---
base_model: uitnlp/CafeBERT
datasets: []
language: []
library_name: sentence-transformers
metrics:
- cosine_accuracy
- cosine_accuracy_threshold
- cosine_f1
- cosine_f1_threshold
- cosine_precision
- cosine_recall
- cosine_ap
- dot_accuracy
- dot_accuracy_threshold
- dot_f1
- dot_f1_threshold
- dot_precision
- dot_recall
- dot_ap
- manhattan_accuracy
- manhattan_accuracy_threshold
- manhattan_f1
- manhattan_f1_threshold
- manhattan_precision
- manhattan_recall
- manhattan_ap
- euclidean_accuracy
- euclidean_accuracy_threshold
- euclidean_f1
- euclidean_f1_threshold
- euclidean_precision
- euclidean_recall
- euclidean_ap
- max_accuracy
- max_accuracy_threshold
- max_f1
- max_f1_threshold
- max_precision
- max_recall
- max_ap
pipeline_tag: sentence-similarity
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:461625
- loss:OnlineContrastiveLoss
widget:
- source_sentence: Yếu tố nào đã dẫn đến sự thay đổi của Edward?
sentences:
- Việc giải quyết liên quan đến việc quảng bá thuốc theo toa bất hợp pháp của công
ty, không báo cáo dữ liệu an toàn, hối lộ bác sĩ và quảng bá thuốc cho các mục
đích sử dụng mà họ không được cấp phép.
- Vài tháng gần đây bệnh nhân đau âm ỉ vùng thượng vị, cứ tưởng đau dạ dày nên tự
mua thuốc uống cho đến khi bệnh trở nặng mới vào viện.
- Động cơ đằng sau sự thay đổi của Edward có thể là hoàn toàn thực dụng; Montfort
sẽ hỗ trợ đáng kể cho sự nghiệp của ông ở Gascony.
- source_sentence: Kobe là một trung tâm quốc tế lớn với các nhà hàng, quán bar và
cuộc sống về đêm phát triển mạnh mẽ, chưa kể đến Nankin-machi, khu phố Tàu nổi
tiếng nhất Nhật Bản.
sentences:
- Suy cho cùng, con người luôn thay đổi, chỉ vì họ già đi thêm một giây nữa và có
thêm một số kinh nghiệm.
- Quy trình tương tự luôn được sử dụng với chìa khóa khi rời khỏi phòng.
- Nankin-machi là phố Tàu nổi tiếng thứ hai của Nhật Bản và nằm ở một vùng nông
thôn.
- source_sentence: Với tỷ lệ lạm phát bằng 0, ngân hàng trung ương sẽ không thể làm
gì khác ngoài việc kiểm soát lãi suất?
sentences:
- Mặc dù một số nhà kinh tế ủng hộ chính sách lạm phát bằng không và do đó giá trị
liên tục của đồng đô la Mỹ, những người khác cho rằng chính sách như vậy hạn chế
khả năng của ngân hàng trung ương trong việc kiểm soát lãi suất và kích thích
nền kinh tế khi cần thiết.
- Roosevelt không tăng thuế thu nhập trước khi Chiến tranh thế giới thứ hai bắt
đầu; tuy nhiên thuế sổ lương (payroll tax) cũng bắt đầu được đưa ra nhằm gây quỹ
cho chương trình mới là An sinh Xã hội năm 1937.
- Các loại vắc-xin mới đáng chú ý khác của thời kỳ này bao gồm vắc-xin phòng bệnh
sởi (1962, John Franklin Enders của Trung tâm Y tế Trẻ em Boston, sau đó được
Maurice Hilleman tại Merck tinh chế), Rubella (1969, Hilleman, Merck) và quai
bị (1967, Hilleman, Merck)
- source_sentence: Cách một chút về phía nam là Leith Links, được cho là nơi khai
sinh ra golf, nơi mà các tay golf của Công ty danh dự Edinburgh đã xây dựng một
câu lạc bộ vào năm 1767 và bạn vẫn có thể tận hưởng một cú đánh trong không khí
biển.
sentences:
- Sáng sớm ngày 12/7/1946, một tiểu đội công an do Lê Hữu Qua chỉ huy bao vây khám
xét trụ sở của đảng Đại Việt tại số 132 Duvigneau, do nghi ngờ Đại Việt cấu kết
với Pháp âm mưu tiến hành đảo chính lật đổ chính phủ Việt Nam Dân chủ Cộng hòa
đúng vào ngày quốc khánh Pháp 14/7/1946 khiến lính canh và các đảng viên Đại Việt
không kịp phản ứng.
