File size: 47,092 Bytes

db26ca5

---
language:
- multilingual
license: apache-2.0
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- dense
- generated_from_trainer
- dataset_size:73994
- loss:MatryoshkaLoss
- loss:MultipleNegativesRankingLoss
base_model: Qwen/Qwen3-Embedding-0.6B
widget:
- source_sentence: Under what circumstances can a judge's ruling from a place of wrongdoers
    be executed, according to Islamic law?
  sentences:
  - 'بالتصرف دون صاحبه(). \n\nأما الوصايا التي يجوز تنفيذها والتي لا يجوز تنفيذها،
    وشروط الموصي والوصي فيرجع لمعرفة ذلك إلى مصطلح «وصية». \n\nتنفيذ حكم قاضي البغاة:
    \n\n9 - لا خلاف بين الفقهاء  في أنه لو ظهر أهل البغي على بلد فولوا قاضيا منهم،
    فرفع حكمه إلى قاضي أهل العدل نفذ من أحكامه ما ينفذ من أحكام قاضي أهل العدل بشروط
    هي: \n\nأ - أن يكون لهم تأويل غير ظاهر البطلان، فإن لم يكن لهم تأويل فلا ينفذ
    أحكام قاضيهم. وقال المالكية: فإن لم يكن لهم تأويل فيتعقب أحكامه، فما وجد منها
    صوابا مضى، وما ليس كذلك رد. \n\nب - ألا يكون ممن يستبيحون دماء أهل العدل وأموالهم،
    فإن كانوا كذلك لا تنفذ'
  - '(زكاة الفطر). \n\nج - العشور: \n\n13 - ذهب المالكية والحنابلة إلى عدم جواز \n\nالتحول
    عن الواجب إلى البدل في العشور(). \n\nوذهب الحنفية إلى جواز التحول عن الواجب إلى
    البدل في العشور، وذلك للأدلة التي سبق ذكرها، وكذلك يجوز التحول من الواجب إلى الأعلى
    فقط عند الشافعية إذا كانت الحبوب والثمار نوعا واحدا. \n\nوإن اختلفت الأنواع: أخذ
    الواجب من كل نوع بالحصة إن لم يتعسر، فإن عسر أخذ الواجب من كل نوع بأن كثرت، وقل
    ثمرها ففيه أوجه: \n\nالوجه الأول، وهو الصحيح: أنه يخرج من الوسط رعاية للجانبين().
    \n\nوالثاني: يؤخذ من كل نوع بقسطه. \n\nوالثالث: من الغالب، وقيل: يؤخذ الوسط قطعا().
    \n\nوفي الموضوع'
  - 'ومعه أكثر العلماء() حيث لم يعدوا الموالي من الآل. أما أزواجه  فذكر أبو الحسن
    بن بطال في شرح البخاري أن الفقهاء كافة اتفقوا على أن أزواجه   لا يدخلن في آله
    الذين حرمت عليهم الصدقة،() لكن في المغني عن عائشة  ما يخالف ذلك. قال: روى الخلال
    بإسناده \n\nعن ابن أبي مليكة أن خالد بن سعيد بن العاص بعث إلى عائشة  سفرة من الصدقة،
    فردتها، وقالت: إنا آل محمد لا تحل لنا الصدقة. قال صاحب المغني: وهذا يدل على أنهن
    من أهل بيته في تحريم الزكاة. وذكر الشيخ تقي الدين أنه يحرم عليهن الصدقة وأنهن
    من أهل بيته في أصح الروايتين(). \n\nحكم أخذ آل البيت من الصدقة المفروضة: \n\n6
    - إن آل محمد'
- source_sentence: According to which school of thought does the contract become valid
    if it specifies planting and sowing but does not mention the quantity?
