Upload folder using huggingface_hub

1_Pooling/config.json

@@ -0,0 +1,10 @@
+{
+  "word_embedding_dimension": 384,
+  "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 +1,1178 @@
+---
+base_model: thenlper/gte-small
+datasets: []
+language: []
+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
+- dot_accuracy@1
+- dot_accuracy@3
+- dot_accuracy@5
+- dot_accuracy@10
+- dot_precision@1
+- dot_precision@3
+- dot_precision@5
+- dot_precision@10
+- dot_recall@1
+- dot_recall@3
+- dot_recall@5
+- dot_recall@10
+- dot_ndcg@10
+- dot_mrr@10
+- dot_map@100
+pipeline_tag: sentence-similarity
+tags:
+- sentence-transformers
+- sentence-similarity
+- feature-extraction
+- generated_from_trainer
+- dataset_size:3327
+- loss:MultipleNegativesRankingLoss
+widget:
+- source_sentence: 'Here are two questions for the upcoming quiz/examination:'
+  sentences:
+  - "121Fisika SMA/MA XIISoal Latihan :\n1. Suatu kawat penghantar berbentuk lingkaran\
+    \ dialiri arus\nlistrik, jika induksi magnet di titik pusat lingkaran sebesar\n\
+    6 .10-5 T, tentukan berapa kuat arus yang mengalir pada\nkawat tersebut!\n2. Kawat\
+    \ penghantar berbentuk lingkaran dengan jari-jari\n15 cm dialiri arus listrik\
+    \ 10 A. Tentukan besarnya induksimagnet  :\na. di titik pusat lingkaran, dan\n\
+    b. di titik yang berjarak 20 cm dari pusat lingkaran pada\nsumbu kawat!\n4. Induksi\
+    \ Magnetik di Sumbu Solenoida\ndan Toroida\nSolenoida  adalah kumparan yang\n\
+    panjang di mana diameter kumparan\nlebih kecil dibandingkan dengan pan-jang kumparan,\
+    \ jarak antara lilitan yangsatu dengan yang lainnya sangat rapatdan biasanya terdiri\
+    \ atas satu lapisan ataulebih. Sedangkan toroida  adalah sebuah\nsolenoida yang\
+    \ dilengkungkan sehinggamembentuk lingkaran seperti terlihatpada Gambar (4.7).\n\
+    Besarnya induksi magnetik pada titikyang terletak pada sumbu solenoidadinyatakan\
+    \ dengan persamaan :\nJika titik P di pusat solenoida\n    B = \nP0 In atau B\
+    \ = \n        .... (4.11)\nJika titik P terletak di ujung solenoida\n   B = \n\
+    \  atau \n   .... (4.12)\ndengan :\nB= induksi magnet di pusat (tengah-tengah)\
+    \ solenoida\nP0= permeabilitas ruang hampa\nI= kuat arus listrik dalam solenoida\n\
+    N= jumlah lilitan dalam solenoida\nL= panjang solenoidaGambar 4.7  (a) Solenoida\
+    \ (b) Toroida"
+  - "331Fisika SMA/MA XII36. Pernyataan berikut terkait dengan sifat suatu sinar\n\
+    radioaktif tertentu dibandingkan dengan sinar radioaktif\nlainnya.\n1. daya tembusnya\
+    \ paling besar\n2. dapat menimbulkan fluoresensi\n3. daya ionisasi paling lemah\n\
+    4. bermuatan listrik positif\nSifat yang benar untuk sinar alfa ( D) adalah pernyataan\n\
+    ....\nA. 1, 2 dan 3\nB. 1, 2, 3 dan 4\nC. 1 dan 3\nD. 2 dan 4\nE. 4 saja\n 37.\
+    \ Suatu zat radioaktif dalam waktu 15 hari zat yang\nmeluruh sebanyak \n  jumlah\
+    \ zat mula-mula. Besarnya\nkonstanta peluruhan zat radioaktif tersebut adalah\
+    \ ....\nA. 0,6930  hari-1\nB. 0,3465 hari-1\nC. 0,2310 hari-1\nD. 0,1733 hari-1\n\
+    E. 0,1386 hari-1\n38. Aktivitas 1 gr radium (88Ra226) adalah 0,98 Ci, maka\nwaktu\
+    \ paruhnya adalah ....A. 162 jam\nB. 16 tahun\nC. 60 tahun\nD. 162 tahun\nE. 1614\
+    \ tahun\n39. Suatu zat radioaktif yang mempunyai aktivitas mula-mula\n128 Ci,\
+    \ apabila zat radioaktif itu mempunyai waktu paroh\n10 menit, maka setelah setengah\
+    \ jam kemudian aktivitaszat tersebut adalah ....\nA. 4 Ci D. 32 Ci\nB. 8 Ci E.\
+    \ 64 Ci\nC. 16 Ci"
+  - "Fisika SMA/MA XII 2523. Hitunglah energi kinetik elektron pada orbitnya pada\
+    \ n = 2!\nPenyelesaian :\nEK= \n  di mana r = 0,53 × 10-11 n2\n= \n= \n  = 3,396\
+    \ eV\nJadi energi kinetiknya sebesar 3,396 eV .\nSoal Latihan :\n1. Berapakah\
+    \ panjang gelombang terpanjang dari deret\nPaschen?\n2. Berapakah frekuensi terbesar\
+    \ dari deret Brackett?\n3. Hitung kecepatan orbit elektron pada n = 2!\n4. Tentukan\
+    \ frekuensi gelombang elektromagnetik yang\ndipancarkan jika elektron berpindah\
+    \ dari lintasan n = 5\nke n = 2!\n5. Tentukan frekuensi gelombang elektromagnetik\
+    \ yang di-\npancarkan jika elektron berpindah dari kulit O ke kulit M!\n6. Tentukan\
+    \ energi (dalam eV) yang dilepaskan jika elektron\nberpindah dari kulit N ke kulit\
+    \ K!\nUntuk menjawab soal-soal di atas gunakan :\nh = 6,6 u 10-34 Js k = 9 u 109\
+    \ Nm2/C2\nm = 9,1 u 10-31 kg R = 1,097 u 107 m-1\ne = 1,6 u 10-19 C c = 3 u 108\
+    \ m/s\nG.  Teori Kuantum Atom\nLouis de Broglie  seorang ahli Fisika dari Perancis\
+    \ pada\ntahun 1923 mengajukan hipotesis tentang gelombang materi.\nMenurutnya,\
+    \ gerakan partikel yang bergerak mendekati ke-cepatan cahaya, seperti halnya gerakan\
+    \ elektron mengitari intiatom, mempunyai sifat gelombang. Hipotesis ini dibuktikan"
+- source_sentence: '**Question 1: Multiple Choice**'
+  sentences:
+  - "33\nSistem Koordinasi dan Gerak pada Tubuh ManusiaGambar 1.31 Mekanisme relaksasi\
