README.md

---
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.*
-->