File size: 34,063 Bytes
c5cbf16 |
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 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 |
---
datasets: []
language: []
library_name: sentence-transformers
metrics:
- cosine_accuracy@1
- cosine_accuracy@3
- cosine_precision@1
- cosine_precision@3
- cosine_recall@1
- cosine_recall@3
- cosine_ndcg@10
- cosine_mrr@10
- cosine_map@100
- dot_accuracy@1
- dot_accuracy@3
- dot_precision@1
- dot_precision@3
- dot_recall@1
- dot_recall@3
- dot_ndcg@10
- dot_mrr@10
- dot_map@100
pipeline_tag: sentence-similarity
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:35680
- loss:TripletLoss
widget:
- source_sentence: Можем ли мы с мужем одновременно получать единовременное пособие
при рождении
sentences:
- Право на единовременное пособие при рождении ребенка имеет один из родителей или
лицо, официально его заменяющее.
- ЗП - это заработная плата.
- 'Для оформления отпуска по уходу за ребенком (внучкой/внуком) сотруднику необходимо
предоставить следующие документы: 1. Заявление на отпуск до 3 лет; 2. Заявление
на пособие до 1,5 лет; 3. Копия св-ва о браке родителей; 4. Копии св-ва о рождении
всех детей; 5. Документ, подтверждающий степень родства бабушки и внучки (св-во
о рождении сына или дочери, в зависимости от того, чья мама родителей оформляет
отпуск); 6. Справки от родителей: 1.1 Если работают: Справка с места работы отца
и матери ребенка - в справке прописать корректно вид пособия и вид отпуска. (Пример
оформления справки – «Выдана_____, в том, что работает с___по настоящее время
в_____. Отпуск по уходу за ребенком (ФИО, дата рождения ребенка) не оформлял.
Ежемесячное пособие по уходу за ребенком до 1,5 лет не назначалось и не выплачивалось.
Если у ребенка возраст до 3 месяцев – дополнительно справку с места работы мамы
с указанием периода нахождения в отпуске по беременности и родам. 1.2 Если родители
не трудоустроены: 1. Копии ТК 2. Справка с Пенсионного фонда РФ о неполучении
ежемесячного пособия по уходу за ребенком 3. Приложение к заявлению о назначении
пособия до 1,5 лет. Заявку следует создать по процессу 1091 – Администрирование
отпуска по уходу за ребенком.'
- source_sentence: Можно ли получать пособие по рождению ребенка сразу в нескольких
организациях?
sentences:
- Пожалуйста, обратитесь к непосредственному руководителю для коммуникации с бизнес-партнером
по персоналу Вашего подразделения, чтобы он создал заявку на Вас в Личном кабинете
по теме «Отзыв из отпуска»
- Если Вы работаете в нескольких местах, то можете оформить пособие по беременности
и родам на каждом месте работы. При расчетах будет учитываться средний заработок
у каждого работодателя в течение 2 лет.
- С данным вопросом сотруднику необходимо обратиться в СФР по номеру телефона 8
(800) 100-00-01. Если требуется сделать перерасчет в связи с заменой лет по заявлению,
сотрудник должен создать заявку в Личном кабинете по теме "Больничный", "Перерасчет
пособий".
- source_sentence: Можно ли изменить период больничного по беременности и родам, если
в ЭЛН указаны другие периоды
sentences:
- "При проблемах со входом в личный кабинет, прежде чем создавать заявку в поддержку,\
\ убедитесь, что заходите в ЛК на сайте https://company-x5.ru, указываете актуальные\
\ и верные логин и пароль.\n Если Вам неизвестен логин, обратитесь к руководителю\
\ (ДМ), он сможет посмотреть Ваш логин и сбросить пароль в веб-табеле.\n Для самостоятельного\
\ сброса пароля позвоните с вашего мобильного телефона на +7 (XXX) XXX XX XX,\
\ наберите добавочный номер 10100, нажмите * и подтвердите сброс пароля, нажав\
\ #.\n Обновленный пароль отправляется по SMS."
- Перевод возможен после окончания отпуска по беременности и родам.