+    \ otot  \nSumber: \tPeter\tH.\tRaven,\tdkk,\t2020,\tBiology Twelfth Edition\n\
+    SarkomerSarkomer\nPita A          Pita I  Pita A Garis\tZ\nZona\tH\t Zona\tH\n\
+    Garis\tZ Garis\tZPita APita I Pita A\nZona\tH\tZona\tH\nFilamen tipis (aktin)Filamen\
+    \ tebal (miosin)\nc. Sifat Gerak pada Otot \nBerdasarkan sifat gerak otot, otot\
+    \ dibedakan menjadi otot sinergis dan otot antagonis. Otot \nsinergis adalah pasangan\
+    \ otot yang bekerja bersama-sama dengan tujuan yang sama. Sebagai contoh, otot-otot\
+    \ antartulang rusuk yang bekerja sama ketika menarik napas serta otot pronator\
+    \ teres dan otot pronator kuadratus yang bekerja sama dalam menelentangkan dan\
+    \ menelungkupkan telapak tangan. Sementara itu, otot antagonis adalah pasangan\
+    \ otot yang kerjanya berlawanan. Sebagai contoh, otot bisep dan otot trisep. Saat\
+    \ mengangkat lengan bawah, otot bisep akan berkontraksi dan otot trisep berelaksasi.\
+    \ \nAdapun kerja otot akan menghasilkan beberapa jenis gerakan seperti berikut.\n\
+    Gambar 1.32 Sifat gerak otot antagonis \nIlustrator: Arif Nursahid"
+  - "301Fisika SMA/MA XIIc. Pemancaran Sinar JJJJJ\nSebuah inti atom dapat memiliki\
+    \ energi ikat nukleon yang\nlebih tinggi dari energi ikat dasarnya ( ground state\
+    \ ). Dalam\nkeadaan ini dikatakan inti atom dalam keadaan tereksitasi   dan\n\
+    dapat kembali ke keadaan dasar dengan memancarkan sinar\ngamma  atau foton  yang\
+    \ besarnya energi tergantung pada\nkeadaaan energi tereksitas i dengan energi\
+    \ dasarnya . Pemancaran\nsinar tidak menyebabkan perubahan massa dan muatan padainti\
+    \ atom. Inti atom yang dalam keadaan tereksitasi diberi tandabintang setelah lambang\
+    \ yang biasanya dipakai, misal \n38 Sr* 87.\nContoh peluruhan sinar J yaitu:\n\
+    1)  6C*12o6C 12   +  J\n2)  28Ni*61o28 Ni61   +  J\nDari hasil penelitian lebih\
+    \ lanjut dari sifat-sifat sinar\nradioaktif menunjukkan bahwa jika dilihat dari\
+    \ sifat daya\nionisasinya  (sifat kimianya) menunjukkan bahwa sinar \x03D\nmemiliki\
+    \ daya ionisasi paling kuat, baru kemudian sinar E,\ndan sinar J. Sedangkan sifat\
+    \ fisikanya : yaitu sinar J memiliki\ndaya tembus yang paling kuat, baru kemudian\
+    \ sinar E dan\nsinar D. Apabila sinar radioaktif tersebut dilewatkan dalam\nmedan\
+    \ magnet atau medan listrik, ternyata sinar D dan E\nterpengaruh oleh medan tersebut,\
+    \ sedangkan sinar J tidak\nterpengaruh oleh medan listrik dan medan magnet. Sinar\
+    \ E\ndibelokkan lebih tajam dibandingkan dengan sinar D.\nUntuk lebih jelasnya\
+    \ perhatikan gambar di bawah ini.\nGambar 10.2 Pembelokan radiasi D, E, dan J\
+    \ oleh medan magnetik"
+  - "94\nBiologi untuk SMA/MA Kelas 11BApersepsi\nKolase gambar tanaman lada dan penggunaan\
+    \ lada untuk bumbu \nmasakan\nSumber: Wavebreakmedia, https://elements.envato.com/Apersepsi\n\
+    Menurut para pakar kesehatan, gerakan \nmelompat seperti pada teknik dasar bola\
+    \ basket dapat membuat tubuh melepaskan hormon pertumbuhan. Hormon inilah yang\
+    \ memicu pertumbuhan tinggi badan. Namun, bukan berarti bermain basket dapat langsung\
+    \ membuat tinggi badan bertambah. Selain itu, olahraga bukan satu-satunya faktor\
+    \ pemicu pertumbuhan tinggi badan. Apa yang dimaksud pertumbuhan? Selain pertumbuhan,\
+    \ manusia juga mengalami perkembangan. Apa yang dimaksud perkembangan? Apa saja\
+    \ faktor yang memengaruhi pertumbuhan dan perkembangan? Ayo, diskusikan dengan\
+    \ \ntemanmu! \n•\t Pertumbuhan\t\t \t •\t Epigeal\t \t •\t Hormon\t \t •\t Fase\t\
+    embrionik\t \t\n•\t Perkembangan\t \t •\t Hipogeal\t\t •\t Metamorfosis\t •\t\
+    \ Fase\tpascaembrionik\t \t\nKata Kunci"
+- source_sentence: 'Here are two questions based on the context information:'
+  sentences:
+  - '351Fisika SMA/MA XIIIndium
+
+    Timah
+
+    Antimon
+
+    TeluriumYodium
+
+    Xenon
+
+    CesiumBarium
+
+    Lantanium
+
+    SeriumPraseodimium
+
+    Neodinium
+
+    PrometiumSamarium
+
+    Europium
+
+    GadoliniumTerbium
+
+    Disprosium
+
+    HolmiumErbium
+
+    Tulium
+
+    IterbiumLutetium
+
+    Hafnium
+
+    TitaliumWolfram
+
+    Renium
+
+    OsmiumIridium
+
+    Platina
+
+    EmasRaksa
+
+    Talium
+
+    TimbalBismut
+
+    Polonium
+
+    AstaniumRadonNama Unsur Lambang N omor Atom Massa Atom R ata-rata
+
+    In
+
+    Sn
+
+    Sb
+
+    Te
+
+    I
+
+    Xe
+
+    Ce
+
+    BaLa
+
+    Ce
+
+    Pr
+
+    Nd
+
+    Pm
+
+    Sm
+
+    Eu
+
+    Gd
+
+    Tb
+
+    DyHo
+
+    Er
+
+    Tm
+
+    YbLu
+
+    Hf
+
+    TaW
+
+    Re
+
+    Os
+
+    Ir
+
+    Pt
+
+    AuHg
+
+    Ta
+
+    Pb
+
+    Bi
+
+    Po
+
+    At
+
+    Rn4950
+
+    51
+
+    5253
+
+    54
+
+    5556
+
+    57
+
+    5859
+
+    60
+
+    6162
+
+    63
+
+    6465
+
+    66
+
+    6768
+
+    69
+
+    7071
+
+    72
+
+    7374
+
+    75
+
+    7677
+
+    78
+
+    7980
+
+    81
+
+    8283
+
+    84
+
+    8586114,82118,69
