---
language:
- it
license: apache-2.0
library_name: sentence-transformers
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- dataset_size:10K<n<100K
- loss:MatryoshkaLoss
- loss:MultipleNegativesRankingLoss
base_model: BAAI/bge-base-en-v1.5
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
widget:
- source_sentence: Informazioni sul Duomo di Milano
  sentences:
  - "Il Duomo di Milano, ufficialmente Cattedrale Metropolitana della Natività della Beata Vergine Maria (Dòmm de Milan in milanese, IPA: [ˈdɔm de miˈlãː]), è la cattedrale dell'arcidiocesi di Milano e monumento nazionale italiano[2]. Simbolo del capoluogo lombardo, e situato nell'omonima piazza al centro della metropoli, è dedicata a santa Maria Nascente. È la chiesa più grande d'Italia[3][4] (la più grande della Repubblica Italiana, giacché la basilica di San Pietro, più grande, è nel territorio della Città del Vaticano; la seconda più grande considerando, invece, tutta la penisola italiana), la terza nel mondo per superficie, la sesta per volume[5]. È sede della parrocchia di Santa Tecla nel duomo di Milano.[6]."
  - "Principale centro economico e finanziario della Repubblica Italiana, Milano ne guidò lo sviluppo industriale, costituendo con Torino e Genova il cosiddetto Triangolo industriale, in particolar modo durante gli anni del boom economico, quando la crescita industriale e urbanistica coinvolse anche le città limitrofe, creando la vasta area metropolitana milanese. In ambito culturale, Milano è il principale centro italiano dell'editoria ed è ai vertici del circuito musicale mondiale grazie alla stagione lirica del Teatro alla Scala e alla sua lunga tradizione operistica. È, inoltre, tra i principali poli fieristici europei (con due esposizioni universali ospitate: Expo 1906 e Expo 2015) e del disegno industriale, ed è considerata una delle capitali mondiali della moda."
  - "Il Duomo di Milano è il principale luogo di culto cattolico della città di Milano e cattedrale dell'omonima arcidiocesi. Altri edifici di valore sono le basiliche paleocristiane di Milano: la basilica di Sant'Ambrogio, considerata da sempre il massimo esempio dell'architettura romanica lombarda,[100] nonché uno dei più antichi monumenti dell'arte cristiana, la basilica di San Lorenzo, edificio a pianta centrale bizantino conosciuto anche per la vicinanza delle omonime colonne, la basilica di San Nazaro in Brolo e la basilica di San Simpliciano, legate come le precedenti alla figura di sant'Ambrogio."
- source_sentence: Quando è avvenuto lo sbarco in Normandia?
  sentences:
  - "Lo sbarco in Normandia (nome in codice operazione Neptune, parte marittima della più ampia operazione Overlord) fu una delle più grandi invasioni anfibie della storia, messa in atto dalle forze alleate durante la seconda guerra mondiale per aprire un secondo fronte in Europa, dirigersi verso la Germania nazista e allo stesso tempo alleggerire il fronte orientale, sul quale da tre anni l'Armata Rossa stava sostenendo un aspro confronto contro i tedeschi."
  - "La Normandia è una regione storica ed amministrativa della Francia. Si affaccia a nord sul canale della Manica e confina a sud-ovest con la Bretagna, a sud con i Paesi della Loira e con il Centro-Valle della Loira, a est con l'Île-de-France e a nord-est con l'Alta Francia. Occupa la bassa vallata della Senna (Alta Normandia) e si estende verso ovest fino alla penisola del Cotentin (Bassa Normandia)."
  - "L'invasione iniziò nelle prime ore di martedì 6 giugno 1944 (data conosciuta come D-Day), quando toccarono terra nella penisola del Cotentin e nella zona di Caen le truppe alleate aviotrasportate, che aprirono la strada alle forze terrestri. All'alba del 6 giugno, precedute da un imponente bombardamento aeronavale, le fanterie sbarcarono su cinque spiagge."
- source_sentence: Quando è nato Luca?
  sentences:
  - Luca è nato nel 1990