- Leith Links đã cho ra đời môn golf khi các tay golf Edinburgh xây dựng một câu
lạc bộ ở đó vào năm 1767, và bạn vẫn có thể chơi golf ở đó cho đến ngày nay.
- Từ ngày 28 tháng 2 đến ngày 8 tháng 3 năm 2008, khoảng 570 km2 (220 sq mi) băng
từ thềm băng Wilkins ở phía tây nam của bán đảo sụp đổ, khiến 15.000 km2 (5.800
sq mi) còn lại của thềm băng có nguy cơ sụp đổ.
- source_sentence: Chúng tôi đang tiến vào sa mạc.
sentences:
- Vị trí Thủ tướng, người đứng đầu chính phủ Hy Lạp, thuộc về lãnh đạo hiện tại
của đảng chính trị có thể có được một cuộc bỏ phiếu tín nhiệm của Quốc hội.
- Người phụ nữ này đang chạy vì cô ta đến muộn.
- Chúng tôi chuyển đến sa mạc.
model-index:
- name: SentenceTransformer based on uitnlp/CafeBERT
results:
- task:
type: binary-classification
name: Binary Classification
dataset:
name: Unknown
type: unknown
metrics:
- type: cosine_accuracy
value: 0.540375
name: Cosine Accuracy
- type: cosine_accuracy_threshold
value: 1.0
name: Cosine Accuracy Threshold
- type: cosine_f1
value: 0.6298986023568102
name: Cosine F1
- type: cosine_f1_threshold
value: 1.0
name: Cosine F1 Threshold
- type: cosine_precision
value: 0.45974597459745975
name: Cosine Precision
- type: cosine_recall
value: 1.0
name: Cosine Recall
- type: cosine_ap
value: 0.4597
name: Cosine Ap
- type: dot_accuracy
value: 0.540325
name: Dot Accuracy
- type: dot_accuracy_threshold
value: 46.29051971435547
name: Dot Accuracy Threshold
- type: dot_f1
value: 0.6298751348851549
name: Dot F1
- type: dot_f1_threshold
value: 46.290496826171875
name: Dot F1 Threshold
- type: dot_precision
value: 0.4597324665583198
name: Dot Precision
- type: dot_recall
value: 0.9999456167065478
name: Dot Recall
- type: dot_ap
value: 0.45782966491158084
name: Dot Ap
- type: manhattan_accuracy
value: 0.541125
name: Manhattan Accuracy
- type: manhattan_accuracy_threshold
value: 1.981481909751892e-05
name: Manhattan Accuracy Threshold
- type: manhattan_f1
value: 0.6298662373473547
name: Manhattan F1
- type: manhattan_f1_threshold
value: 0.00021043187007308006
name: Manhattan F1 Threshold
- type: manhattan_precision
value: 0.4597114927873197
name: Manhattan Precision
- type: manhattan_recall
value: 1.0
name: Manhattan Recall
- type: manhattan_ap
value: 0.4603931536346896
name: Manhattan Ap
- type: euclidean_accuracy
value: 0.541225
name: Euclidean Accuracy
- type: euclidean_accuracy_threshold
value: 1.6662881989759626e-06
name: Euclidean Accuracy Threshold
- type: euclidean_f1
value: 0.6298878136507665
name: Euclidean F1
- type: euclidean_f1_threshold
value: 1.694726961432025e-05
name: Euclidean F1 Threshold
- type: euclidean_precision
value: 0.4597344800860064
name: Euclidean Precision
- type: euclidean_recall
value: 1.0
name: Euclidean Recall
- type: euclidean_ap
value: 0.4601793379421392
name: Euclidean Ap
- type: max_accuracy
value: 0.541225
name: Max Accuracy
- type: max_accuracy_threshold
value: 46.29051971435547
name: Max Accuracy Threshold
- type: max_f1
value: 0.6298986023568102
name: Max F1
- type: max_f1_threshold
value: 46.290496826171875
name: Max F1 Threshold
- type: max_precision
value: 0.45974597459745975
name: Max Precision
- type: max_recall
value: 1.0
name: Max Recall
- type: max_ap
value: 0.4603931536346896
name: Max Ap
---
# SentenceTransformer based on uitnlp/CafeBERT
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [uitnlp/CafeBERT](https://huggingface.co/uitnlp/CafeBERT). It maps sentences & paragraphs to a 256-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:** [uitnlp/CafeBERT](https://huggingface.co/uitnlp/CafeBERT) <!-- at revision 056275afbdf71a5258cb31bfb9fc5f18cc718c04 -->
- **Maximum Sequence Length:** 256 tokens
- **Output Dimensionality:** 256 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': 256, 'do_lower_case': False}) with Transformer model: XLMRobertaModel
(1): Pooling({'word_embedding_dimension': 1024, '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})
(2): Dense({'in_features': 1024, 'out_features': 256, 'bias': True, 'activation_function': 'torch.nn.modules.activation.Tanh'})
