tanbinh2210/onl_contrastive_phobert-base-v2_v2

SentenceTransformer based on vinai/phobert-base-v2

This is a sentence-transformers model finetuned from vinai/phobert-base-v2. 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: vinai/phobert-base-v2
• Maximum Sequence Length: 256 tokens
• Output Dimensionality: 768 tokens
• Similarity Function: Cosine Similarity

Model Sources

• Documentation: Sentence Transformers Documentation
• Repository: Sentence Transformers on GitHub
• Hugging Face: Sentence Transformers on Hugging Face

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 256, 'do_lower_case': False}) with Transformer model: RobertaModel 
  (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:

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("tanbinh2210/onl_contrastive_phobert-base-v2_v2")
# Run inference
sentences = [
    'Đơn xin nghỉ_phép có những trạng_thái nào và ý_nghĩa của từng trạng_thái đó là gì ?',
    'Cài_đặt đơn_từ\nCài_đặt danh_mục\nCài_đặt danh_mục là nơi người dùng cài_đặt các lý_do của đơn_từ hành_chính , phương_tiện công_tác , công_tác_phí\n1 . Mở phân hệ Đơn_từ tại HRM\n2 . Ở trên cùng bên phải , chọn Cài_đặt\n3 . Tại menu trái , chọn Danh_mục\n4 . Chọn_Tạo mới để tạo mới\n5 . Nhấp vào Cập_nhật để lưu thay_đổi\ncài_đặt danh_mục\nTrường dữ_liệu : Tối_đa , Mô_tả : Hạn_chế nhân_sự sử_dụng đơn quá nhiều lần trong tuần , tháng hoặc năm\nTrường dữ_liệu : Ký_hiệu , Mô_tả : Ký_hiệu hiển_thị trên bảng chấm công Chỉ hiển_thị ký_hiệu với Đơn xin nghỉ\nTrường dữ_liệu : Tính công , Mô_tả : Nếu lý_do bạn chọn Có tính công thì khoảng thời_gian xin nghỉ / vắng_mặt của bạn sẽ được tính vào công làm_việc\nTrường dữ_liệu : Trạng_thái , Mô_tả : Hoạt_động : người dùng có_thể chọn lý_do này khi tạo đơn Không hoạt_động : người dùng sẽ không nhìn thấy lý_do này trong danh_sách\nTrường dữ_liệu : Yêu_cầu chốt , Mô_tả : Nếu lý_do vắng_mặt của bạn Có yêu_cầu chốt vân tay thì bạn cần phải chốt vân tay_trong khoảng thời_gian bắt_đầu vắng mắt và kết_thúc vắng_mặt\nLưu_ý : Không_thể xoá những lý_do của đơn xin nghỉ được hệ_thống tạo ra , chỉ có_thể chuyển lý_do sang trạng_thái không hoạt_động .',
    'Thư_viện tài_nguyên\nThư_viện tài_nguyên là một tính_năng mới của 1Office .\nĐây là kho tài_nguyên chứa các dữ_liệu mẫu mà 1Office cung_cấp cho Khách_hàng .\nNó hoạt_động giống như Google Play hay Chrome_Extension .\nTại đây sẽ có các Template mẫu , người dùng có_thể vào xem thử ảnh demo hoặc mô_tả , nếu phù_hợp với đặc_thù công_việc , chọn Cài_đặt để tải về .\nKhi đó , tài_nguyên vừa tải về sẽ được cập_nhật vào đối_tượng tương_ứng trên phần_mềm .\nSử_dụng thư_viện tài_nguyên như_thế_nào ?\nĐể có được những tài_nguyên mà 1Office , người dùng thực_hiện theo các bước :\nBước 1 .\nTải tài_liệu về phần_mềm\nBước 2 .\nCài_đặt thông_số cho dữ_liệu tải về\nBước 3 .\nSử_dụng phần_mềm với các tài_liệu đã được cài_đặt trên phần_mềm',
]
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: 71,937 training samples
• Columns: question, passage, and label
• Approximate statistics based on the first 1000 samples:

  	question	passage	label
  type	string	string	int
  details	min: 8 tokens mean: 20.09 tokens max: 52 tokens	min: 25 tokens mean: 179.18 tokens max: 256 tokens	0: ~91.30% 1: ~8.70%