  - Luca ha un fratello di nome Lorenzo e una sorella di nome Chiara
  - Luca lavora come sviluppatore
pipeline_tag: sentence-similarity
model-index:
- name: BGE base WikipediaQA-ita
  results:
  - task:
      type: information-retrieval
      name: Information Retrieval
    dataset:
      name: dim 768
      type: dim_768
    metrics:
    - type: cosine_accuracy@1
      value: 0.7534636553425698
      name: Cosine Accuracy@1
    - type: cosine_accuracy@3
      value: 0.8732207249952553
      name: Cosine Accuracy@3
    - type: cosine_accuracy@5
      value: 0.8883089770354906
      name: Cosine Accuracy@5
    - type: cosine_accuracy@10
      value: 0.9052002277472007
      name: Cosine Accuracy@10
    - type: cosine_precision@1
      value: 0.7534636553425698
      name: Cosine Precision@1
    - type: cosine_precision@3
      value: 0.2910735749984184
      name: Cosine Precision@3
    - type: cosine_precision@5
      value: 0.17766179540709814
      name: Cosine Precision@5
    - type: cosine_precision@10
      value: 0.09052002277472007
      name: Cosine Precision@10
    - type: cosine_recall@1
      value: 0.7534636553425698
      name: Cosine Recall@1
    - type: cosine_recall@3
      value: 0.8732207249952553
      name: Cosine Recall@3
    - type: cosine_recall@5
      value: 0.8883089770354906
      name: Cosine Recall@5
    - type: cosine_recall@10
      value: 0.9052002277472007
      name: Cosine Recall@10
    - type: cosine_ndcg@10
      value: 0.8384852729647283
      name: Cosine Ndcg@10
    - type: cosine_mrr@10
      value: 0.816234142799904
      name: Cosine Mrr@10
    - type: cosine_map@100
      value: 0.8179246209727115
      name: Cosine Map@100
  - task:
      type: information-retrieval
      name: Information Retrieval
    dataset:
      name: dim 512
      type: dim_512
    metrics:
    - type: cosine_accuracy@1
      value: 0.7517555513380147
      name: Cosine Accuracy@1
    - type: cosine_accuracy@3
      value: 0.8708483583222623
      name: Cosine Accuracy@3
    - type: cosine_accuracy@5
      value: 0.8864110836970962
      name: Cosine Accuracy@5
    - type: cosine_accuracy@10
      value: 0.9031125450749667
      name: Cosine Accuracy@10
    - type: cosine_precision@1
      value: 0.7517555513380147
      name: Cosine Precision@1
    - type: cosine_precision@3
      value: 0.29028278610742075
      name: Cosine Precision@3
    - type: cosine_precision@5
      value: 0.17728221673941924
      name: Cosine Precision@5
    - type: cosine_precision@10
      value: 0.09031125450749669
      name: Cosine Precision@10
    - type: cosine_recall@1
      value: 0.7517555513380147
      name: Cosine Recall@1
    - type: cosine_recall@3
      value: 0.8708483583222623
      name: Cosine Recall@3
    - type: cosine_recall@5
      value: 0.8864110836970962
      name: Cosine Recall@5
    - type: cosine_recall@10
      value: 0.9031125450749667
      name: Cosine Recall@10
    - type: cosine_ndcg@10
      value: 0.8364916692827067
      name: Cosine Ndcg@10
    - type: cosine_mrr@10
      value: 0.8142769402946844
      name: Cosine Mrr@10
    - type: cosine_map@100
      value: 0.8159454559810521
      name: Cosine Map@100
  - task:
      type: information-retrieval
      name: Information Retrieval
    dataset:
      name: dim 256
      type: dim_256
    metrics:
    - type: cosine_accuracy@1
      value: 0.7410324539760865
      name: Cosine Accuracy@1
    - type: cosine_accuracy@3
      value: 0.8637312583032833
      name: Cosine Accuracy@3
    - type: cosine_accuracy@5
      value: 0.878724615676599
      name: Cosine Accuracy@5
    - type: cosine_accuracy@10
      value: 0.8953311823875498
      name: Cosine Accuracy@10
    - type: cosine_precision@1
      value: 0.7410324539760865
      name: Cosine Precision@1
    - type: cosine_precision@3
      value: 0.2879104194344278
