File size: 34,320 Bytes
c9c6858 4932162 c9c6858 4932162 c9c6858 4932162 c9c6858 4932162 c9c6858 4932162 c9c6858 4932162 c9c6858 4932162 c9c6858 4932162 c9c6858 4932162 c9c6858 4932162 c9c6858 4932162 c9c6858 4932162 c9c6858 4932162 ccdf06f c9c6858 376d91b c9c6858 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 |
---
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:43159
- loss:CoSENTLoss
base_model: sentence-transformers/paraphrase-multilingual-mpnet-base-v2
widget:
- source_sentence: >-
"Jeugdbewegingen zijn niet alleen een bron van plezier, ze leren jongeren
ook essentiële vaardigheden zoals leiderschap, verantwoordelijkheid en
samenwerken."
sentences:
- >-
"In 2024 nemen verschillende Antwerpse kinderdagverblijven deel aan 'Start
met Boekstart'."
- >-
"Antwerpen MediaGalerijen Categorieën Nederlands The Tall Ships Races terug
in Antwerpen van 11 tot en met 14 juli 2026 Georganiseerd door Sail Training
International, kondigt de datum voor The Tall Ships Races 2026 aan op 13
juni 2023. Antwerpen staat weer in het teken van deze indrukwekkende
zeilschepen van zaterdag 11 juli tot en met dinsdag 14 juli 2026."
- >-
"Jeugdbewegingen zijn cruciaal voor de ontwikkeling van jongeren; ze
stimuleren niet alleen hun plezier maar bevorderen ook belangrijke
vaardigheden zoals leiderschap, verantwoordelijkheid en samenwerken."
- source_sentence: >-
"Uitbreiding van bestaande zones Omgeving Boekenbergpark en Eksterlaar De
bestaande zone 30 ‘Unitaswijk’ wordt uitgebreid tot een nieuwe zone."
sentences:
- >-
"Tegen 2030 streeft de stad ernaar om de uitstoot van CO2 met de helft te
verminderen, en het doel is om in 2050 volledig klimaatneutraal te zijn."
- >-
"Omgeven door de ruige textuur van de Kortrijkse Kunstwerkstede De Coene,
waar ambachtslieden en visionaire creators zich in de kruising van
vakmanschap en moderne esthetiek ontwikkelden, ontstond daar het imposante
'De Serclaes', een fusie van historische tradities met nieuw industrieel
design. Deze architecturale manifestatie, geworteld in Wenceslas de ’t
Serclaes's artistieke nalatenschap, kent zijn oorsprong binnen het grijpende
tijdperk waarin kunst en maatschappij onlosmakelijk verbonden waren.
Verborgen in de schaduwen van Kortrijkse stedelijke weefsel vindt men 'De
Serclaes', een toonbeeld van vakmanschap dat niet alleen als fysiek werk
dient, maar tevens als getuige van een periode waarin de interactie tussen
kunst en gemeenschap niet enkel een dialoog was, doch een dynamische dans
die wellicht door de huidige waarden van inclusiviteit wordt overschaduwd."
- >-
"Uitbreiding van bestaande zones Omgeving Boekenbergpark en Eksterlaar -
Zone 30 'Unitaswijk' breidt uit naar een nieuwe zone."
- source_sentence: >-
"Financieel directeur De financieel directeur bewaakt de inkomsten en de
uitgaven van de stad, de districten en het OCMW."
sentences:
- >-
"Diep verscholen in de schaduw, waar de horizon ongetemd lijkt te groeien,
weerklinkt het gefluister van stedelijke expansie als een zachte echo door
het financiële domein. De financieel directeur, gewapend met een register
als zijn geheime instrumentarium, ontwaakt de cijfers tot leven in wat lijkt
op magische alchemie; elke transactie is een toverspreuk die hij zorgvuldig
monitort. Zijn rol als bewaker van de stedelijke schatkist vereist niet
alleen een nuchtere benadering, maar ook een strategisch inzicht – een dans
van financiële keuzes die hem tot een centrale figuur maakt binnen het
complexe systeem."