• Samples:

  question	passage	label
  Tôi nên bắt_đầu từ đâu để có_thể sử_dụng 1Office một_cách nhanh_chóng và hiệu_quả ?	CHÀO_MỪNG BẠN ĐẾN VỚI TRUNG_TÂM HỖ_TRỢ 1OFFICE Bạn muốn truy_cập nhanh đến phần_mềm 1 Office ? Trang_chủ Nội_dung Bắt_đầu sử_dụng Tìm_hiểu về các phân hệ Chương_trình đào_tạo và bổ_sung về phần_mềm 1Office Trung_tâm trợ_giúp của 1Office Tại đây , bạn sẽ có mọi thông_tin cần_thiết để bắt_đầu sử_dụng các tính_năng trong phần_mềm 1Office , bao_gồm Hướng_dẫn sử_dụng cho các phân hệ CRM , HRM , và Workplace . Ngoài_ra , chúng_tôi cung_cấp các khoá đào_tạo , mẹo hữu_ích , và nhiều hơn_nữa để giúp bạn tận_dụng tối_đa ưu_điểm của 1Office trong quản_lý doanh_nghiệp .	1
  Việc xuất file thông_tin máy chấm công có giúp tôi tải lại thông_tin cấu_hình vào hệ_thống mới nhanh_chóng không ?	Thêm máy chấm công Thêm máy chấm công Tên trường : Địa_điểm , Mô_tả : Vị_trí hiện_tại của máy chấm công . Tên trường : Mã máy , Mô_tả : Doanh_nghiệp tự đặt mã hoặc có_thể để trống ( Nếu doanh_nghiệp sử_dụng nhiều máy chấm công ở các địa_điểm khác nhau có_thể đặt tên để phân_biệt các máy chấm công và mã chấm công của nhân_sự ) . Tên trường : Port , Mô_tả : Nhập cổng PORT của máy chấm công ( Vào cài_đặt của máy chấm công để xem thông_tin cổng PORT ) Tên trường : Mật_khẩu , Mô_tả : Nếu máy chấm công có mật_khẩu thì các bạn nhập mật_khẩu ở đây Tên trường : Tải từ ngày , Mô_tả : Chọn thời_gian bắt_đầu tải log vân tay đến ngày hiện_tại Tên trường : Lịch_sử , Mô_tả : Thông_tin lịch_sử tool kết_nối tải và đẩy log dữ_liệu chấm công Tên trường : Cài_đặt , Mô_tả : Cài_đặt chung cho tool chấm công Tên trường : URL 1Office , Mô_tả : Copy link URL ở Cài_đặt chấm công và gán mục này Tên trường : Thời_gian tải log , Mô_tả : Chọn khoảng thời_gian tải log giữa hai lần liên_tiếp ( ví_dụ chọn 20 phút nghĩa_là cứ 20 phút tool tải log về một lần ) Tên trường : Thời_gian đẩy log , Mô_tả : Thời_gian nhận đẩy log ( ví_dụ : cứ 2 phút đẩy log một lần ) Tên trường : Nhập số log được đẩy lên trong một lần , Mô_tả : Số log được tải trong 1 lần đẩy Tên trường : Thư_mục lưu backup , Mô_tả : Chọn một thư_mục để backup dữ_liệu chấm công	0
  Khi nhân_sự thay_đổi phòng_ban , vị_trí , chức_vụ thì nhóm quyền của họ có cần được cập_nhật lại không ?	Hợp_đồng lao_động Hợp_đồng lao_động là gì ? Hợp_đồng lao_động là văn_bản thoả_thuận giữa người lao_động và người sử_dụng lao_động về việc_làm có trả công , trong đó quy_định điều_kiện lao_động , quyền và nghĩa_vụ của mỗi bên trong quan_hệ lao_động . Hợp_đồng lao_động được ký_kết theo nguyên_tắc tự_nguyện , bình_đẳng , phù_hợp với các quy_định của pháp_luật lao_động . Quản_lý hợp_đồng lao_động giúp_ích gì cho doanh_nghiệp ? Thường các doanh_nghiệp mới quản_lý file cứng của hợp_đồng lao_động và chưa số_hoá để quản_lý . Tính_năng quản_lý hợp_đồng cho_phép số_hoá các thông_tin cơ_bản của hợp_đồng để quản_lý . Việc quản_lý này giúp cho việc lưu_trữ , tra_cứu thông_tin nhanh_chóng chính_xác . Ngoài_ra , các dữ_liệu về lương , phụ_cấp , vị_trí , chức_vụ , phòng_ban trong hợp_đồng lao_động sẽ được cập_nhật tự_động vào hồ_sơ nhân_sự . Đây sẽ là cơ_sở để tính_toán lương , phụ_cấp cho người lao_động . Đối_tượng sử_dụng hợp_đồng lao_động : Bộ_phận nhân_sự và quản_lý chi_nhánh , phòng_ban Hướng_dẫn quản_lý hợp_đồng lao_động Để quản_lý hợp_đồng lao_động , bạn theo_dõi những bước sau : Bước 1 . Cài_đặt hợp_đồng lao_động Bước 2 . Tạo mới và quản_lý hợp_đồng lao_động Bước 1 . Cài_đặt hợp_đồng lao_động	0