      name: Cosine Precision@3
    - type: cosine_precision@5
      value: 0.1757449231353198
      name: Cosine Precision@5
    - type: cosine_precision@10
      value: 0.089533118238755
      name: Cosine Precision@10
    - type: cosine_recall@1
      value: 0.7410324539760865
      name: Cosine Recall@1
    - type: cosine_recall@3
      value: 0.8637312583032833
      name: Cosine Recall@3
    - type: cosine_recall@5
      value: 0.878724615676599
      name: Cosine Recall@5
    - type: cosine_recall@10
      value: 0.8953311823875498
      name: Cosine Recall@10
    - type: cosine_ndcg@10
      value: 0.8275013364480452
      name: Cosine Ndcg@10
    - type: cosine_mrr@10
      value: 0.8048458790108056
      name: Cosine Mrr@10
    - type: cosine_map@100
      value: 0.8065838557898369
      name: Cosine Map@100
  - task:
      type: information-retrieval
      name: Information Retrieval
    dataset:
      name: dim 128
      type: dim_128
    metrics:
    - type: cosine_accuracy@1
      value: 0.7194913645853103
      name: Cosine Accuracy@1
    - type: cosine_accuracy@3
      value: 0.844942114253179
      name: Cosine Accuracy@3
    - type: cosine_accuracy@5
      value: 0.8621180489656481
      name: Cosine Accuracy@5
    - type: cosine_accuracy@10
      value: 0.8800531410134751
      name: Cosine Accuracy@10
    - type: cosine_precision@1
      value: 0.7194913645853103
      name: Cosine Precision@1
    - type: cosine_precision@3
      value: 0.28164737141772633
      name: Cosine Precision@3
    - type: cosine_precision@5
      value: 0.17242360979312965
      name: Cosine Precision@5
    - type: cosine_precision@10
      value: 0.08800531410134751
      name: Cosine Precision@10
    - type: cosine_recall@1
      value: 0.7194913645853103
      name: Cosine Recall@1
    - type: cosine_recall@3
      value: 0.844942114253179
      name: Cosine Recall@3
    - type: cosine_recall@5
      value: 0.8621180489656481
      name: Cosine Recall@5
    - type: cosine_recall@10
      value: 0.8800531410134751
      name: Cosine Recall@10
    - type: cosine_ndcg@10
      value: 0.8089255548002888
      name: Cosine Ndcg@10
    - type: cosine_mrr@10
      value: 0.7852223020542415
      name: Cosine Mrr@10
    - type: cosine_map@100
      value: 0.7872945920851742
      name: Cosine Map@100
  - task:
      type: information-retrieval
      name: Information Retrieval
    dataset:
      name: dim 64
      type: dim_64
    metrics:
    - type: cosine_accuracy@1
      value: 0.6789742360017088
      name: Cosine Accuracy@1
    - type: cosine_accuracy@3
      value: 0.811169140387136
      name: Cosine Accuracy@3
    - type: cosine_accuracy@5
      value: 0.8296035881283715
      name: Cosine Accuracy@5
    - type: cosine_accuracy@10
      value: 0.8477945467750865
      name: Cosine Accuracy@10
    - type: cosine_precision@1
      value: 0.6789742360017088
      name: Cosine Precision@1
    - type: cosine_precision@3
      value: 0.27038971346237867
      name: Cosine Precision@3
    - type: cosine_precision@5
      value: 0.16592071762567434
      name: Cosine Precision@5
    - type: cosine_precision@10
      value: 0.08477945467750865
      name: Cosine Precision@10
    - type: cosine_recall@1
      value: 0.6789742360017088
      name: Cosine Recall@1
    - type: cosine_recall@3
      value: 0.811169140387136
      name: Cosine Recall@3
    - type: cosine_recall@5
      value: 0.8296035881283715
      name: Cosine Recall@5
    - type: cosine_recall@10
      value: 0.8477945467750865
      name: Cosine Recall@10
    - type: cosine_ndcg@10
      value: 0.774416217728066
      name: Cosine Ndcg@10
    - type: cosine_mrr@10
      value: 0.7482063280040872
      name: Cosine Mrr@10
    - type: cosine_map@100
      value: 0.7505568607057078
      name: Cosine Map@100
datasets:
- ReDiX/wikipediaQA-ita
---

