Add new SentenceTransformer model

817b311 verified about 1 month ago

61.6 kB

	---
	base_model: anhtuansh/gte-multilingual-base-Matryoshka-2e-9k
	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
	pipeline_tag: sentence-similarity
	tags:
	- sentence-transformers
	- sentence-similarity
	- feature-extraction
	- generated_from_trainer
	- dataset_size:8259
	- loss:MatryoshkaLoss
	- loss:MultipleNegativesRankingLoss
	widget:
	- source_sentence: 'theo quy_định tại điều 35 nghị_định số 201 / 2013 / nđ - cp thì
	thời_hạn giải_quyết thủ_tục hành_chính về cấp giấy_phép thăm_dò , khai_thác nước
	dưới đất như sau : 1 . tiếp_nhận và kiểm_tra hồ_sơ : trong thời_hạn mười ( 10
	) ngày làm_việc , kể từ ngày nhận hồ_sơ , cơ_quan tiếp_nhận hồ_sơ có trách_nhiệm
	xem_xét , kiểm_tra hồ_sơ . trường_hợp hồ_sơ không hợp_lệ , cơ_quan tiếp_nhận hồ_sơ
	thông_báo cho tổ_chức , cá_nhân đề_nghị cấp phép để bổ_sung , hoàn_thiện hồ_sơ
	theo quy_định . trường_hợp hồ_sơ sau khi đã bổ_sung mà vẫn không đáp_ứng yêu_cầu
	theo quy_định thì cơ_quan tiếp_nhận hồ_sơ trả lại hồ_sơ và thông_báo rõ lý_do
	cho tổ_chức , cá_nhân đề_nghị cấp phép . 2 . thẩm_định_đề_án , báo_cáo thăm_dò
	, khai_thác , sử_dụng tài_nguyên nước , xả nước_thải vào nguồn nước trong hồ_sơ
	đề_nghị cấp phép ( sau đây gọi chung là đề_án , báo_cáo ) : a ) trong thời_hạn
	ba_mươi ( 30 ) ngày làm_việc , kể từ ngày nhận đủ hồ_sơ hợp_lệ theo quy_định tại
	khoản 1 điều này , cơ_quan tiếp_nhận hồ_sơ có trách_nhiệm thẩm_định_đề_án , báo_cáo
	; nếu cần_thiết thì kiểm_tra thực_tế hiện_trường , lập hội_đồng thẩm_định_đề_án
	, báo_cáo . trường_hợp đủ điều_kiện cấp phép , cơ_quan tiếp_nhận hồ_sơ trình cơ_quan
	có thẩm_quyền cấp giấy_phép ; trường_hợp không đủ điều_kiện để cấp phép thì trả
	lại hồ_sơ cho tổ_chức , cá_nhân đề_nghị cấp phép và thông_báo lý_do không cấp
	phép ; b ) trường_hợp phải bổ_sung , chỉnh_sửa để hoàn_thiện đề_án , báo_cáo thì
	cơ_quan tiếp_nhận hồ_sơ gửi văn_bản thông_báo cho tổ_chức , cá_nhân đề_nghị cấp
	phép nêu rõ những nội_dung cần bổ_sung , hoàn_thiện đề_án , báo_cáo . thời_gian
	bổ_sung , hoàn_thiện hoặc lập lại đề_án , báo_cáo không tính vào thời_gian thẩm_định_đề_án
	, báo_cáo . thời_gian thẩm_định sau khi đề_án , báo_cáo được bổ_sung hoàn_chỉnh
	là hai mươi ( 20 ) ngày làm_việc ; c ) trường_hợp phải lập lại đề_án , báo_cáo
	, cơ_quan tiếp_nhận hồ_sơ gửi văn_bản thông_báo cho tổ_chức , cá_nhân đề_nghị
	cấp phép nêu rõ những nội_dung đề_án , báo_cáo chưa đạt yêu_cầu , phải làm lại
	và trả lại hồ_sơ đề_nghị cấp phép . 3 . trả kết_quả giải_quyết hồ_sơ_cấp phéptrong
	thời_hạn năm ( 05 ) ngày làm_việc , kể từ ngày nhận được giấy_phép của cơ_quan
	có thẩm_quyền , cơ_quan tiếp_nhận hồ_sơ thông_báo cho tổ_chức , cá_nhân đề_nghị
	cấp phép để thực_hiện nghĩa_vụ tài_chính và nhận giấy_phép .'
	sentences:
	- ai có thẩm_quyền giải_quyết tố_cáo hành_vi vi_phạm_pháp_luật trong thực_hiện nhiệm_vụ
	, công_vụ của cán_bộ , công_chức , viên_chức ?
	- thời_hạn giải_quyết thủ_tục hành_chính về cấp giấy_phép thăm_dò , giấy_phép khai_thác
	nước dưới đất ?
	- tôi có_thể đăng_ký ngành , nghề kinh_doanh không có trong hệ_thống ngành kinh_tế
	việt_nam không ?
	- source_sentence: khoản 2 điều 2 thông_tư 30 quy_định , đoàn khám bệnh , chữa bệnh_nhân_đạo
	là một nhóm nhân_viên y_tế trong nước , nước_ngoài do cá_nhân , tổ_chức trong
	nước , nước_ngoài tổ_chức để khám bệnh , chữa bệnh_nhân_đạo cho nhân_dân .
	sentences:
	- tàu_thủy lưu_trú du_lịch có tiêu_chí xếp_hạng bắt_buộc không ?
	- tôi muốn xin cấp lại sổ thuyền_viên thì cần những hồ_sơ gì ?
	- đoàn khám bệnh , chữa bệnh_nhân_đạo là gì ?
	- source_sentence: 'thành_phần hồ_sơ thực_hiện tthc sửa_đổi , bổ_sung / cấp lại giấy
	chứng_nhận lưu_hành tự_do ( cfs ) đối_với hàng_hóa xuất_khẩu thuộc phạm_vi quản_lý
	của bộ nông_nghiệp và phát_triển nông_thôn ( quy_định tại quyết_định số 1312 /
	qđ - bnn - qlcl ngày 22 / 4 / 2019 về việc công_bố thủ_tục hành_chính được thay_thế
	, tthc bị bãi_bỏ lĩnh_vực quản_lý chất_lượng nông_lâm_sản và thủy_sản thuộc phạm_vi
	chức_năng quản_lý của bộ nông_nghiệp và phát_triển nông_thôn ) : - văn_bản đề_nghị
	sửa_đổi , bổ_sung / cấp lại cfs của thương_nhân : 01 bản_chính . - các giấy_tờ
	liên_quan đến việc sửa_đổi , bổ_sung / cấp lại cfs.'
	sentences:
	- kính gửi cục quản_lý chất_lượng nông_lâm_sản và thuỷ_sản , công_ty tôi đã được
	quý cục cấp giấy chứng_nhận lưu_hành tự_do cfs , nay tôi muốn sửa_đổi một_số thông_tin
	trên giấy cfs , vậy hồ_sơ đề_nghị sửa_đổi cần những gì ?
	- thời_gian để được cấp quyết_định chỉ_định tổ_chức đánh_giá sự phù_hợp lĩnh_vực