- Вы можете продолжить работу во время больничного по беременности и родам, при
этом Вам будет выплачиваться заработная плата. Пособие по беременности и родам
будет рассчитано с фактической даты ухода в отпуск по беременности и родам (соответственно,
будет оплачено меньшее кол-во дней БИРа).
- source_sentence: Можно ли получать пособие по рождению ребенка сразу в нескольких
организациях?
sentences:
- Сотруднику следует написать заявление о предоставлении отпуска по беременности
и родам и передать его непосредственному руководителю, он оформит соответствующее
мероприятие.
- Для обнуления ставки создайте заявку в Личном кабинете по теме «Табель/график/рабочее
время», далее «Обнуление ставок». Обратите внимание, что обнуление ставок проводится
в случае нахождения сотрудника на длительном больничном или в отпуске без сохранения
заработной платы.
- Если Вы работаете в нескольких местах, то можете оформить пособие по беременности
и родам на каждом месте работы. При расчетах будет учитываться средний заработок
у каждого работодателя в течение 2 лет.
- source_sentence: я могу перевести во время отпуска по беременности?
sentences:
- Если Вы работаете в нескольких местах, то можете оформить пособие по беременности
и родам на каждом месте работы. При расчетах будет учитываться средний заработок
у каждого работодателя в течение 2 лет.
- Перевод возможен после окончания отпуска по беременности и родам.
- Номер и срок действия доверенности можно выгрузить в Личном кабинете в блоке Профиль,
Раздел «Доверенности».
model-index:
- name: SentenceTransformer
results:
- task:
type: information-retrieval
name: Information Retrieval
dataset:
name: single answer eval
type: single_answer_eval
metrics:
- type: cosine_accuracy@1
value: 0.6350941105039466
name: Cosine Accuracy@1
- type: cosine_accuracy@3
value: 0.9034608378870674
name: Cosine Accuracy@3
- type: cosine_precision@1
value: 0.6350941105039466
name: Cosine Precision@1
- type: cosine_precision@3
value: 0.302367941712204
name: Cosine Precision@3
- type: cosine_recall@1
value: 0.060118489080237716
name: Cosine Recall@1
- type: cosine_recall@3
value: 0.08666323220057282
name: Cosine Recall@3
- type: cosine_ndcg@10
value: 0.1854670878334577
name: Cosine Ndcg@10
- type: cosine_mrr@10
value: 0.778253630940333
name: Cosine Mrr@10
- type: cosine_map@100
value: 0.07722249429342806
name: Cosine Map@100
- type: dot_accuracy@1
value: 0.6174863387978142
name: Dot Accuracy@1
- type: dot_accuracy@3
value: 0.9077109896782027
name: Dot Accuracy@3
- type: dot_precision@1
value: 0.6174863387978142
name: Dot Precision@1
- type: dot_precision@3
value: 0.3035822707953855
name: Dot Precision@3
- type: dot_recall@1
value: 0.058461359189956645
name: Dot Recall@1
- type: dot_recall@3
value: 0.0871360845859935
name: Dot Recall@3
- type: dot_ndcg@10
value: 0.1836029943640663
name: Dot Ndcg@10
- type: dot_mrr@10
value: 0.7690208748951909
name: Dot Mrr@10
- type: dot_map@100
value: 0.07636564425734757
name: Dot Map@100
- type: cosine_accuracy@1
value: 0.6387370977534912
name: Cosine Accuracy@1
- type: cosine_accuracy@3
value: 0.9143897996357013
name: Cosine Accuracy@3
- type: cosine_precision@1
value: 0.6387370977534912
name: Cosine Precision@1
- type: cosine_precision@3
value: 0.30641570532280915
name: Cosine Precision@3
- type: cosine_recall@1
value: 0.060576622325256214
name: Cosine Recall@1
- type: cosine_recall@3
value: 0.08786713522596946
name: Cosine Recall@3
- type: cosine_ndcg@10
value: 0.1858853074512683
name: Cosine Ndcg@10
- type: cosine_mrr@10
