Hugging Face's logo

vimednli
/
vipubmedt5-w_multi-SynPD

Sentence Similarity
sentence-transformers
Safetensors
t5
feature-extraction
Generated from Trainer
dataset_size:92842
loss:MultipleNegativesRankingLoss
Model card Files Community
vipubmedt5-w_multi-SynPD / README.md
tmnam20's picture
tmnam20
Add new SentenceTransformer model
e335cc6 verified
preview code
|
raw
history blame contribute delete
27.4 kB
 ---
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:92842
- loss:MultipleNegativesRankingLoss
base_model: tmnam20/ViPubMedT5
widget:
- source_sentence: Chúng_tôi không_thể chứng_minh bất_kỳ tác_dụng có lợi nào của việc
dùng risedronat đường uống đối_với sự_cố định , mật_độ khoáng xương hoặc tái_tạo
xương của các ổ_cắm sửa_đổi bằng cách sử_dụng nhiều lượng ghép xương .
sentences:
- Có cơ_hội bị bỏ lỡ để phòng_ngừa thứ_phát cho những bệnh_nhân đang trải qua quá_trình
tái thông mạch vành , với tỷ_lệ kê đơn thuốc chẹn beta và thuốc ức_chế ACE thấp
.
- Mức_độ loạn sản cấp_độ cao trong thực_quản Barrett không phải là yếu_tố dự_báo
sự hiện_diện của ung_thư tuyến ở thực_quản .
- Không có sự khác_biệt đáng_kể về di_chuyển cup , mật_độ khoáng xương hoặc tái_tạo
ghép giữa nhóm risedronate và nhóm giả dược sau 3 năm .
- source_sentence: Ở nhóm bệnh_nhân này , kết_quả không bị ảnh_hưởng bởi xạ_trị ,
thao_tác nội_tiết_tố hoặc hoá_trị .
sentences:
- Nồng_độ MBL tăng không phải là dấu_hiệu của mối liên_quan giữa gen MBL2 và bệnh
tiểu_đường loại 1 hoặc bệnh_lý thận do tiểu_đường .
- Một đánh_giá biểu_đồ theo_dõi bệnh_nhân hồi cứu đã phá_thai bằng cả fentanyl và
midazolam tại hai phòng phá_thai miễn_phí tại đô_thị với chính_sách thường quy
là khuyên phụ_nữ ăn nhẹ trước khi tiến_hành thủ_thuật , không tìm thấy báo_cáo
nào về các biến_chứng liên_quan đến gây_mê trong 47.748 biểu_đồ được xem_xét từ
năm 1998 đến năm 2010 .
- Không an_toàn khi bỏ_qua xạ_trị sau khi cắt bỏ tại_chỗ rộng đối_với ung_thư biểu
mô ống tại_chỗ .
- source_sentence: Tính đặc_hiệu của hội_chứng đối_với kháng_thể kháng AQP-4 , cùng
với hồ_sơ kháng_thể tương_tự ở những bệnh_nhân NMOSD SS , chỉ ra rằng NMOSD không
phải là biểu_hiện trực_tiếp của hệ thần_kinh_trung_ương của SS .
sentences:
- Trong nghiên_cứu này , chúng_tôi phát_hiện ra rằng kháng_thể kháng AQP-4 chỉ có
ở những bệnh_nhân SS mắc NMOSD , nhưng không có ở những bệnh_nhân SS không mắc
NMOSD .
- Giảm nhanh DNA HBV ( tuần thứ 12 ) là một yếu_tố tiên_lượng quan_trọng đối_với
điều trị一线 bằng adefovir dipivoxil cho viêm gan B mạn_tính .
- Nồng_độ hormone tuyến_giáp nhẹ dư_thừa có liên_quan đến chức_năng thể_chất giảm
ở nam_giới lớn_tuổi .
- source_sentence: Các tế_bào hRPE biểu_hiện mức caspase-12 S cao .
sentences:
- Vô hoạt cathepsin B làm giảm tổn_thương tế_bào apoptosis do thiếu máu cục_bộ /
tái tưới máu ở gan chuột .
- Tỷ_lệ mắc khối_u ở những người nhận ghép thận đã tăng theo thời_gian .
- Sự biểu_hiện được điều_hoà của gen caspase-12 trong các tế_bào biểu mô sắc_tố
võng_mạc của người cho thấy vai_trò điều_hoà miễn_dịch của nó .