	sản_phẩm , hàng_hóa_vật_liệu xây_dựng đối_với trường_hợp thay_đổi , bổ_sung phạm_vi
	, lĩnh_vực được chỉ_định
	- hồ_sơ đăng_ký dự_tuyển lao_động của người lao_động gồm những gì ?
	- source_sentence: 'hồ_sơ đề_nghị gia_hạn giấy_phép cung_cấp dịch_vụ trò_chơi điện_tử
	g1 trên mạng bao_gồm : - đơn đề_nghị gia_hạn giấy_phép bao_gồm : tên , địa_chỉ
	của doanh_nghiệp ; số , nơi cấp , ngày cấp giấy chứng_nhận đăng_ký doanh_nghiệp
	; số , ngày cấp , ngày hiệu_lực của giấy_phép đã được cấp ; lý_do đề_nghị gia_hạn
	giấy_phép ; cam_kết của doanh_nghiệp về các nội_dung kê_khai trong đơn đề_nghị
	.'
	sentences:
	- thành_phần hồ_sơ
	- nhà đầu_tư phải nộp bao_nhiêu bộ hồ_sơ đề_nghị thủ_tướng chính_phủ cho phép đầu_tư
	gián_tiếp ra nước_ngoài đối_với các trường_hợp đầu_tư khác quy_định tại điều 9
	nghị_định 135 / 2015 / nđ - cp ?
	- phần vốn của thành_viên chưa góp vốn trong thời_hạn 90 ngày , kể từ ngày được
	cấp giấy chứng_nhận đăng_ký doanh_nghiệp trong công_ty tnhh hai thành_viên trở
	lên được xử_lý như thế_nào ? trường_hợp có người nhận mua lại phần vốn chưa góp
	này thì công_ty có phải đăng_ký thay_đổi thành_viên với cơ_quan đăng_ký kinh_doanh
	không ? hồ_sơ , thủ_tục được quy_định như thế_nào ?
	- source_sentence: quản_lý nhập_khẩu hàng_hóa bị điều_tra , phục_vụ công_tác điều_tra
	, áp_dụng biện_pháp phòng_vệ thương_mại .
	sentences:
	- mục_đích của thủ_tục khai_báo là gì ?
	- đơn_vị chúng_tôi đã được cấp chứng_chỉ năng_lực hoạt_động xây_dựng nhưng hiện_nay
	chúng_tôi thay_đổi người đại_diện pháp_luật của đơn_vị . vậy chúng_tôi có phải
	làm thủ_tục nào để thay_đổi người đại_diện theo pháp_luật của chúng_tôi trên chứng_chỉ
	?
	- trường_hợp nào thì được cấp lại giấy xác_nhận đăng_ký công_cụ hỗ_trợ , thủ_tục
	cấp lại giấy xác_nhận đăng_ký công_cụ hỗ_trợ như thế_nào ?
	model-index:
	- name: SentenceTransformer based on anhtuansh/gte-multilingual-base-Matryoshka-2e-9k
	results:
	- task:
	type: information-retrieval
	name: Information Retrieval
	dataset:
	name: dim 768
	type: dim_768
	metrics:
	- type: cosine_accuracy@1
	value: 0.5751633986928104
	name: Cosine Accuracy@1
	- type: cosine_accuracy@3
	value: 0.7418300653594772
	name: Cosine Accuracy@3
	- type: cosine_accuracy@5
	value: 0.7973856209150327
	name: Cosine Accuracy@5
	- type: cosine_accuracy@10
	value: 0.8485838779956427
	name: Cosine Accuracy@10
	- type: cosine_precision@1
	value: 0.5751633986928104
	name: Cosine Precision@1
	- type: cosine_precision@3
	value: 0.24727668845315903
	name: Cosine Precision@3
	- type: cosine_precision@5
	value: 0.15947712418300652
	name: Cosine Precision@5
	- type: cosine_precision@10
	value: 0.08485838779956426
	name: Cosine Precision@10
	- type: cosine_recall@1
	value: 0.5751633986928104
	name: Cosine Recall@1
	- type: cosine_recall@3
	value: 0.7418300653594772
	name: Cosine Recall@3
	- type: cosine_recall@5
	value: 0.7973856209150327
	name: Cosine Recall@5
	- type: cosine_recall@10
	value: 0.8485838779956427
	name: Cosine Recall@10
	- type: cosine_ndcg@10
	value: 0.714016004931915
	name: Cosine Ndcg@10
	- type: cosine_mrr@10
	value: 0.6707040841027772
	name: Cosine Mrr@10
	- type: cosine_map@100
	value: 0.6750011895396428
	name: Cosine Map@100
	- task:
	type: information-retrieval
	name: Information Retrieval
	dataset:
	name: dim 512
	type: dim_512
	metrics:
	- type: cosine_accuracy@1
	value: 0.5631808278867102
	name: Cosine Accuracy@1
	- type: cosine_accuracy@3
	value: 0.7374727668845316
	name: Cosine Accuracy@3
	- type: cosine_accuracy@5
	value: 0.7941176470588235
	name: Cosine Accuracy@5
	- type: cosine_accuracy@10
	value: 0.8442265795206971
	name: Cosine Accuracy@10
	- type: cosine_precision@1
	value: 0.5631808278867102
	name: Cosine Precision@1
	- type: cosine_precision@3
	value: 0.2458242556281772
	name: Cosine Precision@3
	- type: cosine_precision@5
	value: 0.15882352941176472
	name: Cosine Precision@5
	- type: cosine_precision@10
	value: 0.08442265795206971
	name: Cosine Precision@10
	- type: cosine_recall@1
	value: 0.5631808278867102
	name: Cosine Recall@1
	- type: cosine_recall@3
	value: 0.7374727668845316
	name: Cosine Recall@3
	- type: cosine_recall@5
	value: 0.7941176470588235
	name: Cosine Recall@5
	- type: cosine_recall@10
	value: 0.8442265795206971
	name: Cosine Recall@10
	- type: cosine_ndcg@10
	value: 0.707584371180401
	name: Cosine Ndcg@10
	- type: cosine_mrr@10
	value: 0.6633260711692085
	name: Cosine Mrr@10
	- type: cosine_map@100
	value: 0.6677957719888461
	name: Cosine Map@100
	---