  sentences:
  - 'وضع الاسم العلم للمولود وغيره، وبمعنى: تحديد العوض في العقود، \n\nكالمهر والأجرة
    والثمن، وبمعنى: التعيين بالاسم مقابل الإبهام. \n\nالألفاظ ذات الصلة: \n\nأ - التكنية:
    \n\n2 - التكنية مصدر: كنى بتشديد النون، أي: جعل له كنية، كأبي فلان وأم فلان()
    \n\nوتفصيل الأحكام المتعلقة بالتكنية ينظر في مصطلح (كنية). \n\nب - التلقيب: \n\n3
    - التلقيب: مصدر لقب بتشديد القاف. واللقب واحد الألقاب، وهو ما كان مشعرا بمدح أو
    ذم. \n\nومعناه: النبز بالتمييز(). والنبز بالألقاب المكروهة منهي عنه في  :  ولا
    تنابزوا بالألقاب(). \n\nفإن قصد به التعريف فلا يدخل تحت النهي، ومن ذلك تعريف بعض
    الأئمة المتقدمين، كالأعمش'
  - 'من كتب الفقه وفي مصطلح (إقرار) \n\nالتناقض في الشهادة: \n\n6 - لا يخلو التناقض
    في شهادة الشهود من أحد ثلاثة أحوال: \n\nأ - التناقض في الشهادة قبل الحكم: \n\nإذا
    حصل التناقض في الشهادة برجوع الشهود() عن كل أو بعض شهادتهم بعد أداء الشهادة وقبل
    الحكم بحضور القاضي تكون شهادتهم كأن لم تكن، ولا يصح الحكم بموجب \n\nشهادتهم؛ لأن
    الشهود لما أكذبوا أنفسهم بالرجوع تناقض كلامهم، والقضاء بالكلام المتناقض لا يجوز؛
    لأنه لا يدري أصدقوا في الأول أم في الثاني، \n\nوهذا قول عامة أهل العلم. \n\nوقال
    أبو ثور: يحكم بموجب هذه الشهادة؛ لأنها قد أديت فلا تبطل برجوع من شهد بها كما لو
    رجع الشهود بعد الحكم().'
  - 'يضر بالأرض. \n\nأما إذا قال له: آجرتكها لتزرعها أو تغرسها، فإنه لا يصح؛ لأنه
    لم يعين أحدهما، فوجدت جهالة. \n\nوإذا قال له: آجرتك لتزرعها وتغرسها، صح العقد
    عند الحنابلة، وله أن يزرعها كلها ما شاء، أو أن يغرسها كلها ما شاء. وفي قول عند
    الشافعية: يصح، وله أن يزرع النصف، ويغرس النصف؛ لأن الجمع يقتضي التسوية. وفي القول
    الثاني: لا يصح؛ لأنه لم يبين المقدار من كل واحد منها. \n\nأما إن أطلق، وقال: آجرتك
    لتنتفع بها ما شئت، فله الزرع والغرس والبناء عند الحنابلة، للإطلاق. وللشافعية في
    الأرض التي لا ماء لها، ولم يذكر أنه يكتريها للزراعة، وجهان: \n\nأحدهما: لا يصح،
    لأن الأرض عادة تكترى'
- source_sentence: من هو رجل بريرة الذي كانت زوجته له قد اعتقت؟
  sentences:
  - أهل العلم على أنه إذا عتقت الأمة - وزوجها عبد - فلها الخيار في فسخ النكاح لخبر
    بريرة . قالت عائشة  «كاتبت بريرة فخيرها رسول الله  في زوجها، وكان عبدا فاختارت
    نفسها»(). ولأن \n\nعليها ضررا في كونها حرة تحت عبد. \n\nواختلفوا فيما إذا عتقت
    وزوجها حر، فالجمهور على أنه لا خيار لها، لأنها كافأت زوجها في الكمال، فلم يثبت
    لها الخيار. \n\nوذهب طاوس وابن سيرين ومجاهد والنخعي والثوري والحنفية إلى أن لها
    الخيار. واستدلوا بما روي في حديث بريرة أن زوجها كان حرا، كما رواه النسائي في سننه().
    \n\nوأجمع الفقهاء على بقاء نكاح الكتابية التي أسلم زوجها، سواء قبل الدخول أو بعده،
    لأن للمسلم أن يبتدئ
  - 'قال: إن أقل التعزير ليس مقدرا فيرجع فيه إلى اجتهاد الإمام أو الحاكم فيما يراه
    وما تقتضيه حال الشخص(). \n\nج - التعزير بالحبس : \n\n16 - الحبس مشروع بالكتاب
    والسنة والإجماع \n\nأما الكتاب فقوله تعالى:  واللاتي يأتين الفاحشة من نسائكم فاستشهدوا
    عليهن أربعة منكم فإن شهدوا فأمسكوهن في البيوت حتى يتوفاهن الموت أو يجعل الله لهن
    سبيلا() وقوله:  إنما جزاء الذين يحاربون الله ورسوله ويسعون في الأرض فسادا أن يقتلوا
    أو يصلبوا أو تقطع أيديهم وأرجلهم من خلاف أو ينفوا من الأرض(). فقد قال الزيلعي:
    إن المقصود بالنفي هنا الحبس. \n\nوأما السنة فقد ثبت: «أن الرسول  حبس بالمدينة
    أناسا في تهمة دم،'
  - 'واختلاف الفقهاء في ذلك يرجع إليه في مصطلح: (قضاء). \n\nحرمان الوارث من الميراث
    بالتهمة: \n\n12 - لا خلاف بين الفقهاء  في حرمان القاتل عمدا عدوانا من الميراث.