+
+    121,75
+
+    127,60126,9045
+
+    131,30
+
+    132,9054137,34
+
+    138,9055
+
+    140,12140,9077
+
+    144,24
+
+    (145)150,4
+
+    151,96
+
+    157,25158,9254
+
+    162,50
+
+    164,9304167,26
+
+    168,9342
+
+    173,04174,97
+
+    178,49
+
+    180,9479183,85
+
+    186,207
+
+    190,2192,22
+
+    195,09
+
+    196,9665200,59
+
+    204,37
+
+    207,2208,9804
+
+    (209)
+
+    (210)(222)'
+  - "281Fisika SMA/MA XIIPenyelesaian :\nDiketahui :'to =1 0-7 s c = 3 × 108 ms-1\n\
+    v= 0,9 c\nDitanyakan :x= ...? (jarak yang ditempuh partikel)\nJawab : Karena partikel\
+    \ bergerak dengan kecepatan 0,9 c maka\numur partikel tersebut adalah :\n't\n\
+    Soal Latihan\n1. Berapa kelajuan pesawat angkasa bergerak relatif terhadap\nbumi\
+    \ supaya waktu sehari dalam pesawat sama dengan\n2 detik di bumi?\n2. Berapakah\
+    \ kelajuan pesawat angkasa yang loncengnya\nberjalan 15 detik  lebih lambat tiap\
+    \ jamnya relatif terhadaplonceng di Bumi?\n3. Kontraksi Lorentz\nPengukuran panjang\
+    \ seperti juga selang waktu di-\npengaruhi oleh gerak relatif. Panjang L benda\
+    \ yang bergerakterhadap pengamat kelihatannya lebih pendek L\no bila diukur\n\
+    dalam keadaan diam terhadap pengamat. Peristiwa ini disebutkontraksi Lorentz (pengerutan\
+    \ Lorentz) . Kontraksi Lorentz di-\nnyatakan dalam persamaan :\n             \
+    \    \n                                .... (9.19)\ndi mana :\nLo= panjang benda\
+    \ diukur oleh pengamat yang diam\nL= panjang benda yang diukur oleh pengamat yang\
+    \ bergerak\nv= kecepatan benda relatif terhadap pengamat yang diam\nc= kecepatan\
+    \ cahaya't\n= 2,27 × 10-7s\nJadi, partikel tersebut bergerak sejauh:\nx=  v  ×\
+    \  't\n= 0,9 × 3 × 108 × 2,27 × 10-7 m\n= 61,29 m"
+  - "9Fisika SMA/MA XIIGambar 1.9  Gelombang berjalan pada tali\n4. Difraksi Gelombang\n\
+    Untuk menunjukkan adanya\ndifraksi gelombang dapat dilakukan\ndengan meletakkan\
+    \ penghalang padatangki riak dengan penghalang yangmempunyai celah, yang lebar\
+    \ celahnyadapat diatur. Difraksi gelombang  adalah\nperistiwa pembelokan/penyebaran(lenturan)\
+    \ gelombang jika gelombangtersebut melalui celah. Gejala difraksiakan semakin\
+    \ tampak jelas apabila lebarcelah semakin sempit. Dengan sifat inilahruangan dalam\
+    \ rumah kita menjaditerang pada siang hari dikarenakan adalubang kecil pada genting.\
+    \ Serta suara\nalunan musik dari tape recorder dapat sampai ke ruanganlain, meskipun\
+    \ kamar tempat tape tersebut pintunya tertutup\nrapat.\nGambar 1.8  Difraksi gelombang\
+    \ (a) penghalang\ndengan celah lebar, (b) penghalang dengan celah sempit\n   \
+    \            (a)                                                (b)penghalang\n\
+    B. Gelombang Berjalan\n1. Persamaan Gelombang Berjalan\nSeutas tali AB yang kita\
+    \ bentangkan mendatar ( Gambar\n1.9). Ujung B diikatkan pada tiang, sedangkan\
+    \ ujung A kita\npegang. Apabila ujung A kita getarkan naik turun terus-menerus,\
+    \ maka pada tali tersebut akan terjadi rambatangelombang dari ujung A ke ujung\
+    \ B. Misalkan amplitudogetarannya A dan gelombang merambat dengan kecepatan v\n\
+    dan periode getarannya T.\nMisalkan titik P terletak pada tali AB berjarak x dari\n\
+    ujung A dan apabila titik A telah bergetar selama t sekon, maka\ntitik P telah\
+    \ bergetar selama t\nP = \n , di mana \n  adalah\nwaktu yang  diperlukan gelombang\
+    \ merambat dari A ke P ."
+- source_sentence: 'Here are two questions I''ve created for you:'
+  sentences:
+  - '85Fisika SMA/MA XIISebagaimana yang telah kita pelajari di kelas IX, listrik
+
+    statis  terjadi akibat interaksi antara partikel-partikel bermuatan
+
+    listrik, elektron negatif, dan proton positif pada atom. Muatan
+
+    listrik yang sejenis tolak-menolak, sedangkan muatan listriktak sejenis tarik-menarik.
+    Pada bab ini kita akan kembalimempelajari tentang listrik statis (elektrostatis)
+    lebih lanjutmengenai hukum Coulomb, kuat medan listrik, energipotensial listrik,
+    potensial listrik, dan kapasitor.Adakalanya benda biasa memperagakan tenaga yang
+    tampaknya luar biasa:
+
+    sebatang tongkat plastik dapat menarik kertas seperti magnet menarik besi.
+
+    Penyebab efek luar biasa ini ialah listrik statis (elektrostatika). Apa sebenarnyalistrik
+    statis itu? Apa yang menyebabkannya? Agar kalian memahaminya, maka
+
+    pelajarilah materi bab ini dengan saksama!
+
+    elektrostatika, gaya Coulomb, medan listrik, kuat medan listrik, generator,
+
+    potensial listrik, kapasitor
+
+    A. Hukum Coulomb
+
+    Perhatikan Gambar 3.1  yang
+
+    menggambarkan dua buah benda
+
+    bermuatan listrik q1 dan q2 terpisah pada
+
+    jarak r. Apabila kedua benda bermuatan
+
+    listrik yang sejenis, kedua bendatersebut akan saling tolak-menolakdengan gaya
+    sebesar F dan jika muatanlistrik pada benda berlainan jenis, akantarik-menarik
+    dengan gaya sebesar F.