- source_sentence: Việc cấy_ghép các EC và MC có nguồn_gốc từ các tế_bào ES chưa phân_biệt
của con_người có khả_năng góp_phần tái_tạo mạch_máu điều_trị và do_đó làm giảm
diện_tích nhồi máu sau đột_quỵ .
sentences:
- Việc cấy_ghép các tế_bào mạch_máu có nguồn_gốc từ tế_bào gốc phôi người góp_phần
tái_tạo mạch_máu sau đột_quỵ ở chuột .
- Độ bão_hoà oxy tĩnh_mạch trung_tâm thấp ở những bệnh_nhân chấn_thương ổn_định
về huyết động_học có liên_quan đến kết_cục kém .
- Những bệnh_nhân ET không bị mất trí_nhớ có nhiều thay_đổi liên_quan đến Alzheimer
trong bệnh_lý thần_kinh tau hơn so với nhóm đối_chứng , cho thấy mối liên_hệ giữa
bệnh_lý tau và run .
pipeline_tag: sentence-similarity
library_name: sentence-transformers
---
# SentenceTransformer based on tmnam20/ViPubMedT5
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [tmnam20/ViPubMedT5](https://huggingface.co/tmnam20/ViPubMedT5). 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:** [tmnam20/ViPubMedT5](https://huggingface.co/tmnam20/ViPubMedT5) <!-- at revision b28c5d32e8d7b9d6e3e46a8881635025398544d2 -->
- **Maximum Sequence Length:** 128 tokens
- **Output Dimensionality:** 768 dimensions
- **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: T5EncoderModel
(1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': False, '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': True, '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("vimednli/vipubmedt5-w_multi-SynPD")
# Run inference
sentences = [
'Việc cấy_ghép các EC và MC có nguồn_gốc từ các tế_bào ES chưa phân_biệt của con_người có khả_năng góp_phần tái_tạo mạch_máu điều_trị và do_đó làm giảm diện_tích nhồi máu sau đột_quỵ .',
'Việc cấy_ghép các tế_bào mạch_máu có nguồn_gốc từ tế_bào gốc phôi người góp_phần tái_tạo mạch_máu sau đột_quỵ ở chuột .',
'Những bệnh_nhân ET không bị mất trí_nhớ có nhiều thay_đổi liên_quan đến Alzheimer trong bệnh_lý thần_kinh tau hơn so với nhóm đối_chứng , cho thấy mối liên_hệ giữa bệnh_lý tau và run .',
]
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.*
-->
<!--
## 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: 92,842 training samples
* Columns: <code>sentence1</code> and <code>sentence2</code>
* Approximate statistics based on the first 1000 samples:
| | sentence1 | sentence2 |
|:--------|:------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|
| type | string | string |
| details | <ul><li>min: 13 tokens</li><li>mean: 60.83 tokens</li><li>max: 128 tokens</li></ul> | <ul><li>min: 3 tokens</li><li>mean: 48.05 tokens</li><li>max: 128 tokens</li></ul> |
* Samples:
| sentence1 | sentence2 |