    واختلفوا في توريث القاتل خطأ أو القاتل بحق. فذهب البعض إلى حرمانهما، وذلك لتهمة
    استعجال الإرث قبل أوانه. \n\nوالتفصيل: في مصطلح: (إرث). \n\nعدم وقوع طلاق المطلق
    في مرض الموت: \n\n13 - لا يقع طلاق المريض مرض الموت عند فريق من الفقهاء لتهمة
    قصد إضرار الزوجة بحرمانها الميراث. \n\nوانظر للتفصيل مصطلح: (طلاق). \n\nالتعزير
    بالتهمة: \n\n14 - لا خلاف بين الفقهاء  في أن الحدود لا تقام بالتهمة. \n\nأما التعزير
    بالتهمة فقد ذهب الحنفية'
- source_sentence: هل يمكن اعتبار الإبراء كإسقاط، أم أنه يجب النظر إليه كتمليك، وفقًا
    للآراء المختلفة بين المدارس القانونية؟
  sentences:
  - 'الملك. \n\nونقل القاضي زكريا عن النووي في الروضة قوله: المختار أن كون الإبراء
    تمليكا أو إسقاطا من المسائل التي لا يطلق فيها ترجيح، بل يختلف الراجح بحسب المسائل،
    لقوة الدليل وضعفه؛ لأن الإبراء إنما يكون تمليكا باعتبار أن الدين مال، وهو إنما
    يكون مالا في حق من له الدين، فإن أحكام المالية إنما تظهر في حقه. \n\nومما غلب
    فيه معنى التمليك عند المالكية ترجيحهم اشتراط القبول في الإبراء، كما سيأتي(). \n\nعلى
    أن هناك ما يصلح بالاعتبارين (الإسقاط والتمليك بالتساوي). ومنه ما نص عليه الحنفية
    أنه لو أبرأ الوارث مدين مورثه غير عالم بموته، ثم بان ميتا، فبالنظر إلى أنه إسقاط
    يصح، وكذا بالنظر'
  - 'الراء له عدد من المعاني منها: إلزام الشيء والتزامه. وأما بفتح الراء \n\nفمعناه
    العلامة، ويجمع على أشراط كسبب وأسباب. \n\nومعناه في الاصطلاح كما قال الحموي: التزام
    أمر لم يوجد في أمر وجد بصيغة مخصوصة(). \n\nوهو يشبه التقييد لما فيه من الالتزام.
    \n\nالحكم الإجمالي: \n\n7 - ذكر الأصوليون والفقهاء الأحكام الخاصة بمصطلح تقييد
    في عدد من المواطن، ومن أشهر مسائله عند الأصوليين مسألة حمل المطلق على المقيد،
    ومما قالوه في ذلك أن المطلق والمقيد إما أن يختلفا في السبب والحكم، وإما أن يتفقا
    فيهما، وإما أن يختلفا في السبب دون الحكم، فإن كان الأول فلا حمل اتفاقا، كما قال
    الآمر لمن تلزمه طاعته:'
  - 'يضر بالأرض. \n\nأما إذا قال له: آجرتكها لتزرعها أو تغرسها، فإنه لا يصح؛ لأنه
    لم يعين أحدهما، فوجدت جهالة. \n\nوإذا قال له: آجرتك لتزرعها وتغرسها، صح العقد
    عند الحنابلة، وله أن يزرعها كلها ما شاء، أو أن يغرسها كلها ما شاء. وفي قول عند
    الشافعية: يصح، وله أن يزرع النصف، ويغرس النصف؛ لأن الجمع يقتضي التسوية. وفي القول
    الثاني: لا يصح؛ لأنه لم يبين المقدار من كل واحد منها. \n\nأما إن أطلق، وقال: آجرتك
    لتنتفع بها ما شئت، فله الزرع والغرس والبناء عند الحنابلة، للإطلاق. وللشافعية في
    الأرض التي لا ماء لها، ولم يذكر أنه يكتريها للزراعة، وجهان: \n\nأحدهما: لا يصح،
    لأن الأرض عادة تكترى'
- source_sentence: ما هي الأماكن الأخرى المهمة داخل حدود الحرم المكي الشريف؟
  sentences:
  - 'الملك. \n\nونقل القاضي زكريا عن النووي في الروضة قوله: المختار أن كون الإبراء
    تمليكا أو إسقاطا من المسائل التي لا يطلق فيها ترجيح، بل يختلف الراجح بحسب المسائل،
    لقوة الدليل وضعفه؛ لأن الإبراء إنما يكون تمليكا باعتبار أن الدين مال، وهو إنما
    يكون مالا في حق من له الدين، فإن أحكام المالية إنما تظهر في حقه. \n\nومما غلب
    فيه معنى التمليك عند المالكية ترجيحهم اشتراط القبول في الإبراء، كما سيأتي(). \n\nعلى
    أن هناك ما يصلح بالاعتبارين (الإسقاط والتمليك بالتساوي). ومنه ما نص عليه الحنفية
    أنه لو أبرأ الوارث مدين مورثه غير عالم بموته، ثم بان ميتا، فبالنظر إلى أنه إسقاط
    يصح، وكذا بالنظر'
  - 'نظيفا»() وذكر القاضي في حديث ابن عباس في «غسل النبي  قال فجففوه بثوب»(). \n\nوللتفصيل
    ينظر (ر: تكفين). \n\nالتنعيم \n\nالتعريف: \n\n1 - التنعيم موضع في الحل في شمال
    مكة الغربي، وهو حد الحرم من جهة المدينة المنورة. \n\nقال الفاسي: المسافة بين باب
    العمرة وبين أعلام الحرم في هذه الجهة التي في الأرض لا التي على الجبل اثنا عشر
    ألف ذراع وأربعمائة ذراع وعشرون ذراعا بذراع اليد(). \n\nوإنما سمي التنعيم بهذا
    الاسم لأن الجبل الذي عن يمين الداخل يقال له ناعم والذي عن اليسار يقال له منعم
    أو نعيم والوادي نعمان(). \n\nالأحكام المتعلقة بالتنعيم: \n\n2 - أجمع الفقهاء على
    أن المعتمر المكي لا بد له من'
  - 'كفارا، ولم ينكر النبي  ذلك عليه(). \n\nأخذ الأجرة على التعاويذ والرقى: \n\n28
    - ذهب جمهور الفقهاء إلى جواز أخذ الأجرة على التعاويذ والرقى، وإليه ذهب عطاء، وأبو
    قلابة، وأبو ثور، وإسحاق، واستدلوا بحديث أبي سعيد الخدري  الذي سبق ذكره (ف - 14)