+
+    Berdasarkan penelitian yang dilaku-
+
+    kan oleh seorang ahli Fisika Prancis,Charles de Coulomb  (1736-1806)
+
+    disimpulkan bahwa: besarnya gaya tarik-
+
+    menarik atau tolak-menolak antara dua
+
+    benda bermuatan listrik (yang kemudian disebut gaya Coulomb)berbanding lurus dengan
+    muatan masing-masing benda danberbanding terbalik dengan kuadrat jarak antara
+    kedua bendatersebut.
+
+    Motivasi Belajar
+
+    Kata-kata Kunci
+
+    Gambar 3.1  Gaya Coulomb'
+  - "Fisika SMA/MA XII 142Besarnya ggl induksi yang timbul\nantara ujung-ujung kumparanberbanding\
+    \ lurus dengan kecepatanperubahan fluks magnetik yangdilingkupi oleh kumparan\
+    \ tersebut.\nSecara matematik hukum faraday dapatdituliskan dalam persamaan :\n\
+    \x03\x03\x03\x03\x03\x03\x03\x03\x03\x03\x03\x03\x03\x03\x03\x03\x03\x03\x03\x03\
+    \x03\x03\x03\x03\x03\x03\x03\x03\x03\x03\nH = \n                             ....\
+    \ (5.3)\n       atau  H = \n                    .... (5.4)\nPersamaan (5.4) dipakai\
+    \ jika perubahan\nfluks magnetik berlangsung dalamwaktu singkat atau \n't mendekati\
+    \ nol.\ndengan :\nH = ggl induksi pada ujung-ujung\nkumparan (Volt)\nN = jumlah\
+    \ lilitan dalam kumparan\n') = perubahan fluks magnetik (Wb)\n't= selang waktu\
+    \ perubahan fluks\nmagnetik (s)\n= laju perubahan fluks magnetik\n(Wb.s-1)\nTanda\
+    \ negatif pada persamaan untuk menyesuaikan\ndengan hukum Lenz .\nBerdasarkan\
+    \ persamaan (5.2) dapat diketahui bahwa ada\ntiga faktor yang mempengaruhi terjadinya\
+    \ perubahan fluksmagnetik, yaitu :\na. Luas bidang kumparan yang melingkupi garis\
+    \ gaya\nmedan magnetik.\nb. Perubahan induksi magnetiknya.\nc. Perubahan sudut\
+    \ antara arah medan magnet dengan garis\nnormal bidang kumparan.Gambar 5.2  Percobaan\
+    \ Faraday untuk menyelidiki\nhubungan ggl induksi dengan kecepatan perubahan\n\
+    fluks magnetik"
+  - "207Fisika SMA/MA XII10. Pada percobaan resonansi dengan tabung resonator,\nternyata\
+    \ terjadi resonansi yang pertama kali jika panjang\nkolom udara dalam tabung di\
+    \ atas permukaan air setinggi20 cm, maka resonansi yang ke dua kali akan terjadi\
+    \ jikapanjang kolom udara dalam tabung adalah ....\nA. 20 cm D. 80 cm\nB. 40 cm\
+    \ E. 100 cmC. 60 cm\n11. Sebuah mobil bergerak dengan kecepatan 36 km/jam\nsambil\
+    \ membunyikan sirine dengan frekuensi 400 Hz.\nJika cepat rambat gelombang bunyi\
+    \  300 m/s makafrekuensi bunyi sirine yang didengar oleh orang yangdiam di tepi\
+    \ jalan pada saat mobil itu menjauhinya adalah....\nA. 380 Hz D. 410 Hz\nB. 387\
+    \ Hz E. 420 HzC. 400 Hz\n12. Jika sebuah pipa organa terbuka ditiup sehingga\n\
+    menghasilkan nada atas kedua maka akan terjadi ....A. 2 simpul dan 3 perut\nB.\
+    \ 3 simpul dan 4 perut\nC. 4 simpul dan 5 perut\nD. 3 simpul dan 3 perut\nE. 4\
+    \ simpul dan 4 perut\n13. Jarak antara 5 buah simpul yang berurutan pada\ngelombang\
+    \ stasioner yang terjadi pada tali dengan ujung\ntetap adalah 40 cm. Jika cepat\
+    \ rambat gelombang yangterjadi 20 m/s maka frekuensi gelombangnya adalah ....\n\
+    A. 40 Hz D. 100 HzB. 60 Hz E. 120 Hz\nC. 80 Hz\n14. Pada percobaan Young jika\
+    \ jarak antara dua celah\ndijadikan dua kali semula maka antara dua garis terang\n\
+    yang berurutan menjadi ....\nA.\n kali semula\nB.\n  kali semula\nC. 2 kali semula\n\
+    D. 4 kali semulaE. tetap tidak berubah"
+- source_sentence: '**Question 1**'
+  sentences:
+  - "Fisika SMA/MA XII 230yang diusulkan oleh Einstein. Percobaan Compton cukup\n\
+    sederhana yaitu sinar X monokromatik (sinar X yang memilikipanjang gelombang tunggal)\
+    \ dikenakan pada keping tipisberilium sebagai sasarannya. Kemudian untuk mengamatifoton\
+    \ dari sinar X dan elektron yang terhambur dipasangdetektor. Sinar X yang telah\
+    \ menumbuk elektron akankehilangan sebagian energinya yang kemudian terhamburdengan\
+    \ sudut hamburan sebesar T terhadap arah semula.\nBerdasarkan hasil pengamatan\
+    \ ternyata sinar X yang ter-hambur memiliki panjang gelombang yang lebih besar\
+    \ daripanjang gelombang sinar X semula. Hal ini dikarenakansebagian energinya\
+    \ terserap oleh elektron. Jika energi fotonsinar X mula-mula hf dan energi foton\
+    \ sinar X yang terhambur\nmenjadi ( hf – hf ’) dalam hal ini f > f’, sedangkan\
+    \ panjang\ngelombang yang terhambur menjadi tambah besar yaitu O > Oc.\nDengan\
+    \ menggunakan hukum ke-\nkekalan momentum dan kekekalan energi\nCompton berhasil\
+    \ menunjukkan bahwaperubahan panjang gelombang foton\nterhambur dengan panjang\
+    \ gelombang\nsemula, yang memenuhi persamaan :\n             .... (7.6)\ndengan\n\
+    O = panjang gelombang sinar X sebelum tumbukan (m)\nOc = panjang gelombang sinar\
+    \ X setelah tumbukan (m)\nh = konstanta Planck (6,625 × 10-34 Js)\nmo= massa diam\
+    \ elektron (9,1 × 10-31 kg)\nc = kecepatan cahaya (3 × 108 ms-1)\nT =  sudut hamburan\
+    \ sinar X terhadap arah semula (derajat\natau radian)\nBesaran \n  sering disebut\
+    \ dengan panjang gelombang\nCompton . Jadi jelaslah sudah bahwa dengan hasil pengamatan\n\
+    Compton tentang hamburan foton dari sinar X menunjukkan\nbahwa foton dapat dipandang\
+    \ sebagai partikel, sehingga mem-perkuat teori kuantum yang mengatakan bahwa cahaya\
+    \ mem-punyai dua sifat, yaitu cahaya dapat sebagai gelombang  dan\ncahaya dapat\
+    \ bersifat sebagai partikel  yang sering disebut\nsebagai dualime gelombang cahaya\
+    \ .\nTFoton\nterhambur\nElektron terhamburFoton datang\nElektrondiamhfc\nhf\n\
+    Gambar 7.7 Skema percobaan Compton untuk\nmenyelidiki tumbukan foton dan elektron"