• Loss: OnlineContrastiveLoss

Evaluation Dataset

Unnamed Dataset

• Size: 7,994 evaluation samples
• Columns: question, passage, and label
• Approximate statistics based on the first 1000 samples:

  	question	passage	label
  type	string	string	int
  details	min: 8 tokens mean: 20.18 tokens max: 44 tokens	min: 25 tokens mean: 181.28 tokens max: 256 tokens	0: ~90.30% 1: ~9.70%

• Samples:

  question	passage	label
  Bảng lương sẽ tự_động lấy điểm KPI nào khi nhân_viên có nhiều kỳ đánh_giá đã được chốt ?	Khắc_phục sự_cố không liên_kết được tới phân hệ bảng lương Nguyên_nhân dẫn đến sự_cố không liên_kết được điểm KPI tới phân hệ bảng lương là do kỳ đánh_giá KPI đó chưa được chốt . Để khách phục sự_cố này bạn cần thực_hiện cách khắc_phục sau : Liên_hệ người_quản_lý KPI thực_hiện chốt kỳ đánh_giá . Truy_cập chi_tiết kỳ đánh_giá Thực_hiện thao_tác Chốt kỳ đánh_giá .	0
  Các bước cụ_thể để tạo một đơn xin thôi_việc mới trên hệ_thống là gì ?	Đơn xin nghỉ Quản_lý đơn xin nghỉ 1 . Tạo mới đơn xin nghỉ Để tạo mới đơn xin nghỉ , bạn thực_hiện các bước sau : Bước 1 : Chọn phân hệ Đơn_từ tại HRM > Biểu_tượng tạo mới > Đơn_từ > Đơn xin nghỉ Bước 2 : Nhập đầy_đủ các thông_tin cần_thiết và nhấn nút Cập_nhật để lưu lại tạo mới đơn xin nghỉ Các trường cần lưu_ý : STT : 1 , Tên trường : Lý_do , Mô_tả : Người dùng chọn 1 trong số các lý_do đã được cấu_hình trong cài_đặt , mỗi lý_do sẽ ứng với tính công hoặc không tính công như đã cài_đặt trước đó STT : 2 , Tên trường : Thời_gian ( từ giờ , ngày , đến giờ , ngày ) , Mô_tả : Người dùng nhập thời_gian xin nghỉ ( đơn_vị tính theo giờ ) . Người dùng có_thể cộng dòng để tạo nhiều ngày nghỉ trong một đơn STT : 3 , Tên trường : Mô_tả , Mô_tả : Mô_tả thêm thông_tin khi tạo đơn xin nghỉ 2 . Quản_lý đơn xin nghỉ 2.1 . Màn_hình quản_lý đơn xin nghỉ Để quản_lý đơn xin nghỉ , người dùng sử_dụng 2 cách sau : Cách 1 : Quản_lý đơn xin nghỉ tại màn_hình danh_sách Chọn tác_vụ Lọc nhanh > Chọn_Đơn xin nghỉ Tại màn_hình Danh_sách đơn xin nghỉ > Click chuột phải vào chi_tiết một đơn để thực_hiện tác_vụ quản_lý đơn xin nghỉ .	0
  Sau khi tải tài_liệu từ thư_viện về , bước tiếp_theo là gì ?	Thư_viện tài_nguyên Thư_viện tài_nguyên là một tính_năng mới của 1Office . Đây là kho tài_nguyên chứa các dữ_liệu mẫu mà 1Office cung_cấp cho Khách_hàng . Nó hoạt_động giống như Google Play hay Chrome_Extension . Tại đây sẽ có các Template mẫu , người dùng có_thể vào xem thử ảnh demo hoặc mô_tả , nếu phù_hợp với đặc_thù công_việc , chọn Cài_đặt để tải về . Khi đó , tài_nguyên vừa tải về sẽ được cập_nhật vào đối_tượng tương_ứng trên phần_mềm . Sử_dụng thư_viện tài_nguyên như_thế_nào ? Để có được những tài_nguyên mà 1Office , người dùng thực_hiện theo các bước : Bước 1 . Tải tài_liệu về phần_mềm Bước 2 . Cài_đặt thông_số cho dữ_liệu tải về Bước 3 . Sử_dụng phần_mềm với các tài_liệu đã được cài_đặt trên phần_mềm	1