    واستدل الطحاوي للجواز وقال: يجوز أخذ الأجر على الرقى، لأنه ليس على الناس أن يرقي
    بعضهم بعضا؛ لأن في ذلك تبليغا عن الله تعالى. وكره الزهري أخذ الأجرة على القرآن
    مطلقا، سواء أكان للتعليم أو للرقية(). \n\n\n\nتعويض \n\nالتعريف: \n\n1 - أصل التعويض
    لغة: العوض، وهو البدل تقول: عوضته تعويضا إذا أعطيته بدل ما ذهب منه. وتعوض منه
    واعتاض: أخذ العوض()'
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: Qwen/Qwen3-Embedding-0.6B
  results:
  - task:
      type: information-retrieval
      name: Information Retrieval
    dataset:
      name: dim 1024
      type: dim_1024
    metrics:
    - type: cosine_accuracy@1
      value: 0.3421185054723865
      name: Cosine Accuracy@1
    - type: cosine_accuracy@3
      value: 0.4978613662095861
      name: Cosine Accuracy@3
    - type: cosine_accuracy@5
      value: 0.5620203799220028
      name: Cosine Accuracy@5
    - type: cosine_accuracy@10
      value: 0.6451754937728016
      name: Cosine Accuracy@10
    - type: cosine_precision@1
      value: 0.3421185054723865
      name: Cosine Precision@1
    - type: cosine_precision@3
      value: 0.1659537887365287
      name: Cosine Precision@3
    - type: cosine_precision@5
      value: 0.11240407598440055
      name: Cosine Precision@5
    - type: cosine_precision@10
      value: 0.06451754937728015
      name: Cosine Precision@10
    - type: cosine_recall@1
      value: 0.3421185054723865
      name: Cosine Recall@1
    - type: cosine_recall@3
      value: 0.4978613662095861
      name: Cosine Recall@3
    - type: cosine_recall@5
      value: 0.5620203799220028
      name: Cosine Recall@5
    - type: cosine_recall@10
      value: 0.6451754937728016
      name: Cosine Recall@10
    - type: cosine_ndcg@10
      value: 0.486654937958254
      name: Cosine Ndcg@10
    - type: cosine_mrr@10
      value: 0.4367436155491217
      name: Cosine Mrr@10
    - type: cosine_map@100
      value: 0.44450267121536374
      name: Cosine Map@100
  - task:
      type: information-retrieval
      name: Information Retrieval
    dataset:
      name: dim 256
      type: dim_256
    metrics:
    - type: cosine_accuracy@1
      value: 0.2872059378538181
      name: Cosine Accuracy@1
    - type: cosine_accuracy@3
      value: 0.43389105547867657
      name: Cosine Accuracy@3
    - type: cosine_accuracy@5
      value: 0.5002516039753429
      name: Cosine Accuracy@5
    - type: cosine_accuracy@10
      value: 0.5771166184425713
      name: Cosine Accuracy@10
    - type: cosine_precision@1
      value: 0.2872059378538181
      name: Cosine Precision@1
    - type: cosine_precision@3
      value: 0.1446303518262255
      name: Cosine Precision@3
    - type: cosine_precision@5
      value: 0.10005032079506855
      name: Cosine Precision@5
    - type: cosine_precision@10
      value: 0.057711661844257134
      name: Cosine Precision@10
    - type: cosine_recall@1
      value: 0.2872059378538181
      name: Cosine Recall@1
    - type: cosine_recall@3
      value: 0.43389105547867657
      name: Cosine Recall@3
    - type: cosine_recall@5
      value: 0.5002516039753429
      name: Cosine Recall@5
    - type: cosine_recall@10
      value: 0.5771166184425713
      name: Cosine Recall@10
    - type: cosine_ndcg@10
      value: 0.42525529772687953
      name: Cosine Ndcg@10
    - type: cosine_mrr@10
      value: 0.3774421310856682
      name: Cosine Mrr@10
    - type: cosine_map@100
      value: 0.38617365110911006
      name: Cosine Map@100
---

# Qwen/Qwen3-Embedding-0.6B

This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [Qwen/Qwen3-Embedding-0.6B](https://huggingface.co/Qwen/Qwen3-Embedding-0.6B). It maps sentences & paragraphs to a 1024-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:** [Qwen/Qwen3-Embedding-0.6B](https://huggingface.co/Qwen/Qwen3-Embedding-0.6B) <!-- at revision c54f2e6e80b2d7b7de06f51cec4959f6b3e03418 -->
- **Maximum Sequence Length:** 192 tokens
- **Output Dimensionality:** 1024 dimensions