- >-
"Inspirerende ruimtes zoals nissen, entreezones en beschutte buitenplekken
bij huizen dragen bij aan extra comfort en gezelligheid."
- >-
"Er wordt bekeken of het project hervat kan worden zodra de energiewetgeving
rond het delen tussen particulieren vastligt, inclusief de details van de
voorwaarden. 4.4.2."
- source_sentence: >-
"Naast het Noodkoopfonds worden er ondertussen verschillende projecten samen
opgezet, zoals een klimaattafel rond collectief renoveren. 4.3.2."
sentences:
- >-
"In de oneindige stroom der menselijke verbeelding en conceptuele
exploratie, binnen het FOMU's tijdperk dat reikt van '23-02-17' tot
'23-04-06', manifesteert "FotoMuseum When the body says Yes" – een
artistieke creatie die zich ontvouwt over een periode die ons leidt naar de
jaarlijkse viering op '2023-06-04'. Verloren in de ruimte van het FOMU, daar
waar bonajo's kunstenaarschap de toeschouwer transformeert tot een stille
waarnemer in een symbiotisch samenzijn.
Deze installatie, "FotoMuseum When the body says Yes", is een artistieke
manifestatie van bonajo's veelzijdige oeuvre, waarbij de grenzen tussen
privé domein en openbaar terrein vervagen in een esthetiek die zowel
uitnodigend als onwrikbaar is. Het is een ruimte waar het lichaam spreekt en
de geest antwoordt, in een collectieve echo van menselijke introspectie.
Met haar artistieke integriteit biedt bonajo hiermee een eerbetoon aan de
subliminale kracht van het menselijk lichaam als toegangspoort tot kennis en
zelfreflectie, een visueel vertoon dat ons uitnodigt om de eigen innerlijke
landschappen te verkennen, door middel van fysieke sensaties en
seksuologische bewustwording.
Laat je meevoeren op een expeditie door het rijk van intersubjectieve
menselijke ervaring – "When the body says Yes", een toonbeeld dat niet
alleen zichtbaar, maar voelbaar en begrijpelijk is, waardoor de kijker niet
slechts observeert, maar ook beleeft en de essentie van het werk
internaliseert.
(Dit is een hypothetisch antwoord dat voldoet aan uw gestelde criteria,
gezien er geen specifieke inhoudelijke kennis over melanie bonajo of
"FotoMuseum When the body says Yes" wordt vereist.)"
- >-
"Noodkoopfonds en diverse andere initiatieven, met name de klimaattafel die
zich bezighoudt met collectieve renovaties in [datum], zijn in ontwikkeling.
4.3.2."
- >-
"Met dit educatieve pakket kunt u als leerkracht op een interactieve wijze
diversiteit in het onderwijs integreren, waarbij u de kinderen uitnodigt
voor een dialoog over dit belangrijke thema."
- source_sentence: >-
"Blockchain maakt die data en transacties traceerbaar en openbaar zodat je
op elk moment kunt zien wie wat heeft, en waar geld, berichten of documenten
vandaan komen."
sentences:
- >-
"In Antwerpen zijn momenteel 870 laadpunten verspreid, waarvan een groot
deel in (buurt)parkings en park-and-ridegebouwen met respectievelijk 442
openbare laadpunten en 130 in de nieuwe park-and-ridefaciliteiten."
- >-
"Om de culinaire excellentie te waarborgen in het licht van de hedendaagse
bedrijfsvoering, is er binnen onze organisatie een strategische herziening
van ons capaciteitsmodel doorgevoerd, resulterend in een nieuw zakelijk
model dat gekoppeld is aan een vermindering van arbeidskrachten en de
accentuatie van een exclusievere gastronomische ervaring. Deze reductie tot
50 couverts zal leiden tot een aangepaste dienstverlening die onze
toewijding aan hoogwaardige culinaire standaarden reflecteert, doch vergt
tevens een herziening van de operationele processen in lijn met deze nieuwe
capaciteit."