value: 0.7825984714873584
name: Cosine Mrr@10
- type: cosine_map@100
value: 0.07818077180950797
name: Cosine Map@100
- type: dot_accuracy@1
value: 0.5865209471766849
name: Dot Accuracy@1
- type: dot_accuracy@3
value: 0.8973891924711597
name: Dot Accuracy@3
- type: dot_precision@1
value: 0.5865209471766849
name: Dot Precision@1
- type: dot_precision@3
value: 0.30054644808743175
name: Dot Precision@3
- type: dot_recall@1
value: 0.05554451620025391
name: Dot Recall@1
- type: dot_recall@3
value: 0.08624741648421065
name: Dot Recall@3
- type: dot_ndcg@10
value: 0.18048100103562123
name: Dot Ndcg@10
- type: dot_mrr@10
value: 0.751049286340724
name: Dot Mrr@10
- type: dot_map@100
value: 0.0751764626788709
name: Dot Map@100
---
# SentenceTransformer
This is a [sentence-transformers](https://www.SBERT.net) model trained. 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:** [Unknown](https://huggingface.co/unknown) -->
- **Maximum Sequence Length:** 128 tokens
- **Output Dimensionality:** 768 tokens
- **Similarity Function:** Cosine Similarity
<!-- - **Training Dataset:** Unknown -->
<!-- - **Language:** Unknown -->
<!-- - **License:** Unknown -->
### Model Sources
- **Documentation:** [Sentence Transformers Documentation](https://sbert.net)
- **Repository:** [Sentence Transformers on GitHub](https://github.com/UKPLab/sentence-transformers)
- **Hugging Face:** [Sentence Transformers on Hugging Face](https://huggingface.co/models?library=sentence-transformers)
### Full Model Architecture
```
SentenceTransformer(
(0): Transformer({'max_seq_length': 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("WpythonW/custom-paraphrase-v2")
# Run inference
sentences = [
'я могу перевести во время отпуска по беременности?',
'Перевод возможен после окончания отпуска по беременности и родам.',
'Номер и срок действия доверенности можно выгрузить в Личном кабинете в блоке Профиль, Раздел «Доверенности».',
]
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: `single_answer_eval`
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
| Metric | Value |
|:-------------------|:-----------|
| cosine_accuracy@1 | 0.6351 |
| cosine_accuracy@3 | 0.9035 |
| cosine_precision@1 | 0.6351 |
| cosine_precision@3 | 0.3024 |
| cosine_recall@1 | 0.0601 |
| cosine_recall@3 | 0.0867 |
| cosine_ndcg@10 | 0.1855 |
| cosine_mrr@10 | 0.7783 |
| **cosine_map@100** | **0.0772** |
| dot_accuracy@1 | 0.6175 |
| dot_accuracy@3 | 0.9077 |
| dot_precision@1 | 0.6175 |
| dot_precision@3 | 0.3036 |
| dot_recall@1 | 0.0585 |
| dot_recall@3 | 0.0871 |
| dot_ndcg@10 | 0.1836 |
| dot_mrr@10 | 0.769 |
| dot_map@100 | 0.0764 |
#### Information Retrieval
* Dataset: `single_answer_eval`
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
| Metric | Value |
|:-------------------|:-----------|
| cosine_accuracy@1 | 0.6387 |
| cosine_accuracy@3 | 0.9144 |
| cosine_precision@1 | 0.6387 |
| cosine_precision@3 | 0.3064 |
| cosine_recall@1 | 0.0606 |
| cosine_recall@3 | 0.0879 |
| cosine_ndcg@10 | 0.1859 |
| cosine_mrr@10 | 0.7826 |
| **cosine_map@100** | **0.0782** |
| dot_accuracy@1 | 0.5865 |
| dot_accuracy@3 | 0.8974 |
| dot_precision@1 | 0.5865 |
| dot_precision@3 | 0.3005 |
| dot_recall@1 | 0.0555 |
| dot_recall@3 | 0.0862 |
| dot_ndcg@10 | 0.1805 |
| dot_mrr@10 | 0.751 |
| dot_map@100 | 0.0752 |
<!--
## 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: 35,680 training samples
* Columns: <code>anchor</code>, <code>positive</code>, and <code>negative</code>
* Approximate statistics based on the first 1000 samples:
| | anchor | positive | negative |
|:--------|:----------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|
| type | string | string | string |
| details | <ul><li>min: 6 tokens</li><li>mean: 14.66 tokens</li><li>max: 26 tokens</li></ul> | <ul><li>min: 16 tokens</li><li>mean: 60.02 tokens</li><li>max: 128 tokens</li></ul> | <ul><li>min: 8 tokens</li><li>mean: 61.86 tokens</li><li>max: 128 tokens</li></ul> |
* Samples:
| anchor | positive | negative |
|:--------------------------------------------------------------|:------------------------------------------------------------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| <code>Можно ли выгрузить копию доверенности через SED?</code> | <code>Копию доверенности можно выгрузить через раздел Отчеты в SED. Также там можно посмотреть номер и срок действия доверенности.</code> | <code>Для проведения отгула сотрудник обращается к непосредственному руководителю, чтобы он создал заявку в Личном кабинете по теме «Отмена/аннулирование мероприятия». После выполнения мероприятия необходимо создать заявку в Личном кабинете в разделе «Отпуска» (https://company-x5.ru/vacations/plan?vp_page=1 ), указав новый период отсутствия.</code> |
| <code>Можно ли выгрузить копию доверенности через SED?</code> | <code>Копию доверенности можно выгрузить через раздел Отчеты в SED. Также там можно посмотреть номер и срок действия доверенности.</code> | <code>В течение 5 рабочих дней работодатель предоставит ответ на извещение, после чего пособие будет выплачено.</code> |
| <code>Можно ли выгрузить копию доверенности через SED?</code> | <code>Копию доверенности можно выгрузить через раздел Отчеты в SED. Также там можно посмотреть номер и срок действия доверенности.</code> | <code>Для оформления отпуска по уходу за ребенком (внучкой/внуком) сотруднику необходимо предоставить следующие документы: 1. Заявление на отпуск до 3 лет; 2. Заявление на пособие до 1,5 лет; 3. Копия св-ва о браке родителей; 4. Копии св-ва о рождении всех детей; 5. Документ, подтверждающий степень родства бабушки и внучки (св-во о рождении сына или дочери, в зависимости от того, чья мама родителей оформляет отпуск); 6. Справки от родителей: 1.1 Если работают: Справка с места работы отца и матери ребенка - в справке прописать корректно вид пособия и вид отпуска. (Пример оформления справки – «Выдана_____, в том, что работает с___по настоящее время в_____. Отпуск по уходу за ребенком (ФИО, дата рождения ребенка) не оформлял. Ежемесячное пособие по уходу за ребенком до 1,5 лет не назначалось и не выплачивалось. Если у ребенка возраст до 3 месяцев – дополнительно справку с места работы мамы с указанием периода нахождения в отпуске по беременности и родам. 1.2 Если родители не трудоустроены: 1. Копии ТК 2. Справка с Пенсионного фонда РФ о неполучении ежемесячного пособия по уходу за ребенком 3. Приложение к заявлению о назначении пособия до 1,5 лет. Заявку следует создать по процессу 1091 – Администрирование отпуска по уходу за ребенком.</code> |
* Loss: [<code>TripletLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#tripletloss) with these parameters:
```json
{
"distance_metric": "TripletDistanceMetric.EUCLIDEAN",
"triplet_margin": 5
}
```
### Training Hyperparameters
#### Non-Default Hyperparameters
- `eval_strategy`: steps
- `per_device_train_batch_size`: 32
- `num_train_epochs`: 10
- `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`: 32
- `per_device_eval_batch_size`: 8
- `per_gpu_train_batch_size`: None
- `per_gpu_eval_batch_size`: None
- `gradient_accumulation_steps`: 1