• Loss: OnlineContrastiveLoss

Training Hyperparameters

Non-Default Hyperparameters

• overwrite_output_dir: True
• per_device_train_batch_size: 16
• per_device_eval_batch_size: 32
• gradient_accumulation_steps: 8
• learning_rate: 2e-05
• weight_decay: 0.01
• num_train_epochs: 20
• lr_scheduler_type: cosine
• warmup_ratio: 0.1
• fp16: True

All Hyperparameters

Click to expand

• overwrite_output_dir: True
• do_predict: False
• eval_strategy: no
• prediction_loss_only: True
• per_device_train_batch_size: 16
• per_device_eval_batch_size: 32
• per_gpu_train_batch_size: None
• per_gpu_eval_batch_size: None
• gradient_accumulation_steps: 8
• eval_accumulation_steps: None
• torch_empty_cache_steps: None
• learning_rate: 2e-05
• weight_decay: 0.01
• adam_beta1: 0.9
• adam_beta2: 0.999
• adam_epsilon: 1e-08
• max_grad_norm: 1.0
• num_train_epochs: 20
• max_steps: -1
• lr_scheduler_type: cosine
• 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}
• 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: False
• hub_always_push: False
• gradient_checkpointing: False
• gradient_checkpointing_kwargs: None
• include_inputs_for_metrics: False
• 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: False
• eval_use_gather_object: False
• batch_sampler: batch_sampler
• multi_dataset_batch_sampler: proportional