- **Similarity Function:** Cosine Similarity
<!-- - **Training Dataset:** Unknown -->
- **Language:** multilingual
- **License:** apache-2.0

### Model Sources

- **Documentation:** [Sentence Transformers Documentation](https://sbert.net)
- **Repository:** [Sentence Transformers on GitHub](https://github.com/huggingface/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': 192, 'do_lower_case': False, 'architecture': 'Qwen3Model'})
  (1): Pooling({'word_embedding_dimension': 1024, 'pooling_mode_cls_token': False, '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': True, 'include_prompt': True})
  (2): 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("sentence_transformers_model_id")
# Run inference
queries = [
    "\u0645\u0627 \u0647\u064a \u0627\u0644\u0623\u0645\u0627\u0643\u0646 \u0627\u0644\u0623\u062e\u0631\u0649 \u0627\u0644\u0645\u0647\u0645\u0629 \u062f\u0627\u062e\u0644 \u062d\u062f\u0648\u062f \u0627\u0644\u062d\u0631\u0645 \u0627\u0644\u0645\u0643\u064a \u0627\u0644\u0634\u0631\u064a\u0641\u061f",
]
documents = [
    'نظيفا»() وذكر القاضي في حديث ابن عباس في «غسل النبي  قال فجففوه بثوب»(). \\n\\nوللتفصيل ينظر (ر: تكفين). \\n\\nالتنعيم \\n\\nالتعريف: \\n\\n1 - التنعيم موضع في الحل في شمال مكة الغربي، وهو حد الحرم من جهة المدينة المنورة. \\n\\nقال الفاسي: المسافة بين باب العمرة وبين أعلام الحرم في هذه الجهة التي في الأرض لا التي على الجبل اثنا عشر ألف ذراع وأربعمائة ذراع وعشرون ذراعا بذراع اليد(). \\n\\nوإنما سمي التنعيم بهذا الاسم لأن الجبل الذي عن يمين الداخل يقال له ناعم والذي عن اليسار يقال له منعم أو نعيم والوادي نعمان(). \\n\\nالأحكام المتعلقة بالتنعيم: \\n\\n2 - أجمع الفقهاء على أن المعتمر المكي لا بد له من',
    'الملك. \\n\\nونقل القاضي زكريا عن النووي في الروضة قوله: المختار أن كون الإبراء تمليكا أو إسقاطا من المسائل التي لا يطلق فيها ترجيح، بل يختلف الراجح بحسب المسائل، لقوة الدليل وضعفه؛ لأن الإبراء إنما يكون تمليكا باعتبار أن الدين مال، وهو إنما يكون مالا في حق من له الدين، فإن أحكام المالية إنما تظهر في حقه. \\n\\nومما غلب فيه معنى التمليك عند المالكية ترجيحهم اشتراط القبول في الإبراء، كما سيأتي(). \\n\\nعلى أن هناك ما يصلح بالاعتبارين (الإسقاط والتمليك بالتساوي). ومنه ما نص عليه الحنفية أنه لو أبرأ الوارث مدين مورثه غير عالم بموته، ثم بان ميتا، فبالنظر إلى أنه إسقاط يصح، وكذا بالنظر',
    'كفارا، ولم ينكر النبي  ذلك عليه(). \\n\\nأخذ الأجرة على التعاويذ والرقى: \\n\\n28 - ذهب جمهور الفقهاء إلى جواز أخذ الأجرة على التعاويذ والرقى، وإليه ذهب عطاء، وأبو قلابة، وأبو ثور، وإسحاق، واستدلوا بحديث أبي سعيد الخدري  الذي سبق ذكره (ف - 14) واستدل الطحاوي للجواز وقال: يجوز أخذ الأجر على الرقى، لأنه ليس على الناس أن يرقي بعضهم بعضا؛ لأن في ذلك تبليغا عن الله تعالى. وكره الزهري أخذ الأجرة على القرآن مطلقا، سواء أكان للتعليم أو للرقية(). \\n\\n\\n\\nتعويض \\n\\nالتعريف: \\n\\n1 - أصل التعويض لغة: العوض، وهو البدل تقول: عوضته تعويضا إذا أعطيته بدل ما ذهب منه. وتعوض منه واعتاض: أخذ العوض()',
]
query_embeddings = model.encode_query(queries)
document_embeddings = model.encode_document(documents)
print(query_embeddings.shape, document_embeddings.shape)
# [1, 1024] [3, 1024]

# Get the similarity scores for the embeddings
similarities = model.similarity(query_embeddings, document_embeddings)
print(similarities)
# tensor([[ 0.3507, -0.0306, -0.0986]])
```

<!--
### 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

* Dataset: `dim_1024`
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator) with these parameters:
  ```json
  {
      "truncate_dim": 1024
  }
  ```

| Metric              | Value      |
|:--------------------|:-----------|
| cosine_accuracy@1   | 0.3421     |
| cosine_accuracy@3   | 0.4979     |
| cosine_accuracy@5   | 0.562      |
| cosine_accuracy@10  | 0.6452     |
| cosine_precision@1  | 0.3421     |
| cosine_precision@3  | 0.166      |
| cosine_precision@5  | 0.1124     |
| cosine_precision@10 | 0.0645     |
| cosine_recall@1     | 0.3421     |
| cosine_recall@3     | 0.4979     |
| cosine_recall@5     | 0.562      |
| cosine_recall@10    | 0.6452     |
| **cosine_ndcg@10**  | **0.4867** |