+  - 'Fisika SMA/MA XII 268
+
+    Peta Konsep
+
+    Tujuan Pembelajaran :
+
+    Setelah mempelajari bab ini, kalian diharapkan mampu :
+
+    1. memformulasikan teori relativitas untuk waktu, panjang, dan massa, dan2. memformulasikan
+    kesetaraan massa dengan energi yang diterapkan dalam teknologi.Relativitas
+
+    Mempelajari
+
+    Kerangka Acuan Gerak Benda
+
+    Transformasi
+
+    LorentzTransformasi
+
+    GalileoKecepatan
+
+    Jauh di Bawah
+
+    Cepat Rambat
+
+    CahayaKecepatan
+
+    Mendekati
+
+    Cahaya
+
+    Relativitas
+
+    Newton
+
+    Relativitas Einstein
+
+    Dilatasi
+
+    WaktuKontraksi
+
+    LorentzMassa
+
+    RelativitasKesetaraan
+
+    Massa dan Energi'
+  - '89Fisika SMA/MA XII
+
+    2. Dua muatan listrik q1 = +8 x 10-9 C dan q2 = + 16 x 10-9 C
+
+    terpisah pada jarak 12 cm. Tentukan di mana muatan q3
+
+    harus diletakkan agar gaya Coulomb pada muatan q3
+
+    sama dengan nol!
+
+    3. Sebuah segitiga sama sisi ABC mempunyai panjang sisi
+
+    6 cm. Apabila pada masing-masing titik sudut segitiga
+
+    berturut-turut terdapat muatan listrik sebesar  qA = +8 C,
+
+    qB = -9 C, dan qC = +3 C, tentukan besarnya gaya Cou-
+
+    lomb pada titik sudut C!
+
+    (a) Muatan negatif (b) Muatan positif
+
+    Gambar 3.3  Garis-garis gaya listrik(c) Antara muatan positif dan muatan negatifB.
+    Medan Listrik dan Kuat Medan Listrik
+
+    Medan listrik  didefinisikan sebagai ruangan di sekitar
+
+    benda bermuatan listrik, di mana jika sebuah bendabermuatan listrik berada di
+    dalam ruangan tersebut akanmendapat gaya listrik (gaya Coulomb). Medan listrik
+    termasukmedan vektor, sehingga untuk menyatakan arah medan listrikdinyatakan sama
+    dengan arah gaya yang dialami oleh muatanpositif jika berada dalam sembarang tempat
+    di dalam medantersebut. Arah medan listrik yang ditimbulkan oleh  bendabermuatan
+    positif dinyatakan keluar dari benda, sedangkanarah medan listrik yang ditimbulkan
+    oleh benda bermuatannegatif dinyatakan masuk ke benda.
+
+    Untuk menggambarkan medan listrik digunakan garis-
+
+    garis gaya listrik . Garis-garis gaya listrik yaitu garis lengkung
+
+    yang dibayangkan merupakan lintasan yang ditempuh olehmuatan positif yang bergerak
+    dalam medan listrik. Garis gayalistrik tidak mungkin akan berpotongan, sebab garis
+    gayalistrik merupakan garis khayal yang berawal dari bendabermuatan positif dan
+    akan berakhir di benda yang bermuatannegatif. Gambar (3.3)  menggambarkan garis-garis
+    gaya listrik
+
+    di sekitar benda bermuatan listrik.'
+model-index:
+- name: SentenceTransformer based on thenlper/gte-small
+  results:
+  - task:
+      type: information-retrieval
+      name: Information Retrieval
+    dataset:
+      name: Unknown
+      type: unknown
+    metrics:
+    - type: cosine_accuracy@1
+      value: 0.08776675683799219
+      name: Cosine Accuracy@1
+    - type: cosine_accuracy@3
+      value: 0.12714156898106402
+      name: Cosine Accuracy@3
+    - type: cosine_accuracy@5
+      value: 0.15238954012623984
+      name: Cosine Accuracy@5
+    - type: cosine_accuracy@10
+      value: 0.19026149684400362
+      name: Cosine Accuracy@10
+    - type: cosine_precision@1
+      value: 0.08776675683799219
+      name: Cosine Precision@1
+    - type: cosine_precision@3
+      value: 0.04238052299368801
+      name: Cosine Precision@3
+    - type: cosine_precision@5
+      value: 0.030477908025247972
+      name: Cosine Precision@5
+    - type: cosine_precision@10
+      value: 0.019026149684400362
+      name: Cosine Precision@10
+    - type: cosine_recall@1
+      value: 0.08776675683799219
+      name: Cosine Recall@1
+    - type: cosine_recall@3
+      value: 0.12714156898106402
+      name: Cosine Recall@3
+    - type: cosine_recall@5
+      value: 0.15238954012623984
+      name: Cosine Recall@5
+    - type: cosine_recall@10
+      value: 0.19026149684400362
+      name: Cosine Recall@10
+    - type: cosine_ndcg@10
+      value: 0.13318205750890644
+      name: Cosine Ndcg@10
+    - type: cosine_mrr@10
+      value: 0.11564722973649931
+      name: Cosine Mrr@10
+    - type: cosine_map@100
+      value: 0.12517887116463544
+      name: Cosine Map@100
+    - type: dot_accuracy@1
+      value: 0.0880673279230538
+      name: Dot Accuracy@1
+    - type: dot_accuracy@3
+      value: 0.12744214006612564
+      name: Dot Accuracy@3
+    - type: dot_accuracy@5
+      value: 0.151487826871055
+      name: Dot Accuracy@5
+    - type: dot_accuracy@10
+      value: 0.18935978358881875
+      name: Dot Accuracy@10
+    - type: dot_precision@1
+      value: 0.0880673279230538
+      name: Dot Precision@1
+    - type: dot_precision@3
+      value: 0.042480713355375205
+      name: Dot Precision@3
+    - type: dot_precision@5
+      value: 0.030297565374211004
+      name: Dot Precision@5
+    - type: dot_precision@10
+      value: 0.018935978358881878
+      name: Dot Precision@10
+    - type: dot_recall@1
+      value: 0.0880673279230538
+      name: Dot Recall@1
+    - type: dot_recall@3
+      value: 0.12744214006612564
+      name: Dot Recall@3
+    - type: dot_recall@5
+      value: 0.151487826871055
+      name: Dot Recall@5
+    - type: dot_recall@10
+      value: 0.18935978358881875
+      name: Dot Recall@10
+    - type: dot_ndcg@10
+      value: 0.1330305309152652
+      name: Dot Ndcg@10
+    - type: dot_mrr@10
+      value: 0.11572738202584909
+      name: Dot Mrr@10
+    - type: dot_map@100
+      value: 0.12529892846605473
+      name: Dot Map@100
+---
+
+# SentenceTransformer based on thenlper/gte-small
+