|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| <code>Trong nghiên_cứu hiện_tại , hoạt_hoá P21 bằng hoạt_hoá gen do RNA ( RNAa ) gây ra hoạt_động chống khối_u trong ống_nghiệm trên dòng tế_bào u thần_kinh đệm SHG-44 của người .</code> | <code>dsRNA nhắm vào vùng khởi_động p21 ( dsP 21 ) đã gây cảm_ứng đáng_kể sự biểu_hiện của p21 ở mức phiên mã và protein , và làm giảm sự biểu_hiện của survivin .</code> |
| <code>Kết_quả của nghiên_cứu này cho thấy một sự tương_đồng về trình_tự không mong_đợi của các protein họ GH97 với glycoside hydrolase từ một_số họ khác , có cấu_trúc nếp gấp ( beta / alpha ) 8 của miền xúc_tác và cơ_chế giữ lại quá_trình thuỷ_phân liên_kết glycoside .</code> | <code>GH97 là một họ mới của glycoside hydrolase , có liên_quan đến họ siêu alpha-galactosidase.</code> |
| <code>MRI là một công_cụ hiệu_quả để dự_đoán đáp_ứng với NAC .</code> | <code>Phân giai MRI sau hoá_trị tân_bổ_trợ cho ung_thư vú : sinh_học khối_u có ảnh_hưởng đến độ_chính_xác không ?</code> |
* Loss: [<code>MultipleNegativesRankingLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters:
```json
{
"scale": 20.0,
"similarity_fct": "cos_sim"
}
```
### Training Hyperparameters
#### Non-Default Hyperparameters
- `per_device_train_batch_size`: 32
- `per_device_eval_batch_size`: 32
- `learning_rate`: 3e-05
- `num_train_epochs`: 10
- `warmup_ratio`: 0.1
#### All Hyperparameters
<details><summary>Click to expand</summary>
- `overwrite_output_dir`: False
- `do_predict`: False
- `eval_strategy`: no
- `prediction_loss_only`: True
- `per_device_train_batch_size`: 32
- `per_device_eval_batch_size`: 32
- `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`: 3e-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`: 0.1
- `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`: 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`: False
- `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}
- `tp_size`: 0
- `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`: None
- `hub_always_push`: False
- `gradient_checkpointing`: False
- `gradient_checkpointing_kwargs`: None
- `include_inputs_for_metrics`: False
- `include_for_metrics`: []
- `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
- `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
- `use_liger_kernel`: False
- `eval_use_gather_object`: False
- `average_tokens_across_devices`: False
- `prompts`: None
- `batch_sampler`: batch_sampler
- `multi_dataset_batch_sampler`: proportional
</details>
### Training Logs
<details><summary>Click to expand</summary>
| Epoch | Step | Training Loss |
|:------:|:-----:|:-------------:|
| 0.0345 | 100 | 4.4987 |
| 0.0689 | 200 | 3.5509 |
| 0.1034 | 300 | 2.2814 |
| 0.1378 | 400 | 1.3726 |
| 0.1723 | 500 | 1.0296 |
| 0.2068 | 600 | 0.7233 |
| 0.2412 | 700 | 0.5698 |