| cosine_mrr@10       | 0.4367     |
| cosine_map@100      | 0.4445     |

#### Information Retrieval

* Dataset: `dim_256`
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator) with these parameters:
  ```json
  {
      "truncate_dim": 256
  }
  ```

| Metric              | Value      |
|:--------------------|:-----------|
| cosine_accuracy@1   | 0.2872     |
| cosine_accuracy@3   | 0.4339     |
| cosine_accuracy@5   | 0.5003     |
| cosine_accuracy@10  | 0.5771     |
| cosine_precision@1  | 0.2872     |
| cosine_precision@3  | 0.1446     |
| cosine_precision@5  | 0.1001     |
| cosine_precision@10 | 0.0577     |
| cosine_recall@1     | 0.2872     |
| cosine_recall@3     | 0.4339     |
| cosine_recall@5     | 0.5003     |
| cosine_recall@10    | 0.5771     |
| **cosine_ndcg@10**  | **0.4253** |
| cosine_mrr@10       | 0.3774     |
| cosine_map@100      | 0.3862     |

<!--
## 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: 73,994 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: 3 tokens</li><li>mean: 24.27 tokens</li><li>max: 52 tokens</li></ul> | <ul><li>min: 192 tokens</li><li>mean: 192.0 tokens</li><li>max: 192 tokens</li></ul> |
* Samples:
  | anchor                                                                                                                                                    | positive                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                         |
  |:----------------------------------------------------------------------------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
  | <code>What specific practices did this group of followers engage in according to the given text?</code>                                                   | <code>هذا الصنف من المتبعين قد كثر في العصور الأخيرة، فهم يعكفون على عبارات الكتب، لا يتجهون إلا إلى الالتقاط منها، من غير قصد لتعرف دليل ما \n\nيلتقطون، ويبنون عليه، بل يكتمون بأن يقولوا: هناك قول بهذا، وإن لم يكن له دليل قوي(). \n\nولقد كان لهذا الفريق أثران مختلفان: أحدهما خير، وهو ما يتعلق بالقضاء، فإنه إذا كان القضاء لا يصح إلا بالراجح من المذهب، فإن هؤلاء عملهم الاتباع لهذا الراجح، وفي ذلك ضبط للقضاء من غير أن يكون الأمر فرطا. وتقييد القضاء في الأزمان التي تنحرف فيها الأفكار واجب، بل إن الاتباع لا يكون حسنا إلا في الأحكام القضائية. \n\nالأثر الثاني: أن هذا فيه تقديس لأقوال</code> |
  | <code>How does this group's approach to understanding religious texts impact legal rulings, particularly in matters related to judicial decisions?</code> | <code>هذا الصنف من المتبعين قد كثر في العصور الأخيرة، فهم يعكفون على عبارات الكتب، لا يتجهون إلا إلى الالتقاط منها، من غير قصد لتعرف دليل ما \n\nيلتقطون، ويبنون عليه، بل يكتمون بأن يقولوا: هناك قول بهذا، وإن لم يكن له دليل قوي(). \n\nولقد كان لهذا الفريق أثران مختلفان: أحدهما خير، وهو ما يتعلق بالقضاء، فإنه إذا كان القضاء لا يصح إلا بالراجح من المذهب، فإن هؤلاء عملهم الاتباع لهذا الراجح، وفي ذلك ضبط للقضاء من غير أن يكون الأمر فرطا. وتقييد القضاء في الأزمان التي تنحرف فيها الأفكار واجب، بل إن الاتباع لا يكون حسنا إلا في الأحكام القضائية. \n\nالأثر الثاني: أن هذا فيه تقديس لأقوال</code> |
  | <code>Can you explain the two contrasting effects mentioned for this group's methodology?</code>                                                          | <code>هذا الصنف من المتبعين قد كثر في العصور الأخيرة، فهم يعكفون على عبارات الكتب، لا يتجهون إلا إلى الالتقاط منها، من غير قصد لتعرف دليل ما \n\nيلتقطون، ويبنون عليه، بل يكتمون بأن يقولوا: هناك قول بهذا، وإن لم يكن له دليل قوي(). \n\nولقد كان لهذا الفريق أثران مختلفان: أحدهما خير، وهو ما يتعلق بالقضاء، فإنه إذا كان القضاء لا يصح إلا بالراجح من المذهب، فإن هؤلاء عملهم الاتباع لهذا الراجح، وفي ذلك ضبط للقضاء من غير أن يكون الأمر فرطا. وتقييد القضاء في الأزمان التي تنحرف فيها الأفكار واجب، بل إن الاتباع لا يكون حسنا إلا في الأحكام القضائية. \n\nالأثر الثاني: أن هذا فيه تقديس لأقوال</code> |
* Loss: [<code>MatryoshkaLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#matryoshkaloss) with these parameters:
  ```json
  {