	# SentenceTransformer based on anhtuansh/gte-multilingual-base-Matryoshka-2e-9k

	This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [anhtuansh/gte-multilingual-base-Matryoshka-2e-9k](https://huggingface.co./anhtuansh/gte-multilingual-base-Matryoshka-2e-9k) on the json dataset. 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: [anhtuansh/gte-multilingual-base-Matryoshka-2e-9k](https://huggingface.co./anhtuansh/gte-multilingual-base-Matryoshka-2e-9k) <!-- at revision dadde70f1f730bd4c7ab21ba16100ffbc0ffd9c3 -->
	- Maximum Sequence Length: 8192 tokens
	- Output Dimensionality: 768 dimensions
	- Similarity Function: Cosine Similarity
	- Training Dataset:
	- json
	<!-- - 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': 8192, 'do_lower_case': False}) with Transformer model: NewModel
	(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("anhtuansh/gte-multilingual-base-Matryoshka-3e-9k")
	# Run inference
	sentences = [
	'quản_lý nhập_khẩu hàng_hóa bị điều_tra , phục_vụ công_tác điều_tra , áp_dụng biện_pháp phòng_vệ thương_mại .',
	'mục_đích của thủ_tục khai_báo là gì ?',
	'đơn_vị chúng_tôi đã được cấp chứng_chỉ năng_lực hoạt_động xây_dựng nhưng hiện_nay chúng_tôi thay_đổi người đại_diện pháp_luật của đơn_vị . vậy chúng_tôi có phải làm thủ_tục nào để thay_đổi người đại_diện theo pháp_luật của chúng_tôi trên chứng_chỉ ?',
	]
	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

	* Datasets: `dim_768` and `dim_512`
	* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)

	\| Metric \| dim_768 \| dim_512 \|
	\|:--------------------\|:----------\|:-----------\|
	\| cosine_accuracy@1 \| 0.5752 \| 0.5632 \|
	\| cosine_accuracy@3 \| 0.7418 \| 0.7375 \|
	\| cosine_accuracy@5 \| 0.7974 \| 0.7941 \|
	\| cosine_accuracy@10 \| 0.8486 \| 0.8442 \|
	\| cosine_precision@1 \| 0.5752 \| 0.5632 \|
	\| cosine_precision@3 \| 0.2473 \| 0.2458 \|
	\| cosine_precision@5 \| 0.1595 \| 0.1588 \|
	\| cosine_precision@10 \| 0.0849 \| 0.0844 \|
	\| cosine_recall@1 \| 0.5752 \| 0.5632 \|
	\| cosine_recall@3 \| 0.7418 \| 0.7375 \|
	\| cosine_recall@5 \| 0.7974 \| 0.7941 \|
	\| cosine_recall@10 \| 0.8486 \| 0.8442 \|
	\| cosine_ndcg@10 \| 0.714 \| 0.7076 \|
	\| cosine_mrr@10 \| 0.6707 \| 0.6633 \|
	\| cosine_map@100 \| 0.675 \| 0.6678 \|