+This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [thenlper/gte-small](https://huggingface.co/thenlper/gte-small). It maps sentences & paragraphs to a 384-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:** [thenlper/gte-small](https://huggingface.co/thenlper/gte-small) <!-- at revision 50c7dd33df1027ef560fd504d95e277948c3c886 -->
+- **Maximum Sequence Length:** 512 tokens
+- **Output Dimensionality:** 384 tokens
+- **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': 512, 'do_lower_case': False}) with Transformer model: BertModel 
+  (1): Pooling({'word_embedding_dimension': 384, '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): 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
+sentences = [
+    '**Question 1**',
+    '89Fisika SMA/MA XII\n2. Dua muatan listrik q1 = +8 x 10-9 C dan q2 = + 16 x 10-9 C\nterpisah pada jarak 12 cm. Tentukan di mana muatan q3\nharus diletakkan agar gaya Coulomb pada muatan q3\nsama dengan nol!\n3. Sebuah segitiga sama sisi ABC mempunyai panjang sisi\n6 cm. Apabila pada masing-masing titik sudut segitiga\nberturut-turut terdapat muatan listrik sebesar  qA = +8 C,\nqB = -9 C, dan qC = +3 C, tentukan besarnya gaya Cou-\nlomb pada titik sudut C!\n(a) Muatan negatif (b) Muatan positif\nGambar 3.3  Garis-garis gaya listrik(c) Antara muatan positif dan muatan negatifB. Medan Listrik dan Kuat Medan Listrik\nMedan listrik  didefinisikan sebagai ruangan di sekitar\nbenda bermuatan listrik, di mana jika sebuah bendabermuatan listrik berada di dalam ruangan tersebut akanmendapat gaya listrik (gaya Coulomb). Medan listrik termasukmedan vektor, sehingga untuk menyatakan arah medan listrikdinyatakan sama dengan arah gaya yang dialami oleh muatanpositif jika berada dalam sembarang tempat di dalam medantersebut. Arah medan listrik yang ditimbulkan oleh  bendabermuatan positif dinyatakan keluar dari benda, sedangkanarah medan listrik yang ditimbulkan oleh benda bermuatannegatif dinyatakan masuk ke benda.\nUntuk menggambarkan medan listrik digunakan garis-\ngaris gaya listrik . Garis-garis gaya listrik yaitu garis lengkung\nyang dibayangkan merupakan lintasan yang ditempuh olehmuatan positif yang bergerak dalam medan listrik. Garis gayalistrik tidak mungkin akan berpotongan, sebab garis gayalistrik merupakan garis khayal yang berawal dari bendabermuatan positif dan akan berakhir di benda yang bermuatannegatif. Gambar (3.3)  menggambarkan garis-garis gaya listrik\ndi sekitar benda bermuatan listrik.',
+    'Fisika SMA/MA XII 230yang diusulkan oleh Einstein. Percobaan Compton cukup\nsederhana yaitu sinar X monokromatik (sinar X yang memilikipanjang gelombang tunggal) dikenakan pada keping tipisberilium sebagai sasarannya. Kemudian untuk mengamatifoton dari sinar X dan elektron yang terhambur dipasangdetektor. Sinar X yang telah menumbuk elektron akankehilangan sebagian energinya yang kemudian terhamburdengan sudut hamburan sebesar T terhadap arah semula.\nBerdasarkan hasil pengamatan ternyata sinar X yang ter-hambur memiliki panjang gelombang yang lebih besar daripanjang gelombang sinar X semula. Hal ini dikarenakansebagian energinya terserap oleh elektron. Jika energi fotonsinar X mula-mula hf dan energi foton sinar X yang terhambur\nmenjadi ( hf – hf ’) dalam hal ini f > f’, sedangkan panjang\ngelombang yang terhambur menjadi tambah besar yaitu O > Oc.\nDengan menggunakan hukum ke-\nkekalan momentum dan kekekalan energi\nCompton berhasil menunjukkan bahwaperubahan panjang gelombang foton\nterhambur dengan panjang gelombang\nsemula, yang memenuhi persamaan :\n             .... (7.6)\ndengan\nO = panjang gelombang sinar X sebelum tumbukan (m)\nOc = panjang gelombang sinar X setelah tumbukan (m)\nh = konstanta Planck (6,625 × 10-34 Js)\nmo= massa diam elektron (9,1 × 10-31 kg)\nc = kecepatan cahaya (3 × 108 ms-1)\nT =  sudut hamburan sinar X terhadap arah semula (derajat\natau radian)\nBesaran \n  sering disebut dengan panjang gelombang\nCompton . Jadi jelaslah sudah bahwa dengan hasil pengamatan\nCompton tentang hamburan foton dari sinar X menunjukkan\nbahwa foton dapat dipandang sebagai partikel, sehingga mem-perkuat teori kuantum yang mengatakan bahwa cahaya mem-punyai dua sifat, yaitu cahaya dapat sebagai gelombang  dan\ncahaya dapat bersifat sebagai partikel  yang sering disebut\nsebagai dualime gelombang cahaya .\nTFoton\nterhambur\nElektron terhamburFoton datang\nElektrondiamhfc\nhf\nGambar 7.7 Skema percobaan Compton untuk\nmenyelidiki tumbukan foton dan elektron',
+]
+embeddings = model.encode(sentences)
+print(embeddings.shape)
+# [3, 384]
+
+# Get the similarity scores for the embeddings
+similarities = model.similarity(embeddings, embeddings)
+print(similarities.shape)
+# [3, 3]
+```
+
+<!--
+### 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
+
+* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
+
+| Metric              | Value      |
+|:--------------------|:-----------|
+| cosine_accuracy@1   | 0.0878     |
+| cosine_accuracy@3   | 0.1271     |
+| cosine_accuracy@5   | 0.1524     |
+| cosine_accuracy@10  | 0.1903     |
+| cosine_precision@1  | 0.0878     |
+| cosine_precision@3  | 0.0424     |
+| cosine_precision@5  | 0.0305     |
+| cosine_precision@10 | 0.019      |
+| cosine_recall@1     | 0.0878     |
+| cosine_recall@3     | 0.1271     |
+| cosine_recall@5     | 0.1524     |
+| cosine_recall@10    | 0.1903     |
+| cosine_ndcg@10      | 0.1332     |
+| cosine_mrr@10       | 0.1156     |
+| cosine_map@100      | 0.1252     |
+| dot_accuracy@1      | 0.0881     |
+| dot_accuracy@3      | 0.1274     |
+| dot_accuracy@5      | 0.1515     |
+| dot_accuracy@10     | 0.1894     |
+| dot_precision@1     | 0.0881     |
+| dot_precision@3     | 0.0425     |
+| dot_precision@5     | 0.0303     |
