---
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:288
- loss:MatryoshkaLoss
- loss:MultipleNegativesRankingLoss
base_model: keepitreal/vietnamese-sbert
widget:
- source_sentence: SIEM giúp tổ chức đáp ứng các yêu cầu tuân thủ bằng cách thu thập
    và phân tích dữ liệu sự kiện bảo mật, tạo ra các báo cáo và cung cấp bằng chứng
    cho các cuộc kiểm toán bảo mật, đảm bảo tuân thủ các quy định và tiêu chuẩn bảo
    mật.
  sentences:
  - Tại sao ISOC cần hợp tác với CNTT và Kinh doanh?
  - Lợi ích của việc sử dụng Xác thực Hai Yếu tố (2FA) là gì?
  - SIEM giúp tổ chức đáp ứng các yêu cầu tuân thủ như thế nào?
- source_sentence: VPN bảo vệ dữ liệu khi truy cập từ xa vào mạng nội bộ của tổ chức
    bằng cách mã hóa dữ liệu truyền tải, ngăn chặn việc chặn hoặc giả mạo dữ liệu
    và bảo vệ thông tin nhạy cảm khỏi các mối đe dọa mạng.
  sentences:
  - Mạng Lừa đảo (Decoy Network) giúp bảo vệ hệ thống CNTT như thế nào?
  - Tình báo Mối đe dọa (CTI) giúp tổ chức phòng ngừa tấn công như thế nào?
  - VPN bảo vệ dữ liệu như thế nào khi truy cập từ xa vào mạng nội bộ của tổ chức?
- source_sentence: Honeypots cung cấp thông tin về các cuộc tấn công tiềm năng bằng
    cách ghi nhận các hoạt động khi kẻ tấn công tương tác với hệ thống, giúp quản
    trị viên hiểu rõ hơn về chiến thuật của kẻ tấn công.
  sentences:
  - Honeypots có thể cung cấp thông tin gì cho quản trị viên bảo mật?
  - Phân tích Tương quan Sự kiện trong SIEM giúp gì cho quá trình giám sát bảo mật?
  - Tường lửa Ứng dụng Web (WAF) bảo vệ ứng dụng như thế nào?
- source_sentence: Tường lửa bảo vệ hệ thống mạng bằng cách kiểm soát và lọc lưu lượng
    truy cập dựa trên các quy tắc bảo mật, ngăn chặn truy cập không mong muốn từ bên
    ngoài và bảo vệ hệ thống khỏi các cuộc tấn công mạng.
  sentences:
  - Tường lửa bảo vệ hệ thống mạng khỏi các mối đe dọa như thế nào?
  - Phân tích dữ liệu bảo mật trong ISOC gồm những bước nào?
  - SIEM có vai trò gì trong việc phát hiện và phản ứng với các sự cố bảo mật?
- source_sentence: Vận hành một chương trình bảo mật yêu cầu các công cụ hỗ trợ kiểm
    soát thay đổi và theo dõi tài sản dựa trên khung phân loại tài sản.
  sentences:
  - Điều gì là quan trọng nhất khi vận hành một chương trình bảo mật trong một tổ
    chức?
  - Pháp y Kỹ thuật số trong ISOC có vai trò gì?
  - Vì sao Bảo mật Điểm cuối quan trọng?