| 0.2757 | 800 | 0.4624 |
| 0.3101 | 900 | 0.4061 |
| 0.3446 | 1000 | 0.3497 |
| 0.3790 | 1100 | 0.2957 |
| 0.4135 | 1200 | 0.2716 |
| 0.4480 | 1300 | 0.2456 |
| 0.4824 | 1400 | 0.2431 |
| 0.5169 | 1500 | 0.1974 |
| 0.5513 | 1600 | 0.2078 |
| 0.5858 | 1700 | 0.2016 |
| 0.6203 | 1800 | 0.2097 |
| 0.6547 | 1900 | 0.1855 |
| 0.6892 | 2000 | 0.1789 |
| 0.7236 | 2100 | 0.1753 |
| 0.7581 | 2200 | 0.1629 |
| 0.7926 | 2300 | 0.1748 |
| 0.8270 | 2400 | 0.1578 |
| 0.8615 | 2500 | 0.1452 |
| 0.8959 | 2600 | 0.1377 |
| 0.9304 | 2700 | 0.1379 |
| 0.9649 | 2800 | 0.1439 |
| 0.9993 | 2900 | 0.1434 |
| 1.0338 | 3000 | 0.1139 |
| 1.0682 | 3100 | 0.0966 |
| 1.1027 | 3200 | 0.1121 |
| 1.1371 | 3300 | 0.0996 |
| 1.1716 | 3400 | 0.1095 |
| 1.2061 | 3500 | 0.1031 |
| 1.2405 | 3600 | 0.1149 |
| 1.2750 | 3700 | 0.1239 |
| 1.3094 | 3800 | 0.0969 |
| 1.3439 | 3900 | 0.1044 |
| 1.3784 | 4000 | 0.1141 |
| 1.4128 | 4100 | 0.0894 |
| 1.4473 | 4200 | 0.1172 |
| 1.4817 | 4300 | 0.1009 |
| 1.5162 | 4400 | 0.0904 |
| 1.5507 | 4500 | 0.1198 |
| 1.5851 | 4600 | 0.0956 |
| 1.6196 | 4700 | 0.1061 |
| 1.6540 | 4800 | 0.0867 |
| 1.6885 | 4900 | 0.0908 |
| 1.7229 | 5000 | 0.1025 |
| 1.7574 | 5100 | 0.1099 |
| 1.7919 | 5200 | 0.0932 |
| 1.8263 | 5300 | 0.0848 |
| 1.8608 | 5400 | 0.1027 |
| 1.8952 | 5500 | 0.0851 |
| 1.9297 | 5600 | 0.0917 |
| 1.9642 | 5700 | 0.0883 |
| 1.9986 | 5800 | 0.0931 |
| 2.0331 | 5900 | 0.0625 |
| 2.0675 | 6000 | 0.0503 |
| 2.1020 | 6100 | 0.0627 |
| 2.1365 | 6200 | 0.0725 |
| 2.1709 | 6300 | 0.0529 |
| 2.2054 | 6400 | 0.0591 |
| 2.2398 | 6500 | 0.0501 |
| 2.2743 | 6600 | 0.0608 |
| 2.3088 | 6700 | 0.0616 |
| 2.3432 | 6800 | 0.0492 |
| 2.3777 | 6900 | 0.0556 |
| 2.4121 | 7000 | 0.0744 |
| 2.4466 | 7100 | 0.0661 |
| 2.4810 | 7200 | 0.0554 |
| 2.5155 | 7300 | 0.0615 |
| 2.5500 | 7400 | 0.0565 |
| 2.5844 | 7500 | 0.0628 |
| 2.6189 | 7600 | 0.0527 |
| 2.6533 | 7700 | 0.069 |
| 2.6878 | 7800 | 0.0666 |
| 2.7223 | 7900 | 0.0642 |
| 2.7567 | 8000 | 0.0601 |
| 2.7912 | 8100 | 0.0564 |
| 2.8256 | 8200 | 0.0549 |
| 2.8601 | 8300 | 0.0552 |
| 2.8946 | 8400 | 0.0692 |
| 2.9290 | 8500 | 0.0607 |
| 2.9635 | 8600 | 0.0537 |
| 2.9979 | 8700 | 0.0534 |
| 3.0324 | 8800 | 0.0365 |
| 3.0669 | 8900 | 0.041 |
| 3.1013 | 9000 | 0.0405 |
| 3.1358 | 9100 | 0.0362 |
| 3.1702 | 9200 | 0.0365 |
| 3.2047 | 9300 | 0.0451 |
| 3.2391 | 9400 | 0.0363 |
| 3.2736 | 9500 | 0.0444 |
| 3.3081 | 9600 | 0.0349 |
| 3.3425 | 9700 | 0.0445 |
| 3.3770 | 9800 | 0.0491 |
| 3.4114 | 9900 | 0.0429 |
| 3.4459 | 10000 | 0.0399 |
| 3.4804 | 10100 | 0.0364 |
| 3.5148 | 10200 | 0.0429 |
| 3.5493 | 10300 | 0.0394 |
| 3.5837 | 10400 | 0.0397 |
| 3.6182 | 10500 | 0.0406 |
| 3.6527 | 10600 | 0.038 |
| 3.6871 | 10700 | 0.0379 |
| 3.7216 | 10800 | 0.0392 |