# BGE base WikipediaQA-ita

This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [BAAI/bge-base-en-v1.5](https://huggingface.co./BAAI/bge-base-en-v1.5). It maps sentences & paragraphs to a 768-dimensional dense vector space and can be used for semantic textual similarity, semantic search, paraphrase mining, text classification, clustering, and more.

## Model Details

### Model Description
- **Model Type:** Sentence Transformer
- **Base model:** [BAAI/bge-base-en-v1.5](https://huggingface.co./BAAI/bge-base-en-v1.5) <!-- at revision a5beb1e3e68b9ab74eb54cfd186867f64f240e1a -->
- **Maximum Sequence Length:** 512 tokens
- **Output Dimensionality:** 768 tokens
- **Similarity Function:** Cosine Similarity
<!-- - **Training Dataset:** Unknown -->
- **Language:** it
- **License:** apache-2.0


### Evaluation

| Dimension | Baseline | Fine-tuned | Improvement |
|:---------:|:--------:|:----------:|:-----------:|
| 768       | 0.7245   | 0.8385     | 15.75%      |
| 512       | 0.7028   | 0.8365     | 19.02%      |
| 256       | 0.6484   | 0.8275     | 27.60%      |
| 128       | 0.5337   | 0.8089     | 51.57%      |
| 64        | 0.3630   | 0.7697     | 112.00%     |

### 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': True}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': True, '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': 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 = [
    "Cos'è il volume?",
    'Cosa si intende per singolarità in fisica?',
    'Cosa fece durante il suo insegnamento?',
]
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

#### Information Retrieval
* Dataset: `dim_768`
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)

| Metric              | This Model   | Base Model   |
|:--------------------|:-------------|:-------------|
| cosine_accuracy@1   | 0.7534636553 | 0.6136838110 |
| cosine_accuracy@3   | 0.8732207250 | 0.7589675460 |
| cosine_accuracy@5   | 0.8883089770 | 0.7898083128 |
| cosine_accuracy@10  | 0.9052002277 | 0.8223571835 |
| cosine_precision@1  | 0.7534636553 | 0.6136838110 |
| cosine_precision@3  | 0.2910735750 | 0.2529891820 |
| cosine_precision@5  | 0.1776617954 | 0.1579616626 |
| cosine_precision@10 | 0.0905200228 | 0.0822357184 |
| cosine_recall@1     | 0.7534636553 | 0.6136838110 |
| cosine_recall@3     | 0.8732207250 | 0.7589675460 |
| cosine_recall@5     | 0.8883089770 | 0.7898083128 |
| cosine_recall@10    | 0.9052002277 | 0.8223571835 |
| cosine_ndcg@10      | 0.8384852730 | 0.7244706923 |
| cosine_mrr@10       | 0.8162341428 | 0.6924611082 |
| **cosine_map@100**  | **0.8179246210** | **0.6959149352** |