+| dot_precision@10    | 0.0189     |
+| dot_recall@1        | 0.0881     |
+| dot_recall@3        | 0.1274     |
+| dot_recall@5        | 0.1515     |
+| dot_recall@10       | 0.1894     |
+| dot_ndcg@10         | 0.133      |
+| dot_mrr@10          | 0.1157     |
+| **dot_map@100**     | **0.1253** |
+
+<!--
+## 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: 3,327 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: 7 tokens</li><li>mean: 12.11 tokens</li><li>max: 61 tokens</li></ul> | <ul><li>min: 2 tokens</li><li>mean: 437.69 tokens</li><li>max: 512 tokens</li></ul> |
+* Samples:
+  | sentence_0                                                                                                      | sentence_1                                                     |
+  |:----------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------|
+  | <code>Here are two questions based on the context:</code>                                                       | <code>Pusat Perbukuan<br>Departemen Pendidikan Nasional</code> |
+  | <code>What type of institution is Pusat Perbukuan?</code>                                                       | <code>Pusat Perbukuan<br>Departemen Pendidikan Nasional</code> |
+  | <code>I don't see any context information provided. It seems there's nothing above the horizontal lines.</code> | <code></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
+
+- `eval_strategy`: steps
+- `per_device_train_batch_size`: 10
+- `per_device_eval_batch_size`: 10
+- `num_train_epochs`: 16
+- `multi_dataset_batch_sampler`: round_robin
+
+#### 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`: 10
+- `per_device_eval_batch_size`: 10
+- `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`: 16
+- `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`: 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`: round_robin
+
+</details>
+
+### Training Logs
+<details><summary>Click to expand</summary>
+
+| Epoch   | Step | Training Loss | dot_map@100 |
+|:-------:|:----:|:-------------:|:-----------:|
+| 0.1502  | 50   | -             | 0.0576      |
+| 0.3003  | 100  | -             | 0.0621      |
+| 0.4505  | 150  | -             | 0.0640      |
+| 0.6006  | 200  | -             | 0.0683      |
+| 0.7508  | 250  | -             | 0.0671      |
+| 0.9009  | 300  | -             | 0.0702      |
+| 1.0     | 333  | -             | 0.0724      |
+| 1.0511  | 350  | -             | 0.0726      |
+| 1.2012  | 400  | -             | 0.0751      |
+| 1.3514  | 450  | -             | 0.0774      |
+| 1.5015  | 500  | 2.1413        | 0.0815      |
+| 1.6517  | 550  | -             | 0.0851      |
+| 1.8018  | 600  | -             | 0.0831      |
+| 1.9520  | 650  | -             | 0.0852      |
+| 2.0     | 666  | -             | 0.0859      |
+| 2.1021  | 700  | -             | 0.0890      |
+| 2.2523  | 750  | -             | 0.0872      |
+| 2.4024  | 800  | -             | 0.0897      |
+| 2.5526  | 850  | -             | 0.0929      |
+| 2.7027  | 900  | -             | 0.0924      |
+| 2.8529  | 950  | -             | 0.0948      |
+| 3.0     | 999  | -             | 0.0975      |
+| 3.0030  | 1000 | 1.9512        | 0.0977      |
+| 3.1532  | 1050 | -             | 0.0993      |
+| 3.3033  | 1100 | -             | 0.0996      |
+| 3.4535  | 1150 | -             | 0.1033      |
+| 3.6036  | 1200 | -             | 0.1037      |
+| 3.7538  | 1250 | -             | 0.1055      |
+| 3.9039  | 1300 | -             | 0.1039      |
+| 4.0     | 1332 | -             | 0.1045      |
+| 4.0541  | 1350 | -             | 0.1064      |
+| 4.2042  | 1400 | -             | 0.1068      |
+| 4.3544  | 1450 | -             | 0.1074      |
+| 4.5045  | 1500 | 1.8016        | 0.1090      |
+| 4.6547  | 1550 | -             | 0.1107      |
+| 4.8048  | 1600 | -             | 0.1111      |
+| 4.9550  | 1650 | -             | 0.1112      |
+| 5.0     | 1665 | -             | 0.1115      |
+| 5.1051  | 1700 | -             | 0.1117      |
+| 5.2553  | 1750 | -             | 0.1135      |
+| 5.4054  | 1800 | -             | 0.1124      |
+| 5.5556  | 1850 | -             | 0.1138      |
+| 5.7057  | 1900 | -             | 0.1167      |
+| 5.8559  | 1950 | -             | 0.1150      |
+| 6.0     | 1998 | -             | 0.1157      |
+| 6.0060  | 2000 | 1.6129        | 0.1164      |
+| 6.1562  | 2050 | -             | 0.1185      |
+| 6.3063  | 2100 | -             | 0.1166      |
+| 6.4565  | 2150 | -             | 0.1152      |
+| 6.6066  | 2200 | -             | 0.1173      |
+| 6.7568  | 2250 | -             | 0.1185      |
+| 6.9069  | 2300 | -             | 0.1141      |
+| 7.0     | 2331 | -             | 0.1153      |
+| 7.0571  | 2350 | -             | 0.1154      |
+| 7.2072  | 2400 | -             | 0.1186      |
+| 7.3574  | 2450 | -             | 0.1163      |
+| 7.5075  | 2500 | 1.4573        | 0.1171      |
+| 7.6577  | 2550 | -             | 0.1200      |
+| 7.8078  | 2600 | -             | 0.1190      |
+| 7.9580  | 2650 | -             | 0.1182      |
+| 8.0     | 2664 | -             | 0.1197      |
+| 8.1081  | 2700 | -             | 0.1195      |
+| 8.2583  | 2750 | -             | 0.1210      |
+| 8.4084  | 2800 | -             | 0.1199      |
+| 8.5586  | 2850 | -             | 0.1188      |
+| 8.7087  | 2900 | -             | 0.1207      |
+| 8.8589  | 2950 | -             | 0.1178      |
+| 9.0     | 2997 | -             | 0.1178      |
+| 9.0090  | 3000 | 1.2947        | 0.1185      |
+| 9.1592  | 3050 | -             | 0.1207      |
+| 9.3093  | 3100 | -             | 0.1193      |
+| 9.4595  | 3150 | -             | 0.1203      |
+| 9.6096  | 3200 | -             | 0.1206      |