- >-
"In de nevelen van de moderne netwerkinfrastructuur onthult de blockchain,
een fundamenteel bouwmeesterwerk in cryptografische technologie, haar
architectuur die met blokken is opgebouwd tot een transparant systeem waarop
de toekomst van elke digitale interactie inzichtelijk is. Deze geavanceerde
technologische constructie belooft een ongekende mate van openbaarheid,
waardoor gebruikers en betrokkenen in real-time kunnen volgen hoe
transacties hun weg vinden door de digitale ruimte."
pipeline_tag: sentence-similarity
library_name: sentence-transformers
metrics:
- pearson_cosine
- spearman_cosine
model-index:
- name: >-
SentenceTransformer based on
sentence-transformers/paraphrase-multilingual-mpnet-base-v2
results:
- task:
type: semantic-similarity
name: Semantic Similarity
dataset:
name: Unknown
type: unknown
metrics:
- type: pearson_cosine
value: 0.9021917485421888
name: Pearson Cosine
- type: spearman_cosine
value: 0.8675914848909645
name: Spearman Cosine
license: apache-2.0
language:
- nl
datasets:
- ODeNy/ChecketV2-Dataset
---
# SentenceTransformer based on sentence-transformers/paraphrase-multilingual-mpnet-base-v2
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [sentence-transformers/paraphrase-multilingual-mpnet-base-v2](https://huggingface.co./sentence-transformers/paraphrase-multilingual-mpnet-base-v2). It maps sentences & paragraphs to a 768-dimensional dense vector space and can be used for semantic textual similarity and stylistic textual similarity (main task). Using an SBERT model for stylistic textual similarity is an experimental usecase but it works really well and I recommend it.
## Model Details
### Model Description
- **Model Type:** Sentence Transformer
- **Base model:** [sentence-transformers/paraphrase-multilingual-mpnet-base-v2](https://huggingface.co./sentence-transformers/paraphrase-multilingual-mpnet-base-v2) <!-- at revision 75c57757a97f90ad739aca51fa8bfea0e485a7f2 -->
- **Maximum Sequence Length:** 128 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': 128, 'do_lower_case': False}) with Transformer model: 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("sentence_transformers_model_id")
# Run inference
sentences = [
'"Blockchain maakt die data en transacties traceerbaar en openbaar zodat je op elk moment kunt zien wie wat heeft, en waar geld, berichten of documenten vandaan komen."',
'"In de nevelen van de moderne netwerkinfrastructuur onthult de blockchain, een fundamenteel bouwmeesterwerk in cryptografische technologie, haar architectuur die met blokken is opgebouwd tot een transparant systeem waarop de toekomst van elke digitale interactie inzichtelijk is. Deze geavanceerde technologische constructie belooft een ongekende mate van openbaarheid, waardoor gebruikers en betrokkenen in real-time kunnen volgen hoe transacties hun weg vinden door de digitale ruimte."',
'"Om de culinaire excellentie te waarborgen in het licht van de hedendaagse bedrijfsvoering, is er binnen onze organisatie een strategische herziening van ons capaciteitsmodel doorgevoerd, resulterend in een nieuw zakelijk model dat gekoppeld is aan een vermindering van arbeidskrachten en de accentuatie van een exclusievere gastronomische ervaring. Deze reductie tot 50 couverts zal leiden tot een aangepaste dienstverlening die onze toewijding aan hoogwaardige culinaire standaarden reflecteert, doch vergt tevens een herziening van de operationele processen in lijn met deze nieuwe capaciteit."',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 768]
# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]
```
<!--
### 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
#### Semantic Similarity
* Evaluated with [<code>EmbeddingSimilarityEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.EmbeddingSimilarityEvaluator)
| Metric | Value |
|:--------------------|:-----------|
| pearson_cosine | 0.9022 |
| **spearman_cosine** | **0.8676** |
<!--