      "loss": "MultipleNegativesRankingLoss",
      "matryoshka_dims": [
          1024,
          256
      ],
      "matryoshka_weights": [
          1,
          1
      ],
      "n_dims_per_step": -1
  }
  ```

### Training Hyperparameters
#### Non-Default Hyperparameters

- `eval_strategy`: steps
- `per_device_train_batch_size`: 128
- `per_device_eval_batch_size`: 64
- `gradient_accumulation_steps`: 2
- `learning_rate`: 2e-05
- `num_train_epochs`: 2
- `lr_scheduler_type`: cosine
- `warmup_ratio`: 0.1
- `bf16`: True
- `tf32`: True
- `load_best_model_at_end`: True
- `gradient_checkpointing`: 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`: 128
- `per_device_eval_batch_size`: 64
- `per_gpu_train_batch_size`: None
- `per_gpu_eval_batch_size`: None
- `gradient_accumulation_steps`: 2
- `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`: 2
- `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
- `bf16`: True
- `fp16`: False
- `fp16_opt_level`: O1
- `half_precision_backend`: auto
- `bf16_full_eval`: False
- `fp16_full_eval`: False
- `tf32`: True
- `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`: True
- `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
- `project`: huggingface
- `trackio_space_id`: trackio
- `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`: True
- `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`: no
- `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`: True
- `prompts`: None
- `batch_sampler`: no_duplicates
- `multi_dataset_batch_sampler`: proportional
- `router_mapping`: {}
- `learning_rate_mapping`: {}

</details>

### Training Logs
| Epoch      | Step    | Training Loss | dim_1024_cosine_ndcg@10 | dim_256_cosine_ndcg@10 |
|:----------:|:-------:|:-------------:|:-----------------------:|:----------------------:|
| -1         | -1      | -             | 0.3765                  | 0.3060                 |
| 0.0345     | 10      | 3.2088        | -                       | -                      |
| 0.0691     | 20      | 2.879         | -                       | -                      |
| 0.1036     | 30      | 2.4085        | -                       | -                      |
| 0.1382     | 40      | 2.0405        | -                       | -                      |
| 0.1727     | 50      | 1.8785        | 0.4311                  | 0.3651                 |
| 0.2073     | 60      | 1.7366        | -                       | -                      |
| 0.2418     | 70      | 1.6183        | -                       | -                      |
| 0.2763     | 80      | 1.5751        | -                       | -                      |
| 0.3109     | 90      | 1.3818        | -                       | -                      |
| 0.3454     | 100     | 1.4648        | 0.4636                  | 0.3970                 |
| 0.3800     | 110     | 1.4749        | -                       | -                      |
| 0.4145     | 120     | 1.4677        | -                       | -                      |
| 0.4491     | 130     | 1.3521        | -                       | -                      |
| 0.4836     | 140     | 1.302         | -                       | -                      |
| 0.5181     | 150     | 1.3315        | 0.4675                  | 0.4084                 |
| 0.5527     | 160     | 1.3341        | -                       | -                      |
| 0.5872     | 170     | 1.3045        | -                       | -                      |
| 0.6218     | 180     | 1.3123        | -                       | -                      |
| 0.6563     | 190     | 1.2239        | -                       | -                      |
| 0.6908     | 200     | 1.2158        | 0.4755                  | 0.4160                 |
| 0.7254     | 210     | 1.286         | -                       | -                      |
| 0.7599     | 220     | 1.207         | -                       | -                      |
| 0.7945     | 230     | 1.1968        | -                       | -                      |