+| 9.7598  | 3250 | -             | 0.1233      |
+| 9.9099  | 3300 | -             | 0.1180      |
+| 10.0    | 3330 | -             | 0.1205      |
+| 10.0601 | 3350 | -             | 0.1208      |
+| 10.2102 | 3400 | -             | 0.1206      |
+| 10.3604 | 3450 | -             | 0.1184      |
+| 10.5105 | 3500 | 1.2041        | 0.1212      |
+| 10.6607 | 3550 | -             | 0.1192      |
+| 10.8108 | 3600 | -             | 0.1219      |
+| 10.9610 | 3650 | -             | 0.1197      |
+| 11.0    | 3663 | -             | 0.1196      |
+| 11.1111 | 3700 | -             | 0.1219      |
+| 11.2613 | 3750 | -             | 0.1224      |
+| 11.4114 | 3800 | -             | 0.1199      |
+| 11.5616 | 3850 | -             | 0.1209      |
+| 11.7117 | 3900 | -             | 0.1211      |
+| 11.8619 | 3950 | -             | 0.1241      |
+| 12.0    | 3996 | -             | 0.1209      |
+| 12.0120 | 4000 | 1.106         | 0.1217      |
+| 12.1622 | 4050 | -             | 0.1223      |
+| 12.3123 | 4100 | -             | 0.1222      |
+| 12.4625 | 4150 | -             | 0.1208      |
+| 12.6126 | 4200 | -             | 0.1213      |
+| 12.7628 | 4250 | -             | 0.1220      |
+| 12.9129 | 4300 | -             | 0.1231      |
+| 13.0    | 4329 | -             | 0.1220      |
+| 13.0631 | 4350 | -             | 0.1229      |
+| 13.2132 | 4400 | -             | 0.1236      |
+| 13.3634 | 4450 | -             | 0.1217      |
+| 13.5135 | 4500 | 1.0598        | 0.1235      |
+| 13.6637 | 4550 | -             | 0.1235      |
+| 13.8138 | 4600 | -             | 0.1235      |
+| 13.9640 | 4650 | -             | 0.1225      |
+| 14.0    | 4662 | -             | 0.1234      |
+| 14.1141 | 4700 | -             | 0.1246      |
+| 14.2643 | 4750 | -             | 0.1244      |
+| 14.4144 | 4800 | -             | 0.1237      |
+| 14.5646 | 4850 | -             | 0.1244      |
+| 14.7147 | 4900 | -             | 0.1253      |
+| 14.8649 | 4950 | -             | 0.1244      |
+| 15.0    | 4995 | -             | 0.1253      |
+| 15.0150 | 5000 | 1.0104        | 0.1248      |
+| 15.1652 | 5050 | -             | 0.1253      |
+
+</details>
+
+### Framework Versions
+- Python: 3.11.0
+- Sentence Transformers: 3.0.1
+- Transformers: 4.44.0
+- PyTorch: 2.4.0+cu124
+- Accelerate: 0.33.0
+- Datasets: 2.21.0
+- Tokenizers: 0.19.1
+
+## 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",
+}
+```
+
+#### 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 +1,25 @@
+{
+  "_name_or_path": "thenlper/gte-small",
+  "architectures": [
+    "BertModel"
+  ],
+  "attention_probs_dropout_prob": 0.1,
+  "classifier_dropout": null,
+  "hidden_act": "gelu",
+  "hidden_dropout_prob": 0.1,
+  "hidden_size": 384,
+  "initializer_range": 0.02,
+  "intermediate_size": 1536,
+  "layer_norm_eps": 1e-12,
+  "max_position_embeddings": 512,
+  "model_type": "bert",
+  "num_attention_heads": 12,
+  "num_hidden_layers": 12,
+  "pad_token_id": 0,
+  "position_embedding_type": "absolute",
+  "torch_dtype": "float32",
+  "transformers_version": "4.44.0",
+  "type_vocab_size": 2,
+  "use_cache": true,
+  "vocab_size": 30522
+}

config_sentence_transformers.json

@@ -0,0 +1,10 @@
+{
+  "__version__": {
+    "sentence_transformers": "3.0.1",
+    "transformers": "4.44.0",
+    "pytorch": "2.4.0+cu124"
+  },
+  "prompts": {},
+  "default_prompt_name": null,
+  "similarity_fn_name": null
+}

model.safetensors

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:0f6cd46139974815343e4e33a2df79f3470792ec4510f5a88e6b4fe0e94d7ba1
+size 133462128

modules.json

@@ -0,0 +1,20 @@
+[
+  {
+    "idx": 0,
+    "name": "0",
+    "path": "",
+    "type": "sentence_transformers.models.Transformer"
+  },
+  {
+    "idx": 1,
+    "name": "1",
+    "path": "1_Pooling",
+    "type": "sentence_transformers.models.Pooling"
+  },
+  {
+    "idx": 2,
+    "name": "2",
+    "path": "2_Normalize",
+    "type": "sentence_transformers.models.Normalize"
+  }
+]

sentence_bert_config.json

@@ -0,0 +1,4 @@
+{
+  "max_seq_length": 512,
+  "do_lower_case": false
+}

special_tokens_map.json

@@ -0,0 +1,37 @@
+{
+  "cls_token": {
+    "content": "[CLS]",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "mask_token": {
+    "content": "[MASK]",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "pad_token": {
+    "content": "[PAD]",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "sep_token": {
+    "content": "[SEP]",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "unk_token": {
+    "content": "[UNK]",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  }
+}

tokenizer_config.json

@@ -0,0 +1,64 @@
+{
+  "added_tokens_decoder": {
+    "0": {
+      "content": "[PAD]",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "100": {
+      "content": "[UNK]",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "101": {
+      "content": "[CLS]",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "102": {
+      "content": "[SEP]",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "103": {
+      "content": "[MASK]",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    }
+  },
+  "clean_up_tokenization_spaces": true,
+  "cls_token": "[CLS]",
+  "do_basic_tokenize": true,
+  "do_lower_case": true,
+  "mask_token": "[MASK]",
+  "max_length": 128,
+  "model_max_length": 512,
+  "never_split": null,
+  "pad_to_multiple_of": null,
+  "pad_token": "[PAD]",
+  "pad_token_type_id": 0,
+  "padding_side": "right",
+  "sep_token": "[SEP]",
+  "stride": 0,
+  "strip_accents": null,
+  "tokenize_chinese_chars": true,
+  "tokenizer_class": "BertTokenizer",
+  "truncation_side": "right",
+  "truncation_strategy": "longest_first",
+  "unk_token": "[UNK]"
+}