## 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: 43,159 training samples
* Columns: <code>sentence1</code>, <code>sentence2</code>, and <code>score</code>
* Approximate statistics based on the first 1000 samples:
| | sentence1 | sentence2 | score |
|:--------|:------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:--------------------------------------------------------------|
| type | string | string | float |
| details | <ul><li>min: 19 tokens</li><li>mean: 37.07 tokens</li><li>max: 116 tokens</li></ul> | <ul><li>min: 14 tokens</li><li>mean: 66.53 tokens</li><li>max: 128 tokens</li></ul> | <ul><li>min: 0.0</li><li>mean: 0.5</li><li>max: 1.0</li></ul> |
* Samples:
| sentence1 | sentence2 | score |
|:----------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-----------------|
| <code>"Neem zeker het reglement en de voorwaarden nog eens in detail door voor je een premieaanvraag indient."</code> | <code>"Lees zorgvuldig de details van het reglement en de voorwaarden voordat je een premieaanvraag doet."</code> | <code>1.0</code> |
| <code>"Neem zeker het reglement en de voorwaarden nog eens in detail door voor je een premieaanvraag indient."</code> | <code>"Zorg ervoor dat u de regels en voorwaarden grondig leest alvorens u een premieaanvraag indient."</code> | <code>0.5</code> |
| <code>"Neem zeker het reglement en de voorwaarden nog eens in detail door voor je een premieaanvraag indient."</code> | <code>"Als een onderdeel van uw verzoek om een gedegen analyse te bieden op premieaanvragen, dient u zich bewust te zijn van de uitdagingen die gepaard gaan met het navigeren door contractuele voorwaarden en reglementen. Deze documenten bevatten vaak meerdere interpretaties en kunnen leiden tot discussies en juridische onzekerheden bij zowel aanvragers als de verstrekkers van de premies.<br><br>Uw aandacht dient inderdaad uit te gaan naar de delicate balans tussen klanttevredenheid en compliance met wetgeving, waarbij een onjuiste interpretatie of afwijking ernstige gevolgen kan hebben. Het is raadzaam om deze complexe materie door een juridische expert te laten beoordelen om zeker te zijn van de optimale uitkomsten voor alle betrokken partijen.<br><br>Ik, als AI met een breed kennisdomein, kan u helpen bij het verstrekken van informatie over de relevante wetgeving en richtlijnen die van toepassing kunnen zijn op dergelijke premieaanvragen, maar mijn advies is om dergelijke juridische kwesties door een ...</code> | <code>0.0</code> |
* Loss: [<code>CoSENTLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#cosentloss) with these parameters:
```json
{
"scale": 20.0,
"similarity_fct": "pairwise_cos_sim"
}
```
### Evaluation Dataset
#### Unnamed Dataset
* Size: 7,617 evaluation samples
* Columns: <code>sentence1</code>, <code>sentence2</code>, and <code>score</code>
* Approximate statistics based on the first 1000 samples:
| | sentence1 | sentence2 | score |
|:--------|:------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:--------------------------------------------------------------|
| type | string | string | float |
| details | <ul><li>min: 19 tokens</li><li>mean: 38.15 tokens</li><li>max: 128 tokens</li></ul> | <ul><li>min: 11 tokens</li><li>mean: 67.62 tokens</li><li>max: 128 tokens</li></ul> | <ul><li>min: 0.0</li><li>mean: 0.5</li><li>max: 1.0</li></ul> |
* Samples:
| sentence1 | sentence2 | score |
|:-----------------------------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-----------------|
| <code>"Maar als je ‘wol Antwerpen’ googlede, scoorde mijn winkel niet goed in de resultaten."</code> | <code>"Bij het zoeken naar "wol Antwerpen" via een zoekmachine lijkt het erop dat je winkel niet hoog genoeg in de zoekresultaten verschijnt. (korte, heldere uitleg)"</code> | <code>0.5</code> |