| 0.8290     | 240     | 1.2546        | -                       | -                      |
| 0.8636     | 250     | 1.1038        | 0.4827                  | 0.4226                 |
| 0.8981     | 260     | 1.1658        | -                       | -                      |
| 0.9326     | 270     | 1.1338        | -                       | -                      |
| 0.9672     | 280     | 1.0918        | -                       | -                      |
| 1.0        | 290     | 1.0354        | -                       | -                      |
| **1.0345** | **300** | **0.9816**    | **0.4879**              | **0.427**              |
| 1.0691     | 310     | 0.9749        | -                       | -                      |
| 1.1036     | 320     | 0.9743        | -                       | -                      |
| 1.1382     | 330     | 0.905         | -                       | -                      |
| 1.1727     | 340     | 0.9706        | -                       | -                      |
| 1.2073     | 350     | 0.9017        | 0.4866                  | 0.4252                 |
| 1.2418     | 360     | 0.9318        | -                       | -                      |
| 1.2763     | 370     | 0.9577        | -                       | -                      |
| 1.3109     | 380     | 0.9529        | -                       | -                      |
| 1.3454     | 390     | 0.9866        | -                       | -                      |
| 1.3800     | 400     | 0.9696        | 0.4863                  | 0.4243                 |
| 1.4145     | 410     | 0.9322        | -                       | -                      |
| 1.4491     | 420     | 0.9313        | -                       | -                      |
| 1.4836     | 430     | 0.9352        | -                       | -                      |
| 1.5181     | 440     | 0.9885        | -                       | -                      |
| 1.5527     | 450     | 0.873         | 0.4864                  | 0.4254                 |
| 1.5872     | 460     | 0.9204        | -                       | -                      |
| 1.6218     | 470     | 0.9117        | -                       | -                      |
| 1.6563     | 480     | 0.8663        | -                       | -                      |
| 1.6908     | 490     | 0.9397        | -                       | -                      |
| 1.7254     | 500     | 0.8624        | 0.4873                  | 0.4259                 |
| 1.7599     | 510     | 0.91          | -                       | -                      |
| 1.7945     | 520     | 0.9202        | -                       | -                      |
| 1.8290     | 530     | 0.9903        | -                       | -                      |
| 1.8636     | 540     | 0.8564        | -                       | -                      |
| 1.8981     | 550     | 0.9594        | 0.4867                  | 0.4253                 |
| 1.9326     | 560     | 0.9858        | -                       | -                      |
| 1.9672     | 570     | 0.9477        | -                       | -                      |
| 2.0        | 580     | 0.9216        | -                       | -                      |

* The bold row denotes the saved checkpoint.

### Framework Versions
- Python: 3.12.0
- Sentence Transformers: 5.1.2
- Transformers: 4.57.1
- PyTorch: 2.8.0+cu128
- Accelerate: 1.11.0
- Datasets: 4.4.1
- Tokenizers: 0.22.1

## 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",
}
```

#### MatryoshkaLoss
```bibtex
@misc{kusupati2024matryoshka,
    title={Matryoshka Representation Learning},
    author={Aditya Kusupati and Gantavya Bhatt and Aniket Rege and Matthew Wallingford and Aditya Sinha and Vivek Ramanujan and William Howard-Snyder and Kaifeng Chen and Sham Kakade and Prateek Jain and Ali Farhadi},
    year={2024},
    eprint={2205.13147},
    archivePrefix={arXiv},
    primaryClass={cs.LG}
}
```

#### 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.*
-->