#### Information Retrieval
* Dataset: `dim_512`
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)

| Metric              | This Model   | Base Model   |
|:--------------------|:-------------|:-------------|
| cosine_accuracy@1   | 0.7517555513 | 0.5930916682 |
| cosine_accuracy@3   | 0.8708483583 | 0.7353387740 |
| cosine_accuracy@5   | 0.8864110837 | 0.7657050674 |
| cosine_accuracy@10  | 0.9031125451 | 0.8025241981 |
| cosine_precision@1  | 0.7517555513 | 0.5930916682 |
| cosine_precision@3  | 0.2902827861 | 0.2451129247 |
| cosine_precision@5  | 0.1772822167 | 0.1531410135 |
| cosine_precision@10 | 0.0903112545 | 0.0802524198 |
| cosine_recall@1     | 0.7517555513 | 0.5930916682 |
| cosine_recall@3     | 0.8708483583 | 0.7353387740 |
| cosine_recall@5     | 0.8864110837 | 0.7657050674 |
| cosine_recall@10    | 0.9031125451 | 0.8025241981 |
| cosine_ndcg@10      | 0.8364916693 | 0.7027860074 |
| cosine_mrr@10       | 0.8142769403 | 0.6703873661 |
| **cosine_map@100**  | **0.8159454560** | **0.6741256048** |

#### Information Retrieval
* Dataset: `dim_256`
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)

| Metric              | This Model   | Base Model   |
|:--------------------|:-------------|:-------------|
| cosine_accuracy@1   | 0.7410324540 | 0.5345416588 |
| cosine_accuracy@3   | 0.8637312583 | 0.6777377111 |
| cosine_accuracy@5   | 0.8787246157 | 0.7135130006 |
| cosine_accuracy@10  | 0.8953311824 | 0.7551717593 |
| cosine_precision@1  | 0.7410324540 | 0.5345416588 |
| cosine_precision@3  | 0.2879104194 | 0.2259125704 |
| cosine_precision@5  | 0.1757449231 | 0.1427026001 |
| cosine_precision@10 | 0.0895331182 | 0.0755171759 |
| cosine_recall@1     | 0.7410324540 | 0.5345416588 |
| cosine_recall@3     | 0.8637312583 | 0.6777377111 |
| cosine_recall@5     | 0.8787246157 | 0.7135130006 |
| cosine_recall@10    | 0.8953311824 | 0.7551717593 |
| cosine_ndcg@10      | 0.8275013364 | 0.6484387526 |
| cosine_mrr@10       | 0.8048458790 | 0.6139468424 |
| **cosine_map@100**  | **0.8065838558** | **0.6183180421** |

#### Information Retrieval
* Dataset: `dim_128`
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)

| Metric              | This Model   | Base Model   |
|:--------------------|:-------------|:-------------|
| cosine_accuracy@1   | 0.7194913646 | 0.4141203264 |
| cosine_accuracy@3   | 0.8449421143 | 0.5562725375 |
| cosine_accuracy@5   | 0.8621180490 | 0.5971721389 |
| cosine_accuracy@10  | 0.8800531410 | 0.6548680964 |
| cosine_precision@1  | 0.7194913646 | 0.4141203264 |
| cosine_precision@3  | 0.2816473714 | 0.1854241792 |
| cosine_precision@5  | 0.1724236098 | 0.1194344278 |
| cosine_precision@10 | 0.0880053141 | 0.0654868096 |
| cosine_recall@1     | 0.7194913646 | 0.4141203264 |
| cosine_recall@3     | 0.8449421143 | 0.5562725375 |
| cosine_recall@5     | 0.8621180490 | 0.5971721389 |
| cosine_recall@10    | 0.8800531410 | 0.6548680964 |
| cosine_ndcg@10      | 0.8089255548 | 0.5337452948 |
| cosine_mrr@10       | 0.7852223021 | 0.4951471545 |
| **cosine_map@100**  | **0.7872570794** | **0.5011613720** |