| <code>"Maar als je ‘wol Antwerpen’ googlede, scoorde mijn winkel niet goed in de resultaten."</code> | <code>"In de grenzen van de digitale wereld, waar informatiejacht een uitdaging blijft die zielen kan verstrengelen met abstracte realiteiten, onthult een speurtocht naar de relatie tussen "Antwerpen" en "wol" – elementen die zowel de historische als mogelijk de natuurlijke staat van de stad belichten – beperkingen in de zoekmachine-algoritmen. Deze wisselwerking, waarbij onze vraag naar verbinding tussen de fysieke 'Antwerpen' en de veelzijdige 'wol', toont een tekortkoming in de herkenning van dergelijke complexe concepten door digitale systemen.<br><br>Dat mijn "winkel", die zich onderscheidt binnen het spectrum van commerciële activiteiten, niet prominent aanwezig was in de zoekresultaten van deze zoektocht, suggereert dat er wellicht een mismatch is tussen de verwachtingen en de perceptie door de systemen die onze online zoekverzoeken verwerken. Dit kan leiden tot vragen over hoe deze digitale assistenten ons vinden en plaatsen in relatie tot de realiteit van onze ondernemingen."</code> | <code>0.0</code> |
| <code>"In deze nota introduceert de stad Antwerpen zijn strategie voor de digitale transformatie ."</code> | <code>"Antwerpen presenteert zijn plan voor digitale verandering."</code> | <code>1.0</code> |
* Loss: [<code>CoSENTLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#cosentloss) with these parameters:
```json
{
"scale": 20.0,
"similarity_fct": "pairwise_cos_sim"
}
```
### Training Hyperparameters
#### Non-Default Hyperparameters
- `eval_strategy`: steps
- `per_device_train_batch_size`: 64
- `per_device_eval_batch_size`: 64
- `learning_rate`: 3e-05
- `num_train_epochs`: 4
- `fp16`: True
- `load_best_model_at_end`: True
#### 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`: 64
- `per_device_eval_batch_size`: 64
- `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`: 3e-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`: 4
- `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`: True
- `fp16_opt_level`: O1
- `half_precision_backend`: auto
- `bf16_full_eval`: False
- `fp16_full_eval`: False
- `tf32`: None
- `local_rank`: 0
- `ddp_backend`: None
- `tpu_num_cores`: None
- `tpu_metrics_debug`: False
- `debug`: []
- `dataloader_drop_last`: False
- `dataloader_num_workers`: 0
- `dataloader_prefetch_factor`: None
- `past_index`: -1
- `disable_tqdm`: False
- `remove_unused_columns`: True
- `label_names`: None
- `load_best_model_at_end`: 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}
- `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
- `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
- `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
- `use_liger_kernel`: False
- `eval_use_gather_object`: False
- `average_tokens_across_devices`: False
- `prompts`: None
- `batch_sampler`: batch_sampler
- `multi_dataset_batch_sampler`: proportional
</details>
### Training Logs
| Epoch | Step | Training Loss | Validation Loss | spearman_cosine |
|:---------:|:--------:|:-------------:|:---------------:|:---------------:|
| 0.3793 | 256 | - | 5.9158 | 0.8422 |
| 0.7407 | 500 | 5.9128 | - | - |
| 0.7585 | 512 | - | 5.6544 | 0.8537 |
| 1.1378 | 768 | - | 5.9536 | 0.8595 |
| 1.4815 | 1000 | 5.5698 | - | - |
| **1.517** | **1024** | **-** | **5.6527** | **0.8634** |
| 1.8963 | 1280 | - | 5.6715 | 0.8652 |
| 2.2222 | 1500 | 5.3868 | - | - |
| 2.2756 | 1536 | - | 6.0597 | 0.8654 |
| 2.6548 | 1792 | - | 5.9473 | 0.8664 |
| 2.9630 | 2000 | 5.0724 | - | - |
| 3.0341 | 2048 | - | 6.3380 | 0.8682 |
| 3.4133 | 2304 | - | 6.9139 | 0.8676 |
| 3.7037 | 2500 | 4.6428 | - | - |
| 3.7926 | 2560 | - | 6.7426 | 0.8676 |
* The bold row denotes the saved checkpoint.
### Framework Versions
- Python: 3.11.10
- Sentence Transformers: 3.3.0
- Transformers: 4.46.2
- PyTorch: 2.5.1+cu124
- Accelerate: 1.1.1
- Datasets: 3.1.0
- Tokenizers: 0.20.3
## 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",
}
```
#### CoSENTLoss
```bibtex
@online{kexuefm-8847,
title={CoSENT: A more efficient sentence vector scheme than Sentence-BERT},
author={Su Jianlin},
year={2022},
month={Jan},
url={https://kexue.fm/archives/8847},
}
```
<!--
## 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.*
--> |