pipeline_tag: sentence-similarity
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
model-index:
- name: SentenceTransformer based on keepitreal/vietnamese-sbert
  results:
  - task:
      type: information-retrieval
      name: Information Retrieval
    dataset:
      name: dim 768
      type: dim_768
    metrics:
    - type: cosine_accuracy@1
      value: 0.375
      name: Cosine Accuracy@1
    - type: cosine_accuracy@3
      value: 0.625
      name: Cosine Accuracy@3
    - type: cosine_accuracy@5
      value: 0.65625
      name: Cosine Accuracy@5
    - type: cosine_accuracy@10
      value: 0.875
      name: Cosine Accuracy@10
    - type: cosine_precision@1
      value: 0.375
      name: Cosine Precision@1
    - type: cosine_precision@3
      value: 0.20833333333333331
      name: Cosine Precision@3
    - type: cosine_precision@5
      value: 0.13125
      name: Cosine Precision@5
    - type: cosine_precision@10
      value: 0.08750000000000001
      name: Cosine Precision@10
    - type: cosine_recall@1
      value: 0.375
      name: Cosine Recall@1
    - type: cosine_recall@3
      value: 0.625
      name: Cosine Recall@3
    - type: cosine_recall@5
      value: 0.65625
      name: Cosine Recall@5
    - type: cosine_recall@10
      value: 0.875
      name: Cosine Recall@10
    - type: cosine_ndcg@10
      value: 0.5929177719706241
      name: Cosine Ndcg@10
    - type: cosine_mrr@10
      value: 0.5072048611111111
      name: Cosine Mrr@10
    - type: cosine_map@100
      value: 0.5138391033496732
      name: Cosine Map@100
  - task:
      type: information-retrieval
      name: Information Retrieval
    dataset:
      name: dim 512
      type: dim_512
    metrics:
    - type: cosine_accuracy@1
      value: 0.28125
      name: Cosine Accuracy@1
    - type: cosine_accuracy@3
      value: 0.625
      name: Cosine Accuracy@3
    - type: cosine_accuracy@5
      value: 0.6875
      name: Cosine Accuracy@5
    - type: cosine_accuracy@10
      value: 0.8125
      name: Cosine Accuracy@10
    - type: cosine_precision@1
      value: 0.28125
      name: Cosine Precision@1
    - type: cosine_precision@3
      value: 0.20833333333333331
      name: Cosine Precision@3
    - type: cosine_precision@5
      value: 0.1375
      name: Cosine Precision@5
    - type: cosine_precision@10
      value: 0.08125000000000002
      name: Cosine Precision@10
    - type: cosine_recall@1
      value: 0.28125
      name: Cosine Recall@1
    - type: cosine_recall@3
      value: 0.625
      name: Cosine Recall@3
    - type: cosine_recall@5
      value: 0.6875
      name: Cosine Recall@5
    - type: cosine_recall@10
      value: 0.8125
      name: Cosine Recall@10
    - type: cosine_ndcg@10
      value: 0.5413930380770813
      name: Cosine Ndcg@10
    - type: cosine_mrr@10
      value: 0.45533234126984123
      name: Cosine Mrr@10
    - type: cosine_map@100
      value: 0.4680133795942619
      name: Cosine Map@100
  - task:
      type: information-retrieval
      name: Information Retrieval
    dataset:
      name: dim 256
      type: dim_256
    metrics:
    - type: cosine_accuracy@1
      value: 0.28125
      name: Cosine Accuracy@1
    - type: cosine_accuracy@3
      value: 0.5
      name: Cosine Accuracy@3
    - type: cosine_accuracy@5
      value: 0.71875
      name: Cosine Accuracy@5
    - type: cosine_accuracy@10
      value: 0.8125
      name: Cosine Accuracy@10
    - type: cosine_precision@1
      value: 0.28125
      name: Cosine Precision@1
    - type: cosine_precision@3
      value: 0.16666666666666666
      name: Cosine Precision@3
    - type: cosine_precision@5
      value: 0.14375000000000002
      name: Cosine Precision@5
    - type: cosine_precision@10
      value: 0.08125000000000002
      name: Cosine Precision@10
    - type: cosine_recall@1
      value: 0.28125
      name: Cosine Recall@1
    - type: cosine_recall@3
      value: 0.5
      name: Cosine Recall@3
    - type: cosine_recall@5
      value: 0.71875
      name: Cosine Recall@5
    - type: cosine_recall@10
      value: 0.8125
      name: Cosine Recall@10
    - type: cosine_ndcg@10
      value: 0.5245808772737306
      name: Cosine Ndcg@10
    - type: cosine_mrr@10
      value: 0.4344990079365079
      name: Cosine Mrr@10
    - type: cosine_map@100
      value: 0.4442545090828397
      name: Cosine Map@100
  - task:
      type: information-retrieval
      name: Information Retrieval
    dataset:
      name: dim 128
      type: dim_128
    metrics:
    - type: cosine_accuracy@1
      value: 0.3125
      name: Cosine Accuracy@1
    - type: cosine_accuracy@3
      value: 0.59375
      name: Cosine Accuracy@3
    - type: cosine_accuracy@5
      value: 0.65625
      name: Cosine Accuracy@5
    - type: cosine_accuracy@10