#### Information Retrieval
* Dataset: `dim_64`
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)

| Metric              | This Model   | Base Model   |
|:--------------------|:-------------|:-------------|
| cosine_accuracy@1   | 0.6734674511 | 0.2564053900 |
| cosine_accuracy@3   | 0.8043271968 | 0.3720819890 |
| cosine_accuracy@5   | 0.8261529702 | 0.4202884798 |
| cosine_accuracy@10  | 0.8500664263 | 0.4790282786 |
| cosine_precision@1  | 0.6734674511 | 0.2564053900 |
| cosine_precision@3  | 0.2681090656 | 0.1240273297 |
| cosine_precision@5  | 0.1652305940 | 0.0840576960 |
| cosine_precision@10 | 0.0850066426 | 0.0479028279 |
| cosine_recall@1     | 0.6734674511 | 0.2564053900 |
| cosine_recall@3     | 0.8043271968 | 0.3720819890 |
| cosine_recall@5     | 0.8261529702 | 0.4202884798 |
| cosine_recall@10    | 0.8500664263 | 0.4790282786 |
| cosine_ndcg@10      | 0.7672278878 | 0.3629672889 |
| cosine_mrr@10       | 0.7425634870 | 0.3263833534 |
| **cosine_map@100**  | **0.7445402342** | **0.3343989330** |

#### Information Retrieval
* Dataset: `sequential_score`
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)

| Metric              | This Model   | Base Model   |
|:--------------------|:-------------|:-------------|
| **sequential_score**  | **0.6734674511** | **0.2564053900** |