	<!--
	## 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

	#### json

	* Dataset: json
	* Size: 8,259 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: 5 tokens</li><li>mean: 303.9 tokens</li><li>max: 3209 tokens</li></ul> \| <ul><li>min: 7 tokens</li><li>mean: 56.17 tokens</li><li>max: 578 tokens</li></ul> \|
	* Samples:
	\| positive \| anchor \|
	\|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------\|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------\|
	\| <code>điểm a , mục 2 phần ii thông_tư số 04 / 1999 / tt - bca ( c13 ) ngày 29 / 4 / 1999 của bộ công_an hướng_dẫn một_số quy_định của nghị_định số 05 / 1999 / nđ - cp ngày 03 / 01 / 1999 của chính_phủ về chứng_minh nhân_dân quy_định các trường_hợp phải đổi cmnd như sau : - quá thời_hạn sử_dụng 15 năm kể từ ngày cấp ; - cmnd rách , nát , không rõ ảnh hoặc một trong các thông_tin đã ghi trên cmnd ; - thay_đổi họ , tên , chữ đệm , ngày , tháng , năm sinh . những thay_đổi này phải có quyết_định của cơ_quan có thẩm_quyền ; - những người đã được cấp giấy cmnd nhưng chuyển nơi đăng_ký hộ_khẩu thường_trú ngoài phạm_vi tỉnh , thành_phố trực_thuộc trung_ương . trường_hợp chuyển nơi thường_trú trong phạm_vi tỉnh , thành_phố mà công_dân có yêu_cầu thì được đổi lại cmnd ; - thay_đổi đặc_điểm nhận_dạng là những trường_hợp đã qua phẫu_thuật thẩm_mỹ , chỉnh_hình hoặc vì lý_do khác đã làm thay_đổi hình_ảnh hoặc đặc_điểm nhận_dạng của họ .</code> \| <code>công_dân phải làm thủ_tục đổi chứng_minh nhân_dân khi nào ?</code> \|
	\| <code>việc thực_hiện thủ_tục tặng cờ thi_đua cấp bộ , ban , ngành , đoàn_thể trung_ương , tỉnh , thành_phố trực_thuộc trung_ương theo đợt hoặc chuyên_đề được tiến_hành như sau : <br> bước 1 . vụ , phòng , ban thi_đua – khen_thưởng các bộ , ngành , đoàn_thể trung_ương , tỉnh , thành_phố trực_thuộc trung_ương tiếp_nhận đề_nghị khen_thưởng của các đơn_vị thực thuộc . <br> bước 2 . thẩm_định hồ_sơ , xin ý_kiến các cơ_quan liên_quan , báo_cáo hội_đồng thi_đua khen_thưởng cùng cấp , tổng_hợp trình bộ_trưởng , thủ_trưởng đơn_vị , chủ_tịch ubnd tỉnh , thành_phố quyết_định khen_thưởng . <br> bước 3 . khi có quyết_định của bộ_trưởng , thủ_trưởng đơn_vị , chủ_tịch ubnd tỉnh , thành_phố trực_thuộc trung_ương ; vụ , phòng , ban thi_đua – khen_thưởng các bộ , ngành , đoàn_thể trung_ương , tỉnh , thành_phố trực_thuộc trung_ương thông_báo quyết_định , viết bằng , đóng_dấu và cấp_phát cho đơn_vị trình khen . <br> bước 4 . các trường_hợp không được khen_thưởng ( không đúng đối_tượng , không đủ tiêu_chuẩn , không đủ hồ_sơ...</code> \| <code>đề_nghị cho biết trình_tự thực_hiện thủ_tục tặng cờ thi_đua cấp bộ , ban , ngành , đoàn_thể trung_ương , tỉnh , thành_phố trực_thuộc trung_ương theo đợt hoặc chuyên_đề</code> \|
	\| <code>thời_gian phục_vụ tại_ngũ của hạ_sĩ_quan binh_sĩ được quy_định tại điều 21 luật nvqs năm 2015 , cụ_thể như sau : “ điều 21 . thời_hạn phục_vụ tại_ngũ của hạ_sĩ_quan , binh sĩ1 . thời_hạn phục_vụ tại_ngũ trong thời_bình của hạ_sĩ_quan , binh_sĩ là 24 tháng . 2 . bộ_trưởng bộ quốc_phòng được quyết_định kéo_dài thời_hạn phục_vụ tại_ngũ của hạ_sĩ_quan , binh_sĩ nhưng không quá 06 tháng trong trường_hợp sau đây : a ) để bảo_đảm_nhiệm_vụ sẵn_sàng chiến_đấu ; b ) đang thực_hiện nhiệm_vụ phòng , chống thiên_tai , dịch_bệnh , cứu_hộ , cứu nạn . 3 . thời_hạn phục_vụ của hạ_sĩ_quan , binh_sĩ trong tình_trạng chiến_tranh hoặc tình_trạng khẩn_cấp về quốc_phòng được thực_hiện theo lệnh tổng_động_viên hoặc động_viên cục_bộ . ”</code> \| <code>quy_định thời_gian phục_vụ tại_ngũ của hạ_sĩ_quan binh_sĩ như thế_nào ?</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
	],
	"matryoshka_weights": [
	1,
	1
	],
	"n_dims_per_step": -1
	}
	```

	### Evaluation Dataset

	#### json

	* Dataset: json
	* Size: 918 evaluation samples
	* Columns: <code>positive</code> and <code>anchor</code>
	* Approximate statistics based on the first 918 samples:
	\| \| positive \| anchor \|