      value: 0.78125
      name: Cosine Accuracy@10
    - type: cosine_precision@1
      value: 0.3125
      name: Cosine Precision@1
    - type: cosine_precision@3
      value: 0.19791666666666666
      name: Cosine Precision@3
    - type: cosine_precision@5
      value: 0.13125
      name: Cosine Precision@5
    - type: cosine_precision@10
      value: 0.07812500000000001
      name: Cosine Precision@10
    - type: cosine_recall@1
      value: 0.3125
      name: Cosine Recall@1
    - type: cosine_recall@3
      value: 0.59375
      name: Cosine Recall@3
    - type: cosine_recall@5
      value: 0.65625
      name: Cosine Recall@5
    - type: cosine_recall@10
      value: 0.78125
      name: Cosine Recall@10
    - type: cosine_ndcg@10
      value: 0.5316647680749005
      name: Cosine Ndcg@10
    - type: cosine_mrr@10
      value: 0.4527281746031746
      name: Cosine Mrr@10
    - type: cosine_map@100
      value: 0.4609525339930285
      name: Cosine Map@100
  - task:
      type: information-retrieval
      name: Information Retrieval
    dataset:
      name: dim 64
      type: dim_64
    metrics:
    - type: cosine_accuracy@1
      value: 0.28125
      name: Cosine Accuracy@1
    - type: cosine_accuracy@3
      value: 0.5
      name: Cosine Accuracy@3
    - type: cosine_accuracy@5
      value: 0.625
      name: Cosine Accuracy@5
    - type: cosine_accuracy@10
      value: 0.75
      name: Cosine Accuracy@10
    - type: cosine_precision@1
      value: 0.28125
      name: Cosine Precision@1
    - type: cosine_precision@3
      value: 0.16666666666666666
      name: Cosine Precision@3
    - type: cosine_precision@5
      value: 0.125
      name: Cosine Precision@5
    - type: cosine_precision@10
      value: 0.07500000000000001
      name: Cosine Precision@10
    - type: cosine_recall@1
      value: 0.28125
      name: Cosine Recall@1
    - type: cosine_recall@3
      value: 0.5
      name: Cosine Recall@3
    - type: cosine_recall@5
      value: 0.625
      name: Cosine Recall@5
    - type: cosine_recall@10
      value: 0.75
      name: Cosine Recall@10
    - type: cosine_ndcg@10
      value: 0.49533931896607863
      name: Cosine Ndcg@10
    - type: cosine_mrr@10
      value: 0.4161830357142857
      name: Cosine Mrr@10
    - type: cosine_map@100
      value: 0.4235463334593342
      name: Cosine Map@100
---

# SentenceTransformer based on keepitreal/vietnamese-sbert

This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [keepitreal/vietnamese-sbert](https://huggingface.co/keepitreal/vietnamese-sbert) 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:** [keepitreal/vietnamese-sbert](https://huggingface.co/keepitreal/vietnamese-sbert) <!-- at revision a9467ef2ef47caa6448edeabfd8e5e5ce0fa2a23 -->
- **Maximum Sequence Length:** 256 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': 256, 'do_lower_case': False}) with Transformer model: RobertaModel 
  (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("zxcvo/vietnamese-sbert-soc")
# Run inference
sentences = [
    'Vận hành một chương trình bảo mật yêu cầu các công cụ hỗ trợ kiểm soát thay đổi và theo dõi tài sản dựa trên khung phân loại tài sản.',
    'Điều gì là quan trọng nhất khi vận hành một chương trình bảo mật trong một tổ chức?',
    'Vì sao Bảo mật Điểm cuối quan trọng?',
]
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`, `dim_512`, `dim_256`, `dim_128` and `dim_64`
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)

| Metric              | dim_768    | dim_512    | dim_256    | dim_128    | dim_64     |
|:--------------------|:-----------|:-----------|:-----------|:-----------|:-----------|
| cosine_accuracy@1   | 0.375      | 0.2812     | 0.2812     | 0.3125     | 0.2812     |
| cosine_accuracy@3   | 0.625      | 0.625      | 0.5        | 0.5938     | 0.5        |
| cosine_accuracy@5   | 0.6562     | 0.6875     | 0.7188     | 0.6562     | 0.625      |
| cosine_accuracy@10  | 0.875      | 0.8125     | 0.8125     | 0.7812     | 0.75       |
| cosine_precision@1  | 0.375      | 0.2812     | 0.2812     | 0.3125     | 0.2812     |
| cosine_precision@3  | 0.2083     | 0.2083     | 0.1667     | 0.1979     | 0.1667     |
| cosine_precision@5  | 0.1313     | 0.1375     | 0.1438     | 0.1313     | 0.125      |
| cosine_precision@10 | 0.0875     | 0.0813     | 0.0813     | 0.0781     | 0.075      |
| cosine_recall@1     | 0.375      | 0.2812     | 0.2812     | 0.3125     | 0.2812     |
| cosine_recall@3     | 0.625      | 0.625      | 0.5        | 0.5938     | 0.5        |
| cosine_recall@5     | 0.6562     | 0.6875     | 0.7188     | 0.6562     | 0.625      |
| cosine_recall@10    | 0.875      | 0.8125     | 0.8125     | 0.7812     | 0.75       |
| **cosine_ndcg@10**  | **0.5929** | **0.5414** | **0.5246** | **0.5317** | **0.4953** |