<!--
## 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: 94,833 training samples
* Columns: <code>positive</code> and <code>anchor</code>
* Approximate statistics based on the first 1000 samples:
  |         | positive                                                                             | anchor                                                                            |
  |:--------|:-------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|
  | type    | string                                                                               | string                                                                            |
  | details | <ul><li>min: 60 tokens</li><li>mean: 505.04 tokens</li><li>max: 512 tokens</li></ul> | <ul><li>min: 6 tokens</li><li>mean: 19.99 tokens</li><li>max: 72 tokens</li></ul> |
* Samples:
  | positive                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                           | anchor                                                                               |
  |:-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------|
  | <code>Cleopatra (nome)<br>. Varianti Ipocoristici: Clea, Cleo Maschili: Cleopatro Varianti in altre lingue Catalano: Cleòpatra, Cleopatra Ceco: Kleopatra Croato: Kleopatra Francese: Cléopâtre Ipocoristici: Cléa, Cléo Greco antico: Κλεοπάτρα (Kleopátra) Maschili: Κλεόπατρος (Kleópatros) Ipocoristici maschili: Κλωπᾶς (Klopâs), Κλεόπας (Kleópas) Inglese: Cleopatra Ipocoristici: Cleo Latino: Cleopatra Olandese: Cleopatra Polacco: Kleopatra Portoghese: Cleópatra Russo: Клеопатра (Kleopatra) Spagnolo: Cleopatra Tedesco: Kleopatra Ucraino: Клеопатра (Kleopatra) Origine e diffusione Deriva, tramite il latino Cleopatra, dal nome greco Κλεοπατρα (Kleopatra); si tratta di un composto di κλέος (kléos, "fama", "gloria") e πατρός (patrós), genitivo di πατήρ (patḗr, "padre"), quindi il significato complessivo può essere interpretato come "di padri gloriosi", "che ha gloria per la sua stirpe", "gloria del padre". Entrambi gli elementi sono comuni nell'onomastica greca: il primo è presente in Pericle, Empedocle, Temistocle, Tecla ed Ercole, il secondo in Antipatro, ed entrambi, disposti nell'ordine inverso, formano il nome Patroclo. Va però notato che alcune fonti riconducono il primo elemento a κλείς (kleís, "chiave"), quindi "chiave per la patria (terra dei padri)". Il nome era comune nell'antica Grecia ed è presente anche nella mitologia con alcune figure secondarie, fra cui Cleopatra, moglie di Fineo re dei Traci, ripudiata e imprigionata dal marito e poi liberata dagli Argonauti, e Cleopatra Alcione, figlia di Idas e moglie di Meleagro. Era inoltre tradizionale in varie dinastie reali macedoni ed elleniche, specie in quella tolemaica, nella quale le donne con questo nome sono numerosissime: tra queste va citata in particolare Cleopatra, l'ultima regina a governare l'Egitto, amante di Giulio Cesare e poi di Marco Antonio; la sua figura è presente in numerose opere artistiche, letterarie, musicali e cinematografiche, che l'hanno resa talmente famosa che l'associazione tra nome e regina è quasi automatica. Proprio a questa notorietà è dovuto l'utilizzo del nome in Italia, che è scarso ma non nullo: è attestato per un</code> | <code>Chi è stata l'ultima regina a governare l'Egitto con il nome Cleopatra?</code> |
  | <code>Caravino<br>Caravino (Caravin in piemontese) è un comune italiano di abitanti della città metropolitana di Torino in Piemonte. Geografia fisica Il paese è adagiato tra le colline del Canavese eporediese orientale, confinando a ovest con Strambino ed Ivrea, a est con Cossano Canavese e Settimo Rottaro, a sud con Vestignè e Borgomasino, a nord con Azeglio e Albiano d'Ivrea. Non è attraversato da nessun fiume; solo il piccolo Naviglio di Ivrea scorre 2 km verso ovest, mentre la Dora Baltea a circa 6 km più a ovest. Storia Sono stati ritrovati resti romani del III secolo. Il suo toponimo potrebbe derivare dal termine cavrinum, ovvero "caprino", indicando la locale pastorizia ovina; oppure da quadratum, essendo al centro geografico degli allora poteri tra le marche di Ivrea, Torino e la diocesi di Vercelli. Ultima ipotesi, da carra - vinum, un'antica unità di misura torinese per immagazzinare delle grandi quantità vino, corrispondente a 493,069 litri. Il toponimo comparve ufficialmente dall'XI secolo, come feudo eporediese dei conti Masino-Valperga, che si definirono sia discendenti diretti di Arduino, che fu a capo della tutta la Marca d'Ivrea, sia dei Conti di Pombia, già padroni di Borgomasino. Inoltre, fu proprio a partire dall'XI secolo che i benedettini portarono qui culto di San Giacomo, divenuto poi il patrono del paese, di cui si attesta anche la chiesetta in località Carpaneto, poi affrescata dal pittore Giacomino da Ivrea (del 1465), dipendente dalla Cella di Vestignè e dall'Abbazia di Fruttuaria di San Benigno Canavese. Il prestigio del borgo al di sotto del Castello seguì le stesse sorti di quest'ultimo, almeno fino alla prima metà del XIV secolo, allorquando i Valperga non riuscirono più a contrastare l'espansione del monferrino Facino Cane, che saccheggiò barbaramente il paese e altri comuni limitrofi nell'estate del 1397. A quest'ultimo succedettero i francesi del XV secolo</code>                                                                                                                                                                                                                         | <code>Il toponimo di Caravino potrebbe derivare da quale termine latino?</code>      |
  | <code>Peć<br>Peć ( o Peja; ; ) è una città del Kosovo occidentale. Nel 2011 la città aveva una popolazione di abitanti, mentre l'intera municipalità aveva una popolazione di abitanti. In epoca medioevale, nel 1346, fu sede del Patriarcato della Chiesa ortodossa serba. Secoli dopo, nel 1899 vi fu fondata dalla popolazione locale albanese la Lega di Peja. Il monastero patriarcale di Peć è patrimonio dell'umanità dell'UNESCO, incluso nei Monumenti medievali in Kosovo. Geografia fisica Peć sorge nell'estremità nord-occidentale della piana di Metochia, ad est del gruppo montuoso delle Prokletije e della gola di Rugova. La città è attraversata da ovest verso est dal torrente Bistrica, affluente di destra del Drin Bianco. È situata ad 85 km ad ovest di Pristina e a 250 km a nord di Tirana. Etimologia In serbo peć significa letteralmente forno. Nei documenti della Repubblica di Ragusa la città viene talvolta menzionata come Forno. Durante la dominazione ottomana la città era conosciuta come İpek (ايپك). Altre denominazioni storiche sono in latino Pescium e in greco Episkion (Επισκιον). Storia Tra il 1180 ed il 1190 il principe Stefano Nemanja liberò l'area di Peć dalla presenza bizantina, dando il via così al dominio serbo sulla regione. Suo figlio Stefano Nemanjić cedette la città e il contado al monastero di Žiča nel 1220. Peć passò così sotto il diretto controllo degli arcivescovi serbi, che costruirono le loro residenze e le loro chiese. Nel 1346 il re serbo Stefan Dusan fece di Peć il centro della chiesa ortodossa serba. Peć fu conquistata dagli Ottomani nel 1455 e ribattezzata İpek. Nel 1513 divenne capoluogo del sangiaccato omonimo a sua volta suddiviso in quattro kaza. Nel corso dei quattro secoli di dominazione ottomana affluirono nella città numerosi immigrati turchi che le conferirono un aspetto tipicamente levantino. Nel 1899, su iniziativa di Haxhi</code>                                                                                                                                                                                                                                                               | <code>In quale regione del Kosovo si trova la città di Peć?</code>                   |
* Loss: [<code>MatryoshkaLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#matryoshkaloss) with these parameters:
  ```json
  {
      "loss": "MultipleNegativesRankingLoss",
      "matryoshka_dims": [
          768,
          512,
          256,
          128,
          64
      ],
      "matryoshka_weights": [
          1,
          1,
          1,
          1,
          1
      ],
      "n_dims_per_step": -1
  }
  ```