Training Logs

Click to expand

Epoch	Step	Training Loss
0.0889	50	0.7688
0.1779	100	0.3645
0.2668	150	0.2754
0.3558	200	0.2238
0.4447	250	0.1853
0.5337	300	0.1806
0.6226	350	0.1698
0.7116	400	0.1559
0.8005	450	0.1499
0.8895	500	0.1466
0.9784	550	0.144
1.0674	600	0.1066
1.1563	650	0.1213
1.2453	700	0.1104
1.3342	750	0.1086
1.4232	800	0.1109
1.5121	850	0.1015
1.6011	900	0.104
1.6900	950	0.0998
1.7790	1000	0.1045
1.8679	1050	0.1019
1.9569	1100	0.1012
2.0458	1150	0.0916
2.1348	1200	0.0802
2.2237	1250	0.0741
2.3127	1300	0.0702
2.4016	1350	0.0836
2.4905	1400	0.0564
2.5795	1450	0.0749
2.6684	1500	0.0675
2.7574	1550	0.0701
2.8463	1600	0.0668
2.9353	1650	0.068
3.0242	1700	0.0576
3.1132	1750	0.0412
3.2021	1800	0.0451
3.2911	1850	0.0431
3.3800	1900	0.0357
3.4690	1950	0.0479
3.5579	2000	0.0494
3.6469	2050	0.0467
3.7358	2100	0.0358
3.8248	2150	0.0425
3.9137	2200	0.0573
4.0027	2250	0.0389
4.0916	2300	0.0198
4.1806	2350	0.0249
4.2695	2400	0.0277
4.3585	2450	0.0278
4.4474	2500	0.0282
4.5364	2550	0.033
4.6253	2600	0.0306
4.7143	2650	0.0302
4.8032	2700	0.0368
4.8922	2750	0.0338
4.9811	2800	0.0322
5.0700	2850	0.0226
5.1590	2900	0.0245
5.2479	2950	0.0216
5.3369	3000	0.0164
5.4258	3050	0.015
5.5148	3100	0.0192
5.6037	3150	0.0254
5.6927	3200	0.0205
5.7816	3250	0.0228
5.8706	3300	0.0235
5.9595	3350	0.0254
6.0485	3400	0.0194
6.1374	3450	0.0087
6.2264	3500	0.0163
6.3153	3550	0.0151
6.4043	3600	0.0178
6.4932	3650	0.0191
6.5822	3700	0.0151
6.6711	3750	0.0207
6.7601	3800	0.0163
6.8490	3850	0.0211
6.9380	3900	0.0187
7.0269	3950	0.0182
7.1159	4000	0.0128
7.2048	4050	0.0088
7.2938	4100	0.0112
7.3827	4150	0.0206
7.4716	4200	0.0128
7.5606	4250	0.0124
7.6495	4300	0.01
7.7385	4350	0.0159
7.8274	4400	0.014
7.9164	4450	0.0186
8.0053	4500	0.0174
8.0943	4550	0.0135
8.1832	4600	0.0103
8.2722	4650	0.0101
8.3611	4700	0.0136
8.4501	4750	0.0149
8.5390	4800	0.0131
8.6280	4850	0.0092
8.7169	4900	0.0124
8.8059	4950	0.0123
8.8948	5000	0.0112
8.9838	5050	0.0102
9.0727	5100	0.0087
9.1617	5150	0.0094
9.2506	5200	0.0084
9.3396	5250	0.0075
9.4285	5300	0.0102
9.5175	5350	0.0104
9.6064	5400	0.0104
9.6954	5450	0.0088
9.7843	5500	0.0148
9.8732	5550	0.0088
9.9622	5600	0.0133
10.0511	5650	0.007
10.1401	5700	0.0087
10.2290	5750	0.0034
10.3180	5800	0.0059
10.4069	5850	0.0075
10.4959	5900	0.0057
10.5848	5950	0.0085
10.6738	6000	0.0113
10.7627	6050	0.01
10.8517	6100	0.0066
10.9406	6150	0.0059
11.0296	6200	0.0088
11.1185	6250	0.0028
11.2075	6300	0.0031
11.2964	6350	0.0044
11.3854	6400	0.007
11.4743	6450	0.0087
11.5633	6500	0.0081
11.6522	6550	0.0053
11.7412	6600	0.0073
11.8301	6650	0.0061
11.9191	6700	0.011
12.0080	6750	0.0063
12.0970	6800	0.0045
12.1859	6850	0.0064
12.2748	6900	0.0039
12.3638	6950	0.0038
12.4527	7000	0.0025
12.5417	7050	0.0035
12.6306	7100	0.0042
12.7196	7150	0.0053
12.8085	7200	0.0064
12.8975	7250	0.004
12.9864	7300	0.0042
13.0754	7350	0.0019
13.1643	7400	0.0031
13.2533	7450	0.0013
13.3422	7500	0.0018
13.4312	7550	0.0068
13.5201	7600	0.0041
13.6091	7650	0.0022
13.6980	7700	0.0038
13.7870	7750	0.003
13.8759	7800	0.0063
13.9649	7850	0.0032
14.0538	7900	0.0038
14.1428	7950	0.0037
14.2317	8000	0.002
14.3207	8050	0.0023
14.4096	8100	0.0024
14.4986	8150	0.0034
14.5875	8200	0.0007
14.6765	8250	0.0024
14.7654	8300	0.0023
14.8543	8350	0.0008
14.9433	8400	0.0013
15.0322	8450	0.0023
15.1212	8500	0.0
15.2101	8550	0.0021
15.2991	8600	0.0013
15.3880	8650	0.0043
15.4770	8700	0.0031
15.5659	8750	0.0007
15.6549	8800	0.0031
15.7438	8850	0.0029
15.8328	8900	0.0012
15.9217	8950	0.0014
16.0107	9000	0.0006
16.0996	9050	0.0008
16.1886	9100	0.002
16.2775	9150	0.0007
16.3665	9200	0.0008
16.4554	9250	0.0015
16.5444	9300	0.0017
16.6333	9350	0.0033
16.7223	9400	0.0013
16.8112	9450	0.0001
16.9002	9500	0.0006
16.9891	9550	0.0
17.0781	9600	0.0021
17.1670	9650	0.0007
17.2559	9700	0.0006
17.3449	9750	0.0006
17.4338	9800	0.0014
17.5228	9850	0.0006
17.6117	9900	0.002
17.7007	9950	0.0017
17.7896	10000	0.0007
17.8786	10050	0.0007
17.9675	10100	0.0007
18.0565	10150	0.0006
18.1454	10200	0.0
18.2344	10250	0.0
18.3233	10300	0.0017
18.4123	10350	0.0
18.5012	10400	0.0
18.5902	10450	0.0007
18.6791	10500	0.0011
18.7681	10550	0.0019
18.8570	10600	0.0007
18.9460	10650	0.0013
19.0349	10700	0.0012
19.1239	10750	0.0013
19.2128	10800	0.0014
19.3018	10850	0.0005
19.3907	10900	0.0006
19.4797	10950	0.0011
19.5686	11000	0.0006
19.6575	11050	0.0006
19.7465	11100	0.0
19.8354	11150	0.0006
19.9244	11200	0.0005

Framework Versions

• Python: 3.8.10
• Sentence Transformers: 3.2.1
• Transformers: 4.44.2
• PyTorch: 2.4.1+cu124
• Accelerate: 1.0.1
• Datasets: 2.19.0
• Tokenizers: 0.19.1

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",
}