thuốc NOACsCó thể cần xét nghiệm đo lường hiệu quả kháng đông để kiểm tra hoạt tính của NOACs</code> |
* Loss: [<code>CachedMultipleNegativesRankingLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#cachedmultiplenegativesrankingloss) with these parameters:
```json
{
"scale": 20.0,
"similarity_fct": "cos_sim",
"mini_batch_size": 4,
"gather_across_devices": false
}
```
### Training Hyperparameters
#### Non-Default Hyperparameters
- `eval_strategy`: steps
- `per_device_train_batch_size`: 16
- `per_device_eval_batch_size`: 16
- `learning_rate`: 2e-05
- `warmup_ratio`: 0.1
- `fp16`: 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`: 16
- `per_device_eval_batch_size`: 16
- `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`: 2e-05
- `weight_decay`: 0.0
- `adam_beta1`: 0.9
- `adam_beta2`: 0.999
- `adam_epsilon`: 1e-08
- `max_grad_norm`: 1.0
- `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`: 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`: no_duplicates
- `multi_dataset_batch_sampler`: proportional
- `router_mapping`: {}
- `learning_rate_mapping`: {}
</details>
### Training Logs
| Epoch | Step | Training Loss | Validation Loss | miriad-eval-1kq-31kd_cosine_ndcg@10 | clean-val-only_cosine_ndcg@10 |
|:------:|:----:|:-------------:|:---------------:|:-----------------------------------:|:-----------------------------:|
| 0.1667 | 100 | 1.0212 | 0.2408 | - | - |
| 0.3333 | 200 | 0.1305 | 0.1251 | - | - |
| 0.5 | 300 | 0.0833 | 0.1088 | - | - |
| 0.6667 | 400 | 0.0787 | 0.0978 | - | - |
| 0.8333 | 500 | 0.0651 | 0.0950 | - | - |
| 1.0 | 600 | 0.0565 | 0.0888 | - | - |
| 1.1667 | 700 | 0.0517 | 0.0834 | - | - |
| 1.3333 | 800 | 0.0231 | 0.0917 | - | - |
| 1.5 | 900 | 0.0382 | 0.0850 | - | - |
| 1.6667 | 1000 | 0.0432 | 0.0750 | - | - |
| 1.8333 | 1100 | 0.0421 | 0.0710 | - | - |
| 2.0 | 1200 | 0.043 | 0.0691 | - | - |
| 2.1667 | 1300 | 0.0243 | 0.0651 | - | - |
| 2.3333 | 1400 | 0.0258 | 0.0673 | - | - |
| 2.5 | 1500 | 0.0181 | 0.0647 | - | - |
| 2.6667 | 1600 | 0.0257 | 0.0655 | - | - |
| 2.8333 | 1700 | 0.0206 | 0.0650 | - | - |
| 3.0 | 1800 | 0.0242 | 0.0650 | - | - |
| -1 | -1 | - | - | 0.8011 | 0.9151 |
### Framework Versions
- Python: 3.12.11
- Sentence Transformers: 5.1.0
- Transformers: 4.56.1
- PyTorch: 2.8.0+cu126
- Accelerate: 1.10.1
- Datasets: 4.0.0
- 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",
}
```
#### CachedMultipleNegativesRankingLoss
```bibtex
@misc{gao2021scaling,
title={Scaling Deep Contrastive Learning Batch Size under Memory Limited Setup},
author={Luyu Gao and Yunyi Zhang and Jiawei Han and Jamie Callan},
year={2021},
eprint={2101.06983},
archivePrefix={arXiv},
primaryClass={cs.LG}
}
```
<!--
## 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.*
--> |