| 3.7560 | 10900 | 0.0395 |
| 3.7905 | 11000 | 0.0331 |
| 3.8249 | 11100 | 0.0415 |
| 3.8594 | 11200 | 0.0421 |
| 3.8939 | 11300 | 0.0371 |
| 3.9283 | 11400 | 0.0333 |
| 3.9628 | 11500 | 0.0352 |
| 3.9972 | 11600 | 0.0371 |
| 4.0317 | 11700 | 0.0266 |
| 4.0662 | 11800 | 0.0288 |
| 4.1006 | 11900 | 0.0281 |
| 4.1351 | 12000 | 0.0318 |
| 4.1695 | 12100 | 0.0256 |
| 4.2040 | 12200 | 0.0275 |
| 4.2385 | 12300 | 0.0245 |
| 4.2729 | 12400 | 0.0295 |
| 4.3074 | 12500 | 0.0282 |
| 4.3418 | 12600 | 0.0286 |
| 4.3763 | 12700 | 0.0231 |
| 4.4108 | 12800 | 0.03 |
| 4.4452 | 12900 | 0.0244 |
| 4.4797 | 13000 | 0.0231 |
| 4.5141 | 13100 | 0.0222 |
| 4.5486 | 13200 | 0.027 |
| 4.5830 | 13300 | 0.0301 |
| 4.6175 | 13400 | 0.0256 |
| 4.6520 | 13500 | 0.0325 |
| 4.6864 | 13600 | 0.0291 |
| 4.7209 | 13700 | 0.0263 |
| 4.7553 | 13800 | 0.0215 |
| 4.7898 | 13900 | 0.0277 |
| 4.8243 | 14000 | 0.024 |
| 4.8587 | 14100 | 0.0242 |
| 4.8932 | 14200 | 0.0259 |
| 4.9276 | 14300 | 0.0279 |
| 4.9621 | 14400 | 0.0247 |
| 4.9966 | 14500 | 0.0285 |
| 5.0310 | 14600 | 0.0206 |
| 5.0655 | 14700 | 0.0183 |
| 5.0999 | 14800 | 0.0161 |
| 5.1344 | 14900 | 0.019 |
| 5.1688 | 15000 | 0.0198 |
| 5.2033 | 15100 | 0.0174 |
| 5.2378 | 15200 | 0.0157 |
| 5.2722 | 15300 | 0.0191 |
| 5.3067 | 15400 | 0.0181 |
| 5.3411 | 15500 | 0.0165 |
| 5.3756 | 15600 | 0.018 |
| 5.4101 | 15700 | 0.0194 |
| 5.4445 | 15800 | 0.0221 |
| 5.4790 | 15900 | 0.017 |
| 5.5134 | 16000 | 0.019 |
| 5.5479 | 16100 | 0.0166 |
| 5.5824 | 16200 | 0.0156 |
| 5.6168 | 16300 | 0.0248 |
| 5.6513 | 16400 | 0.0189 |
| 5.6857 | 16500 | 0.0188 |
| 5.7202 | 16600 | 0.0191 |
| 5.7547 | 16700 | 0.02 |
| 5.7891 | 16800 | 0.0157 |
| 5.8236 | 16900 | 0.0247 |
| 5.8580 | 17000 | 0.0218 |
| 5.8925 | 17100 | 0.0191 |
| 5.9269 | 17200 | 0.0141 |
| 5.9614 | 17300 | 0.0203 |
| 5.9959 | 17400 | 0.0169 |
| 6.0303 | 17500 | 0.0122 |
| 6.0648 | 17600 | 0.0128 |
| 6.0992 | 17700 | 0.0151 |
| 6.1337 | 17800 | 0.0162 |
| 6.1682 | 17900 | 0.0137 |
| 6.2026 | 18000 | 0.0124 |
| 6.2371 | 18100 | 0.0127 |
| 6.2715 | 18200 | 0.0152 |
| 6.3060 | 18300 | 0.0151 |
| 6.3405 | 18400 | 0.0164 |
| 6.3749 | 18500 | 0.0131 |
| 6.4094 | 18600 | 0.0155 |
| 6.4438 | 18700 | 0.0166 |
| 6.4783 | 18800 | 0.0149 |
| 6.5127 | 18900 | 0.0165 |
| 6.5472 | 19000 | 0.0181 |
| 6.5817 | 19100 | 0.014 |
| 6.6161 | 19200 | 0.0158 |
| 6.6506 | 19300 | 0.0171 |
| 6.6850 | 19400 | 0.0156 |
| 6.7195 | 19500 | 0.0143 |
| 6.7540 | 19600 | 0.0142 |
| 6.7884 | 19700 | 0.0151 |
| 6.8229 | 19800 | 0.0153 |
| 6.8573 | 19900 | 0.0141 |
| 6.8918 | 20000 | 0.0169 |
| 6.9263 | 20100 | 0.016 |
| 6.9607 | 20200 | 0.0128 |
| 6.9952 | 20300 | 0.0145 |
| 7.0296 | 20400 | 0.0103 |
| 7.0641 | 20500 | 0.0128 |