| cosine_mrr@10       | 0.5072     | 0.4553     | 0.4345     | 0.4527     | 0.4162     |
| cosine_map@100      | 0.5138     | 0.468      | 0.4443     | 0.461      | 0.4235     |

<!--
## 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: 288 training samples
* Columns: <code>positive</code> and <code>anchor</code>
* Approximate statistics based on the first 288 samples:
  |         | positive                                                                           | anchor                                                                            |
  |:--------|:-----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|
  | type    | string                                                                             | string                                                                            |
  | details | <ul><li>min: 14 tokens</li><li>mean: 49.27 tokens</li><li>max: 73 tokens</li></ul> | <ul><li>min: 9 tokens</li><li>mean: 20.08 tokens</li><li>max: 33 tokens</li></ul> |
* Samples:
  | positive                                                                                                                                                                                                                                                | anchor                                                                 |
  |:--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-----------------------------------------------------------------------|
  | <code>Tường lửa bảo vệ hệ thống mạng bằng cách kiểm soát và lọc lưu lượng truy cập, ngăn chặn truy cập từ các nguồn không tin cậy và bảo vệ hệ thống khỏi các cuộc tấn công từ bên ngoài.</code>                                                        | <code>Tường lửa bảo vệ hệ thống mạng như thế nào?</code>               |
  | <code>Giám sát mạng giúp bảo vệ hệ thống CNTT bằng cách theo dõi lưu lượng truy cập, phát hiện các hành vi bất thường, và ngăn chặn các cuộc tấn công trước khi chúng có thể gây hại.</code>                                                            | <code>Giám sát mạng có vai trò gì trong bảo vệ hệ thống CNTT?</code>   |
  | <code>SIEM giúp cải thiện an ninh mạng của tổ chức bằng cách thu thập, phân tích và tương quan các sự kiện bảo mật từ nhiều nguồn khác nhau, từ đó phát hiện và cảnh báo kịp thời về các mối đe dọa, hỗ trợ xử lý sự cố nhanh chóng và hiệu quả.</code> | <code>SIEM giúp cải thiện an ninh mạng của tổ chức 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,
          256,
          128,
          64
      ],
      "matryoshka_weights": [
          1,
          1,
          1,
          1,
          1
      ],
      "n_dims_per_step": -1
  }
  ```

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

- `eval_strategy`: epoch
- `per_device_train_batch_size`: 32
- `gradient_accumulation_steps`: 16
- `learning_rate`: 2e-05
- `num_train_epochs`: 4
- `bf16`: True
- `load_best_model_at_end`: True

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

- `overwrite_output_dir`: False
- `do_predict`: False
- `eval_strategy`: epoch
- `prediction_loss_only`: True
- `per_device_train_batch_size`: 32
- `per_device_eval_batch_size`: 8
- `per_gpu_train_batch_size`: None
- `per_gpu_eval_batch_size`: None
- `gradient_accumulation_steps`: 16
- `eval_accumulation_steps`: None
- `learning_rate`: 2e-05
- `weight_decay`: 0.0
- `adam_beta1`: 0.9
- `adam_beta2`: 0.999
- `adam_epsilon`: 1e-08
- `max_grad_norm`: 1.0
- `num_train_epochs`: 4
- `max_steps`: -1
- `lr_scheduler_type`: 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`: True
- `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
- `prompts`: None
- `batch_sampler`: batch_sampler
- `multi_dataset_batch_sampler`: proportional

</details>

### Training Logs
| Epoch   | Step  | dim_768_cosine_ndcg@10 | dim_512_cosine_ndcg@10 | dim_256_cosine_ndcg@10 | dim_128_cosine_ndcg@10 | dim_64_cosine_ndcg@10 |
|:-------:|:-----:|:----------------------:|:----------------------:|:----------------------:|:----------------------:|:---------------------:|
| 1.0     | 1     | 0.5462                 | 0.5147                 | 0.5044                 | 0.5025                 | 0.4595                |
| 2.0     | 3     | 0.5922                 | 0.5252                 | 0.5179                 | 0.5186                 | 0.4848                |
| **3.0** | **4** | **0.5929**             | **0.5414**             | **0.5246**             | **0.5317**             | **0.4953**            |

* The bold row denotes the saved checkpoint.

### Framework Versions
- Python: 3.11.9
- Sentence Transformers: 3.3.1
- Transformers: 4.41.2
- PyTorch: 2.5.1+cu124
- Accelerate: 1.1.1
- 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.*
-->