	\|:--------\|:-------------------------------------------------------------------------------------\|:------------------------------------------------------------------------------------\|
	\| type \| string \| string \|
	\| details \| <ul><li>min: 5 tokens</li><li>mean: 307.44 tokens</li><li>max: 3463 tokens</li></ul> \| <ul><li>min: 11 tokens</li><li>mean: 55.94 tokens</li><li>max: 383 tokens</li></ul> \|
	* Samples:
	\| positive \| anchor \|
	\|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------\|:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------\|
	\| <code>theo quy_định tại khoản 9 điều 1 nghị_định số 161 / 2018 / nđ - cpngày 29 / 11 / 2018 của chính_phủ sửa_đổi , bổ_sung một_số quy_định về tuyển_dụng công_chức , viên_chức , nâng ngạch công_chức , thăng_hạng viên_chức và thực_hiện chế_độ hợp_đồng một_số loại công_việc trong cơ_quan hành_chính nhà_nước , đơn_vị sự_nghiệp công_lập thì đối_tượng và điểm ưu_tiên trong thi_tuyển hoặc xét tuyển công_chức : <br> + anh_hùng lực_lượng vũ_trang , anh_hùng lao_động , thương_binh , người hưởng chính_sách như thương_binh , thương_binh loại b : được cộng 7,5 điểm vào kết_quả điểm thi tại vòng 2 ; <br> + người dân_tộc_thiểu_số , sĩ_quan quân_đội , sĩ_quan công_an , quân_nhân chuyên_nghiệp , người làm công_tác cơ_yếu chuyển ngành , con liệt_sĩ , con thương_binh , con bệnh_binh , con của người hưởng chính_sách như thương_binh , con của thương_binh loại b , con của người hoạt_động cách_mạng trước tổng_khởi_nghĩa ( từ ngày 19 / 8 / 1945 trở về trước ) , con_đẻ của người hoạt_động kháng_chiến bị nhiễm chất_độc_hó...</code> \| <code>đề_nghị cho tôi được biết đối_tượng được hưởng ưu_tiên trong tuyển_dụng công_chức ?</code> \|
	\| <code>1 . khi phát_hiện tổ_chức , cá_nhân kê_khai hồ_sơ , thông_báo không_trung_thực hoặc vi_phạm_quy_định tại điều 8 nghị_định số 23 / 2019 / nđ - cp , cơ_quan tiếp_nhận thông_báo yêu_cầu tạm dừng hoạt_động triển_lãm bằng văn_bản ( mẫu_số 03 tại phụ_lục ban_hành kèm theo nghị_định số 23 / 2019 / nđ - cp ) . 2 . tổ_chức , cá_nhân phải dừng hoạt_động triển_lãm ngay khi nhận được văn_bản của cơ_quan có thẩm_quyền ; kịp_thời_khắc_phục hậu_quả , đề_xuất phương_án tiếp_tục tổ_chức triển_lãm gửi cơ_quan có thẩm_quyền xem_xét , quyết_định . 3 . kết_quả xem_xét , quyết_định của cơ_quan có thẩm_quyền phải được thể_hiện bằng văn_bản và gửi cho tổ_chức , cá_nhân biết để thực_hiện . thời_hạn gửi văn_bản cho tổ_chức , cá_nhân là 03 ngày , kể từ ngày cơ_quan có thẩm_quyền nhận được văn_bản đề_xuất phương_án tiếp_tục tổ_chức triển_lãm của tổ_chức , cá_nhân .</code> \| <code>những lý_do nào khiến hoạt_động triển_lãm bị tạm dừng ?</code> \|
	\| <code>theo quy_định tại khoản 1 điều 33 luật quản_lý , sử_dụng vũ_khí , vật_liệu nổ và công_cụ hỗ_trợ và điểm a khoản 4 điều 3 thông_tư số 16 / 2018 / tt - bca ngày 15 / 5 / 2018 của bộ công_an quy_định chi_tiết thi_hành một_số điều của luật quản_lý , sử_dụng vũ_khí , vật_liệu nổ và công_cụ hỗ_trợ thì thủ_tục đề_nghị cấp giấy_phép vận_chuyển vũ_khí quân_dụng đối_với cơ_quan , tổ_chức ở trung_ương không thuộc phạm_vi quản_lý của bộ quốc_phòng được thực_hiện như sau : a ) hồ_sơ đề_nghị bao_gồm : văn_bản đề_nghị nêu rõ số_lượng , chủng_loại , nguồn_gốc xuất_xứ của vũ_khí cần vận_chuyển ; nơi đi , nơi đến , thời_gian và tuyến đường vận_chuyển ; họ và tên , địa_chỉ của người chịu trách_nhiệm vận_chuyển , người điều_khiển phương_tiện ; biển kiểm_soát của phương_tiện ; giấy giới_thiệu kèm theo bản_sao thẻ căn_cước công_dân , chứng_minh nhân_dân , hộ_chiếu hoặc chứng_minh công_an nhân_dân của người đến liên_hệ ; b ) hồ_sơ lập thành 01 bộ và nộp tại cục cảnh_sát qlhc về ttxh ; c ) trong thời_hạn 05 n...</code> \| <code>thủ_tục cấp giấy_phép vận_chuyển vũ_khí quân_dụng đối_với cơ_quan , tổ_chức ở trung_ương không thuộc phạm_vi quản_lý của bộ quốc_phòng thực_hiện như thế_nào ?</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
	],
	"matryoshka_weights": [
	1,
	1
	],
	"n_dims_per_step": -1
	}
	```