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

- `eval_strategy`: epoch
- `per_device_train_batch_size`: 32
- `per_device_eval_batch_size`: 16
- `gradient_accumulation_steps`: 16
- `learning_rate`: 2e-05
- `num_train_epochs`: 4
- `lr_scheduler_type`: cosine
- `warmup_ratio`: 0.1
- `bf16`: True
- `tf32`: True
- `load_best_model_at_end`: True
- `optim`: adamw_torch_fused
- `batch_sampler`: no_duplicates

#### All Hyperparameters
<details><summary>Click to expand</summary>

- `overwrite_output_dir`: False
- `do_predict`: False
- `eval_strategy`: epoch
- `prediction_loss_only`: True
- `per_device_train_batch_size`: 32
- `per_device_eval_batch_size`: 16
- `per_gpu_train_batch_size`: None
- `per_gpu_eval_batch_size`: None
- `gradient_accumulation_steps`: 16
- `eval_accumulation_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`: 4
- `max_steps`: -1
- `lr_scheduler_type`: cosine
- `lr_scheduler_kwargs`: {}
- `warmup_ratio`: 0.1
- `warmup_steps`: 0
- `log_level`: passive
- `log_level_replica`: warning
- `log_on_each_node`: True
- `logging_nan_inf_filter`: True
- `save_safetensors`: True
- `save_on_each_node`: False
- `save_only_model`: False
- `restore_callback_states_from_checkpoint`: False
- `no_cuda`: False
- `use_cpu`: False
- `use_mps_device`: False
- `seed`: 42
- `data_seed`: None
- `jit_mode_eval`: False
- `use_ipex`: False
- `bf16`: 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}
- `deepspeed`: None
- `label_smoothing_factor`: 0.0
- `optim`: adamw_torch_fused
- `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
- `batch_sampler`: no_duplicates
- `multi_dataset_batch_sampler`: proportional

</details>


### Framework Versions
- Python: 3.10.12
- Sentence Transformers: 3.0.0
- Transformers: 4.41.2
- PyTorch: 2.3.0+cu121
- Accelerate: 0.30.1
- Datasets: 2.19.2
- 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",
}
```

#### 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.*
-->