Add new SentenceTransformer model

.gitattributes

@@ -33,3 +33,4 @@ saved_model/**/* filter=lfs diff=lfs merge=lfs -text
 *.zip filter=lfs diff=lfs merge=lfs -text
 *.zst filter=lfs diff=lfs merge=lfs -text
 *tfevents* filter=lfs diff=lfs merge=lfs -text
+tokenizer.json filter=lfs diff=lfs merge=lfs -text

1_Pooling/config.json

@@ -0,0 +1,10 @@
+{
+    "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
+}

README.md

@@ -0,0 +1,406 @@
+---
+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 ފު��ާ 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
+---
+
+# 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 -->
+
+### 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
+
+#### Unnamed 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.*
+-->

config.json

@@ -0,0 +1,28 @@
+{
+  "architectures": [
+    "XLMRobertaModel"
+  ],
+  "attention_probs_dropout_prob": 0.1,
+  "bos_token_id": 0,
+  "classifier_dropout": null,
+  "eos_token_id": 2,
+  "hidden_act": "gelu",
+  "hidden_dropout_prob": 0.1,
+  "hidden_size": 768,
+  "initializer_range": 0.02,
+  "intermediate_size": 3072,
+  "layer_norm_eps": 1e-05,
+  "max_position_embeddings": 514,
+  "model_type": "xlm-roberta",
+  "num_attention_heads": 12,
+  "num_hidden_layers": 12,
+  "output_past": true,
+  "pad_token_id": 1,
+  "position_embedding_type": "absolute",
+  "tokenizer_class": "XLMRobertaTokenizerFast",
+  "torch_dtype": "float32",
+  "transformers_version": "4.52.4",
+  "type_vocab_size": 1,
+  "use_cache": true,
+  "vocab_size": 258002
+}

config_sentence_transformers.json

@@ -0,0 +1,14 @@
+{
+  "model_type": "SentenceTransformer",
+  "__version__": {
+    "sentence_transformers": "5.0.0",
+    "transformers": "4.52.4",
+    "pytorch": "2.5.1+cu124"
+  },
+  "prompts": {
+    "query": "",
+    "document": ""
+  },
+  "default_prompt_name": null,
+  "similarity_fn_name": "cosine"
+}

model.safetensors

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:60eaa33a1b4ee78aba0afd2cd7f9a016784b4301080041e29814176d1ee07ec0
+size 1136773120

modules.json

@@ -0,0 +1,14 @@
+[
+  {
+    "idx": 0,
+    "name": "0",
+    "path": "",
+    "type": "sentence_transformers.models.Transformer"
+  },
+  {
+    "idx": 1,
+    "name": "1",
+    "path": "1_Pooling",
+    "type": "sentence_transformers.models.Pooling"
+  }
+]

sentence_bert_config.json

@@ -0,0 +1,4 @@
+{
+    "max_seq_length": 256,
+    "do_lower_case": false
+}

special_tokens_map.json

@@ -0,0 +1,51 @@
+{
+  "bos_token": {
+    "content": "<s>",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "cls_token": {
+    "content": "<s>",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "eos_token": {
+    "content": "</s>",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "mask_token": {
+    "content": "<mask>",
+    "lstrip": true,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "pad_token": {
+    "content": "<pad>",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "sep_token": {
+    "content": "</s>",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "unk_token": {
+    "content": "<unk>",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  }
+}

tokenizer.json

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:013b8cc50c60338ea67e32083ea516ee440230761f2a2b10d554bb79a9390c0d
+size 18641563