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

	- `eval_strategy`: epoch
	- `per_device_train_batch_size`: 2
	- `per_device_eval_batch_size`: 2
	- `gradient_accumulation_steps`: 2
	- `learning_rate`: 2e-05
	- `num_train_epochs`: 1
	- `lr_scheduler_type`: cosine
	- `warmup_ratio`: 0.1
	- `fp16`: True
	- `tf32`: False
	- `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`: 2
	- `per_device_eval_batch_size`: 2
	- `per_gpu_train_batch_size`: None
	- `per_gpu_eval_batch_size`: None
	- `gradient_accumulation_steps`: 2
	- `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`: 1
	- `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`: False
	- `fp16`: True
	- `fp16_opt_level`: O1
	- `half_precision_backend`: auto
	- `bf16_full_eval`: False
	- `fp16_full_eval`: False
	- `tf32`: False
	- `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
	- `prompts`: None
	- `batch_sampler`: no_duplicates
	- `multi_dataset_batch_sampler`: proportional

	</details>

	### Training Logs
	<details><summary>Click to expand</summary>

	\| Epoch \| Step \| Training Loss \| Validation Loss \| dim_768_cosine_ndcg@10 \| dim_512_cosine_ndcg@10 \|
	\|:-------:\|:--------:\|:-------------:\|:---------------:\|:----------------------:\|:----------------------:\|
	\| 0 \| 0 \| - \| - \| 0.7244 \| 0.7211 \|
	\| 0.0048 \| 10 \| 0.0012 \| - \| - \| - \|
	\| 0.0097 \| 20 \| 0.0016 \| - \| - \| - \|
	\| 0.0145 \| 30 \| 0.0005 \| - \| - \| - \|
	\| 0.0194 \| 40 \| 0.0002 \| - \| - \| - \|
	\| 0.0242 \| 50 \| 0.001 \| - \| - \| - \|
	\| 0.0291 \| 60 \| 0.0003 \| - \| - \| - \|
	\| 0.0339 \| 70 \| 0.0973 \| - \| - \| - \|
	\| 0.0387 \| 80 \| 0.0003 \| - \| - \| - \|
	\| 0.0436 \| 90 \| 0.0002 \| - \| - \| - \|
	\| 0.0484 \| 100 \| 0.0001 \| - \| - \| - \|
	\| 0.0533 \| 110 \| 0.0001 \| - \| - \| - \|
	\| 0.0581 \| 120 \| 0.0008 \| - \| - \| - \|
	\| 0.0630 \| 130 \| 0.2459 \| - \| - \| - \|
	\| 0.0678 \| 140 \| 0.0003 \| - \| - \| - \|
	\| 0.0726 \| 150 \| 0.0002 \| - \| - \| - \|
	\| 0.0775 \| 160 \| 0.0022 \| - \| - \| - \|
	\| 0.0823 \| 170 \| 0.0002 \| - \| - \| - \|
	\| 0.0872 \| 180 \| 0.0003 \| - \| - \| - \|
	\| 0.0920 \| 190 \| 0.0022 \| - \| - \| - \|
	\| 0.0969 \| 200 \| 0.0003 \| - \| - \| - \|
	\| 0.1017 \| 210 \| 0.0111 \| - \| - \| - \|
	\| 0.1065 \| 220 \| 0.0008 \| - \| - \| - \|
	\| 0.1114 \| 230 \| 0.0002 \| - \| - \| - \|
	\| 0.1162 \| 240 \| 0.0014 \| - \| - \| - \|
	\| 0.1211 \| 250 \| 0.0007 \| - \| - \| - \|
	\| 0.1259 \| 260 \| 0.0004 \| - \| - \| - \|
	\| 0.1308 \| 270 \| 0.0007 \| - \| - \| - \|
	\| 0.1356 \| 280 \| 0.0005 \| - \| - \| - \|
	\| 0.1404 \| 290 \| 0.0006 \| - \| - \| - \|
	\| 0.1453 \| 300 \| 0.0003 \| - \| - \| - \|
	\| 0.1501 \| 310 \| 0.0001 \| - \| - \| - \|
	\| 0.1550 \| 320 \| 0.0004 \| - \| - \| - \|
	\| 0.1598 \| 330 \| 0.0008 \| - \| - \| - \|
	\| 0.1646 \| 340 \| 0.0088 \| - \| - \| - \|
	\| 0.1695 \| 350 \| 0.0002 \| - \| - \| - \|
	\| 0.1743 \| 360 \| 0.0032 \| - \| - \| - \|
	\| 0.1792 \| 370 \| 0.0004 \| - \| - \| - \|
	\| 0.1840 \| 380 \| 0.0002 \| - \| - \| - \|
	\| 0.1889 \| 390 \| 0.0007 \| - \| - \| - \|
	\| 0.1937 \| 400 \| 0.0123 \| - \| - \| - \|
	\| 0.1985 \| 410 \| 0.0007 \| - \| - \| - \|
	\| 0.2034 \| 420 \| 0.0003 \| - \| - \| - \|
	\| 0.2082 \| 430 \| 0.0003 \| - \| - \| - \|
	\| 0.2131 \| 440 \| 0.0004 \| - \| - \| - \|
	\| 0.2179 \| 450 \| 0.0004 \| - \| - \| - \|
	\| 0.2228 \| 460 \| 0.0018 \| - \| - \| - \|
	\| 0.2276 \| 470 \| 0.0004 \| - \| - \| - \|
	\| 0.2324 \| 480 \| 0.0001 \| - \| - \| - \|
	\| 0.2373 \| 490 \| 0.0 \| - \| - \| - \|
	\| 0.2421 \| 500 \| 0.0002 \| - \| - \| - \|
	\| 0.2470 \| 510 \| 0.0004 \| - \| - \| - \|
	\| 0.2518 \| 520 \| 0.0005 \| - \| - \| - \|
	\| 0.2567 \| 530 \| 0.0009 \| - \| - \| - \|