| 7.0986 | 20600 | 0.0088 |
| 7.1330 | 20700 | 0.0146 |
| 7.1675 | 20800 | 0.0101 |
| 7.2019 | 20900 | 0.0145 |
| 7.2364 | 21000 | 0.0141 |
| 7.2708 | 21100 | 0.0098 |
| 7.3053 | 21200 | 0.011 |
| 7.3398 | 21300 | 0.0117 |
| 7.3742 | 21400 | 0.0115 |
| 7.4087 | 21500 | 0.0129 |
| 7.4431 | 21600 | 0.0121 |
| 7.4776 | 21700 | 0.0096 |
| 7.5121 | 21800 | 0.0125 |
| 7.5465 | 21900 | 0.0115 |
| 7.5810 | 22000 | 0.0147 |
| 7.6154 | 22100 | 0.0149 |
| 7.6499 | 22200 | 0.0133 |
| 7.6844 | 22300 | 0.0127 |
| 7.7188 | 22400 | 0.0137 |
| 7.7533 | 22500 | 0.0113 |
| 7.7877 | 22600 | 0.0136 |
| 7.8222 | 22700 | 0.0128 |
| 7.8567 | 22800 | 0.0127 |
| 7.8911 | 22900 | 0.0154 |
| 7.9256 | 23000 | 0.0118 |
| 7.9600 | 23100 | 0.0118 |
| 7.9945 | 23200 | 0.0128 |
| 8.0289 | 23300 | 0.0098 |
| 8.0634 | 23400 | 0.0103 |
| 8.0979 | 23500 | 0.0125 |
| 8.1323 | 23600 | 0.0109 |
| 8.1668 | 23700 | 0.0083 |
| 8.2012 | 23800 | 0.0112 |
| 8.2357 | 23900 | 0.0108 |
| 8.2702 | 24000 | 0.0113 |
| 8.3046 | 24100 | 0.0107 |
| 8.3391 | 24200 | 0.011 |
| 8.3735 | 24300 | 0.01 |
| 8.4080 | 24400 | 0.0104 |
| 8.4425 | 24500 | 0.0099 |
| 8.4769 | 24600 | 0.0106 |
| 8.5114 | 24700 | 0.0111 |
| 8.5458 | 24800 | 0.0111 |
| 8.5803 | 24900 | 0.0105 |
| 8.6147 | 25000 | 0.0091 |
| 8.6492 | 25100 | 0.0128 |
| 8.6837 | 25200 | 0.0125 |
| 8.7181 | 25300 | 0.0115 |
| 8.7526 | 25400 | 0.0119 |
| 8.7870 | 25500 | 0.0115 |
| 8.8215 | 25600 | 0.0073 |
| 8.8560 | 25700 | 0.0107 |
| 8.8904 | 25800 | 0.012 |
| 8.9249 | 25900 | 0.0113 |
| 8.9593 | 26000 | 0.0104 |
| 8.9938 | 26100 | 0.0124 |
| 9.0283 | 26200 | 0.0092 |
| 9.0627 | 26300 | 0.0129 |
| 9.0972 | 26400 | 0.0094 |
| 9.1316 | 26500 | 0.0109 |
| 9.1661 | 26600 | 0.0094 |
| 9.2006 | 26700 | 0.0098 |
| 9.2350 | 26800 | 0.0103 |
| 9.2695 | 26900 | 0.0097 |
| 9.3039 | 27000 | 0.0106 |
| 9.3384 | 27100 | 0.0079 |
| 9.3728 | 27200 | 0.0082 |
| 9.4073 | 27300 | 0.0095 |
| 9.4418 | 27400 | 0.0086 |
| 9.4762 | 27500 | 0.009 |
| 9.5107 | 27600 | 0.0089 |
| 9.5451 | 27700 | 0.0102 |
| 9.5796 | 27800 | 0.0111 |
| 9.6141 | 27900 | 0.0104 |
| 9.6485 | 28000 | 0.011 |
| 9.6830 | 28100 | 0.0096 |
| 9.7174 | 28200 | 0.0096 |
| 9.7519 | 28300 | 0.0106 |
| 9.7864 | 28400 | 0.0076 |
| 9.8208 | 28500 | 0.0079 |
| 9.8553 | 28600 | 0.0097 |
| 9.8897 | 28700 | 0.0083 |
| 9.9242 | 28800 | 0.0077 |
| 9.9586 | 28900 | 0.0104 |
| 9.9931 | 29000 | 0.0107 |
</details>
### Framework Versions
- Python: 3.9.19
- Sentence Transformers: 4.1.0
- Transformers: 4.51.3
- PyTorch: 2.2.0+cu121
- Accelerate: 0.34.2
- Datasets: 2.19.1
- Tokenizers: 0.21.1
## 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",
}
```
#### 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.*
-->