- `eval_accumulation_steps`: None
- `torch_empty_cache_steps`: None
- `learning_rate`: 5e-05
- `weight_decay`: 0.0
- `adam_beta1`: 0.9
- `adam_beta2`: 0.999
- `adam_epsilon`: 1e-08
- `max_grad_norm`: 1.0
- `num_train_epochs`: 10
- `max_steps`: -1
- `lr_scheduler_type`: linear
- `lr_scheduler_kwargs`: {}
- `warmup_ratio`: 0.0
- `warmup_steps`: 0
- `log_level`: passive
- `log_level_replica`: warning
- `log_on_each_node`: True
- `logging_nan_inf_filter`: True
- `save_safetensors`: True
- `save_on_each_node`: False
- `save_only_model`: False
- `restore_callback_states_from_checkpoint`: False
- `no_cuda`: False
- `use_cpu`: False
- `use_mps_device`: False
- `seed`: 42
- `data_seed`: None
- `jit_mode_eval`: False
- `use_ipex`: False
- `bf16`: False
- `fp16`: False
- `fp16_opt_level`: O1
- `half_precision_backend`: auto
- `bf16_full_eval`: False
- `fp16_full_eval`: False
- `tf32`: None
- `local_rank`: 0
- `ddp_backend`: None
- `tpu_num_cores`: None
- `tpu_metrics_debug`: False
- `debug`: []
- `dataloader_drop_last`: False
- `dataloader_num_workers`: 0
- `dataloader_prefetch_factor`: None
- `past_index`: -1
- `disable_tqdm`: False
- `remove_unused_columns`: True
- `label_names`: None
- `load_best_model_at_end`: 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
- `eval_do_concat_batches`: True
- `fp16_backend`: auto
- `push_to_hub_model_id`: None
- `push_to_hub_organization`: None
- `mp_parameters`:
- `auto_find_batch_size`: False
- `full_determinism`: False
- `torchdynamo`: None
- `ray_scope`: last
- `ddp_timeout`: 1800
- `torch_compile`: False
- `torch_compile_backend`: None
- `torch_compile_mode`: None
- `dispatch_batches`: None
- `split_batches`: None
- `include_tokens_per_second`: False
- `include_num_input_tokens_seen`: False
- `neftune_noise_alpha`: None
- `optim_target_modules`: None
- `batch_eval_metrics`: False
- `eval_on_start`: False
- `eval_use_gather_object`: False
- `batch_sampler`: batch_sampler
- `multi_dataset_batch_sampler`: proportional
</details>
### Training Logs
| Epoch | Step | Training Loss | single_answer_eval_cosine_map@100 |
|:----------:|:--------:|:-------------:|:---------------------------------:|
| 0.8961 | 500 | 0.0296 | 0.0824 |
| 1.7921 | 1000 | 0.0188 | 0.0833 |
| **2.6882** | **1500** | **0.0137** | **0.0804** |
| 3.5842 | 2000 | 0.0127 | 0.0764 |
| 4.4803 | 2500 | 0.0077 | 0.0772 |
| 0.8961 | 500 | 0.0194 | 0.0773 |
| 1.7921 | 1000 | 0.0202 | 0.0840 |
| **2.6882** | **1500** | **0.0136** | **0.0797** |
| 3.5842 | 2000 | 0.0132 | 0.0865 |
| 4.4803 | 2500 | 0.0096 | 0.0782 |
* The bold row denotes the saved checkpoint.
### Framework Versions
- Python: 3.10.14
- Sentence Transformers: 3.0.1
- Transformers: 4.44.0
- PyTorch: 2.4.0
- Accelerate: 0.34.0
- Datasets: 2.21.0
- Tokenizers: 0.19.1
## Citation
### BibTeX
#### Sentence Transformers
```bibtex
@inproceedings{reimers-2019-sentence-bert,
title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",
author = "Reimers, Nils and Gurevych, Iryna",
booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing",
month = "11",
year = "2019",
publisher = "Association for Computational Linguistics",
url = "https://arxiv.org/abs/1908.10084",
}
```
#### TripletLoss
```bibtex
@misc{hermans2017defense,
title={In Defense of the Triplet Loss for Person Re-Identification},
author={Alexander Hermans and Lucas Beyer and Bastian Leibe},
year={2017},
eprint={1703.07737},
archivePrefix={arXiv},
primaryClass={cs.CV}
}
```
<!--
## 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.*
--> |