	\| 0.2615 \| 540 \| 0.0002 \| - \| - \| - \|
	\| 0.2663 \| 550 \| 0.0001 \| - \| - \| - \|
	\| 0.2712 \| 560 \| 0.0004 \| - \| - \| - \|
	\| 0.2760 \| 570 \| 0.0005 \| - \| - \| - \|
	\| 0.2809 \| 580 \| 0.001 \| - \| - \| - \|
	\| 0.2857 \| 590 \| 0.0001 \| - \| - \| - \|
	\| 0.2906 \| 600 \| 0.0001 \| - \| - \| - \|
	\| 0.2954 \| 610 \| 0.0001 \| - \| - \| - \|
	\| 0.3002 \| 620 \| 0.0062 \| - \| - \| - \|
	\| 0.3051 \| 630 \| 0.0003 \| - \| - \| - \|
	\| 0.3099 \| 640 \| 0.0014 \| - \| - \| - \|
	\| 0.3148 \| 650 \| 0.0003 \| - \| - \| - \|
	\| 0.3196 \| 660 \| 0.0009 \| - \| - \| - \|
	\| 0.3245 \| 670 \| 0.0002 \| - \| - \| - \|
	\| 0.3293 \| 680 \| 0.0009 \| - \| - \| - \|
	\| 0.3341 \| 690 \| 0.0003 \| - \| - \| - \|
	\| 0.3390 \| 700 \| 0.0002 \| - \| - \| - \|
	\| 0.3438 \| 710 \| 0.0003 \| - \| - \| - \|
	\| 0.3487 \| 720 \| 0.0011 \| - \| - \| - \|
	\| 0.3535 \| 730 \| 0.0006 \| - \| - \| - \|
	\| 0.3584 \| 740 \| 0.0006 \| - \| - \| - \|
	\| 0.3632 \| 750 \| 0.0004 \| - \| - \| - \|
	\| 0.3680 \| 760 \| 0.0002 \| - \| - \| - \|
	\| 0.3729 \| 770 \| 0.0001 \| - \| - \| - \|
	\| 0.3777 \| 780 \| 0.0002 \| - \| - \| - \|
	\| 0.3826 \| 790 \| 0.0043 \| - \| - \| - \|
	\| 0.3874 \| 800 \| 0.001 \| - \| - \| - \|
	\| 0.3923 \| 810 \| 0.0005 \| - \| - \| - \|
	\| 0.3971 \| 820 \| 0.0002 \| - \| - \| - \|
	\| 0.4019 \| 830 \| 0.0017 \| - \| - \| - \|
	\| 0.4068 \| 840 \| 0.0004 \| - \| - \| - \|
	\| 0.4116 \| 850 \| 0.0002 \| - \| - \| - \|
	\| 0.4165 \| 860 \| 0.0004 \| - \| - \| - \|
	\| 0.4213 \| 870 \| 0.0004 \| - \| - \| - \|
	\| 0.4262 \| 880 \| 0.0005 \| - \| - \| - \|
	\| 0.4310 \| 890 \| 0.001 \| - \| - \| - \|
	\| 0.4358 \| 900 \| 0.0002 \| - \| - \| - \|
	\| 0.4407 \| 910 \| 0.0001 \| - \| - \| - \|
	\| 0.4455 \| 920 \| 0.0001 \| - \| - \| - \|
	\| 0.4504 \| 930 \| 0.0001 \| - \| - \| - \|
	\| 0.4552 \| 940 \| 0.0001 \| - \| - \| - \|
	\| 0.4600 \| 950 \| 0.0004 \| - \| - \| - \|
	\| 0.4649 \| 960 \| 0.0001 \| - \| - \| - \|
	\| 0.4697 \| 970 \| 0.0001 \| - \| - \| - \|
	\| 0.4746 \| 980 \| 0.0002 \| - \| - \| - \|
	\| 0.4794 \| 990 \| 0.0032 \| - \| - \| - \|
	\| 0.4843 \| 1000 \| 0.0001 \| - \| - \| - \|
	\| 0.4891 \| 1010 \| 0.0008 \| - \| - \| - \|
	\| 0.4939 \| 1020 \| 0.0004 \| - \| - \| - \|
	\| 0.4988 \| 1030 \| 0.0014 \| - \| - \| - \|
	\| 0.5036 \| 1040 \| 0.0006 \| - \| - \| - \|
	\| 0.5085 \| 1050 \| 0.0003 \| - \| - \| - \|
	\| 0.5133 \| 1060 \| 0.0009 \| - \| - \| - \|
	\| 0.5182 \| 1070 \| 0.0001 \| - \| - \| - \|
	\| 0.5230 \| 1080 \| 0.0001 \| - \| - \| - \|
	\| 0.5278 \| 1090 \| 0.0003 \| - \| - \| - \|
	\| 0.5327 \| 1100 \| 0.0005 \| - \| - \| - \|
	\| 0.5375 \| 1110 \| 0.0004 \| - \| - \| - \|
	\| 0.5424 \| 1120 \| 0.0002 \| - \| - \| - \|
	\| 0.5472 \| 1130 \| 0.001 \| - \| - \| - \|
	\| 0.5521 \| 1140 \| 0.0009 \| - \| - \| - \|
	\| 0.5569 \| 1150 \| 0.0002 \| - \| - \| - \|
	\| 0.5617 \| 1160 \| 0.0003 \| - \| - \| - \|
	\| 0.5666 \| 1170 \| 0.0001 \| - \| - \| - \|
	\| 0.5714 \| 1180 \| 0.0016 \| - \| - \| - \|
	\| 0.5763 \| 1190 \| 0.0009 \| - \| - \| - \|
	\| 0.5811 \| 1200 \| 0.0009 \| - \| - \| - \|
	\| 0.5860 \| 1210 \| 0.0004 \| - \| - \| - \|
	\| 0.5908 \| 1220 \| 0.0047 \| - \| - \| - \|
	\| 0.5956 \| 1230 \| 0.0003 \| - \| - \| - \|
	\| 0.6005 \| 1240 \| 0.0003 \| - \| - \| - \|
	\| 0.6053 \| 1250 \| 0.0004 \| - \| - \| - \|
	\| 0.6102 \| 1260 \| 0.0001 \| - \| - \| - \|
	\| 0.6150 \| 1270 \| 0.0001 \| - \| - \| - \|
	\| 0.6199 \| 1280 \| 0.0009 \| - \| - \| - \|
	\| 0.6247 \| 1290 \| 0.0007 \| - \| - \| - \|
	\| 0.6295 \| 1300 \| 0.0001 \| - \| - \| - \|
	\| 0.6344 \| 1310 \| 0.0008 \| - \| - \| - \|
	\| 0.6392 \| 1320 \| 0.0001 \| - \| - \| - \|
	\| 0.6441 \| 1330 \| 0.0002 \| - \| - \| - \|
	\| 0.6489 \| 1340 \| 0.0006 \| - \| - \| - \|
	\| 0.6538 \| 1350 \| 0.0003 \| - \| - \| - \|
	\| 0.6586 \| 1360 \| 0.0002 \| - \| - \| - \|
	\| 0.6634 \| 1370 \| 0.0001 \| - \| - \| - \|
	\| 0.6683 \| 1380 \| 0.0001 \| - \| - \| - \|
	\| 0.6731 \| 1390 \| 0.0001 \| - \| - \| - \|
	\| 0.6780 \| 1400 \| 0.0001 \| - \| - \| - \|
	\| 0.6828 \| 1410 \| 0.0091 \| - \| - \| - \|
	\| 0.6877 \| 1420 \| 0.0216 \| - \| - \| - \|
	\| 0.6925 \| 1430 \| 0.0002 \| - \| - \| - \|
	\| 0.6973 \| 1440 \| 0.0001 \| - \| - \| - \|
	\| 0.7022 \| 1450 \| 0.0002 \| - \| - \| - \|
	\| 0.7070 \| 1460 \| 0.0002 \| - \| - \| - \|
	\| 0.7119 \| 1470 \| 0.0007 \| - \| - \| - \|
	\| 0.7167 \| 1480 \| 0.0001 \| - \| - \| - \|
	\| 0.7215 \| 1490 \| 0.0001 \| - \| - \| - \|
	\| 0.7264 \| 1500 \| 0.0001 \| - \| - \| - \|
	\| 0.7312 \| 1510 \| 0.0001 \| - \| - \| - \|
	\| 0.7361 \| 1520 \| 0.0001 \| - \| - \| - \|
	\| 0.7409 \| 1530 \| 0.0002 \| - \| - \| - \|
	\| 0.7458 \| 1540 \| 0.0001 \| - \| - \| - \|
	\| 0.7506 \| 1550 \| 0.0006 \| - \| - \| - \|
	\| 0.7554 \| 1560 \| 0.0003 \| - \| - \| - \|
	\| 0.7603 \| 1570 \| 0.0003 \| - \| - \| - \|
	\| 0.7651 \| 1580 \| 0.0002 \| - \| - \| - \|
	\| 0.7700 \| 1590 \| 0.0004 \| - \| - \| - \|
	\| 0.7748 \| 1600 \| 0.0005 \| - \| - \| - \|
	\| 0.7797 \| 1610 \| 0.0022 \| - \| - \| - \|
	\| 0.7845 \| 1620 \| 0.0002 \| - \| - \| - \|
	\| 0.7893 \| 1630 \| 0.0005 \| - \| - \| - \|
	\| 0.7942 \| 1640 \| 0.0001 \| - \| - \| - \|
	\| 0.7990 \| 1650 \| 0.0006 \| - \| - \| - \|
	\| 0.8039 \| 1660 \| 0.0005 \| - \| - \| - \|
	\| 0.8087 \| 1670 \| 0.0007 \| - \| - \| - \|
	\| 0.8136 \| 1680 \| 0.0003 \| - \| - \| - \|
	\| 0.8184 \| 1690 \| 0.0002 \| - \| - \| - \|
	\| 0.8232 \| 1700 \| 0.0011 \| - \| - \| - \|
	\| 0.8281 \| 1710 \| 0.0 \| - \| - \| - \|
	\| 0.8329 \| 1720 \| 0.0003 \| - \| - \| - \|
	\| 0.8378 \| 1730 \| 0.0003 \| - \| - \| - \|
	\| 0.8426 \| 1740 \| 0.0001 \| - \| - \| - \|
	\| 0.8475 \| 1750 \| 0.0048 \| - \| - \| - \|
	\| 0.8523 \| 1760 \| 0.0001 \| - \| - \| - \|
	\| 0.8571 \| 1770 \| 0.0004 \| - \| - \| - \|
	\| 0.8620 \| 1780 \| 0.0001 \| - \| - \| - \|
	\| 0.8668 \| 1790 \| 0.0 \| - \| - \| - \|
	\| 0.8717 \| 1800 \| 0.0021 \| - \| - \| - \|
	\| 0.8765 \| 1810 \| 0.0001 \| - \| - \| - \|
	\| 0.8814 \| 1820 \| 0.0003 \| - \| - \| - \|
	\| 0.8862 \| 1830 \| 0.0001 \| - \| - \| - \|
	\| 0.8910 \| 1840 \| 0.0016 \| - \| - \| - \|
	\| 0.8959 \| 1850 \| 0.0046 \| - \| - \| - \|
	\| 0.9007 \| 1860 \| 0.0002 \| - \| - \| - \|
	\| 0.9056 \| 1870 \| 0.0001 \| - \| - \| - \|
	\| 0.9104 \| 1880 \| 0.0006 \| - \| - \| - \|
	\| 0.9153 \| 1890 \| 0.0001 \| - \| - \| - \|
	\| 0.9201 \| 1900 \| 0.0002 \| - \| - \| - \|
	\| 0.9249 \| 1910 \| 0.0006 \| - \| - \| - \|
	\| 0.9298 \| 1920 \| 0.0001 \| - \| - \| - \|
	\| 0.9346 \| 1930 \| 0.0069 \| - \| - \| - \|
	\| 0.9395 \| 1940 \| 0.0004 \| - \| - \| - \|
	\| 0.9443 \| 1950 \| 0.0002 \| - \| - \| - \|
	\| 0.9492 \| 1960 \| 0.0252 \| - \| - \| - \|
	\| 0.9540 \| 1970 \| 0.0003 \| - \| - \| - \|
	\| 0.9588 \| 1980 \| 0.0002 \| - \| - \| - \|
	\| 0.9637 \| 1990 \| 0.0018 \| - \| - \| - \|
	\| 0.9685 \| 2000 \| 0.0006 \| - \| - \| - \|
	\| 0.9734 \| 2010 \| 0.0001 \| - \| - \| - \|
	\| 0.9782 \| 2020 \| 0.0018 \| - \| - \| - \|
	\| 0.9831 \| 2030 \| 0.0001 \| - \| - \| - \|
	\| 0.9879 \| 2040 \| 0.0002 \| - \| - \| - \|
	\| 0.9927 \| 2050 \| 0.0008 \| - \| - \| - \|
	\| 0.9976 \| 2060 \| 0.0018 \| - \| - \| - \|
	\| 1.0 \| 2065 \| - \| 0.0213 \| 0.714 \| 0.7076 \|

	* The bold row denotes the saved checkpoint.
	</details>

	### Framework Versions
	- Python: 3.10.14
	- Sentence Transformers: 3.3.1
	- Transformers: 4.41.2
	- PyTorch: 2.4.0
	- Accelerate: 0.29.3
	- Datasets: 2.19.1
	- 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.
	-->