)
```
## 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("ThuanPhong/sentence_CafeBERT")
# Run inference
sentences = [
'Chúng tôi đang tiến vào sa mạc.',
'Chúng tôi chuyển đến sa mạc.',
'Người phụ nữ này đang chạy vì cô ta đến muộn.',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 256]
# 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
#### Binary Classification
* Evaluated with [<code>BinaryClassificationEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.BinaryClassificationEvaluator)
| Metric | Value |
|:-----------------------------|:-----------|
| cosine_accuracy | 0.5404 |
| cosine_accuracy_threshold | 1.0 |
| cosine_f1 | 0.6299 |
| cosine_f1_threshold | 1.0 |
| cosine_precision | 0.4597 |
| cosine_recall | 1.0 |
| cosine_ap | 0.4597 |
| dot_accuracy | 0.5403 |
| dot_accuracy_threshold | 46.2905 |
| dot_f1 | 0.6299 |
| dot_f1_threshold | 46.2905 |
| dot_precision | 0.4597 |
| dot_recall | 0.9999 |
| dot_ap | 0.4578 |
| manhattan_accuracy | 0.5411 |
| manhattan_accuracy_threshold | 0.0 |
| manhattan_f1 | 0.6299 |
| manhattan_f1_threshold | 0.0002 |
| manhattan_precision | 0.4597 |
| manhattan_recall | 1.0 |
| manhattan_ap | 0.4604 |
| euclidean_accuracy | 0.5412 |
| euclidean_accuracy_threshold | 0.0 |
| euclidean_f1 | 0.6299 |
| euclidean_f1_threshold | 0.0 |
| euclidean_precision | 0.4597 |
| euclidean_recall | 1.0 |
| euclidean_ap | 0.4602 |
| max_accuracy | 0.5412 |
| max_accuracy_threshold | 46.2905 |
| max_f1 | 0.6299 |
| max_f1_threshold | 46.2905 |
| max_precision | 0.4597 |
| max_recall | 1.0 |
| **max_ap** | **0.4604** |
<!--
## 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: 461,625 training samples
* Columns: <code>sentence_0</code>, <code>sentence_1</code>, and <code>label</code>
* Approximate statistics based on the first 1000 samples:
| | sentence_0 | sentence_1 | label |
|:--------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:------------------------------------------------|
| type | string | string | int |
| details | <ul><li>min: 4 tokens</li><li>mean: 21.87 tokens</li><li>max: 121 tokens</li></ul> | <ul><li>min: 4 tokens</li><li>mean: 32.19 tokens</li><li>max: 162 tokens</li></ul> | <ul><li>0: ~55.90%</li><li>1: ~44.10%</li></ul> |
* Samples:
| sentence_0 | sentence_1 | label |
|:--------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------|
| <code>Khi nào William Caxton giới thiệu máy in ép vào nước Anh?</code> | <code>Những đặc điểm mà độc giả của Shakespeare ngày nay có thể thấy kỳ quặc hay lỗi thời thường đại diện cho những nét đặc trưng của tiếng Anh trung Đại.</code> | <code>0</code> |
| <code>Nhưng tôi không biết rằng tôi phải, " Dorcas do dự.</code> | <code>Dorcas sợ phản ứng của họ.</code> | <code>0</code> |
| <code>Đông Đức là tên gọi thường được sử dụng để chỉ quốc gia nào?</code> | <code>Cộng hòa Dân chủ Đức (tiếng Đức: Deutsche Demokratische Republik, DDR; thường được gọi là Đông Đức) là một quốc gia nay không còn nữa, tồn tại từ 1949 đến 1990 theo định hướng xã hội chủ nghĩa tại phần phía đông nước Đức ngày nay.</code> | <code>1</code> |
* Loss: [<code>OnlineContrastiveLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#onlinecontrastiveloss)
### Training Hyperparameters
#### Non-Default Hyperparameters
- `num_train_epochs`: 2
- `multi_dataset_batch_sampler`: round_robin
#### 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`: 8
- `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
- `num_train_epochs`: 2
- `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`: 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}
- `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`: round_robin
</details>
### Training Logs
<details><summary>Click to expand</summary>
| Epoch | Step | Training Loss | max_ap |
|:------:|:------:|:-------------:|:------:|
| 0 | 0 | - | 0.5959 |
| 0.0087 | 500 | 0.3971 | - |
| 0.0173 | 1000 | 0.3353 | - |
| 0.0260 | 1500 | 0.4706 | - |
| 0.0347 | 2000 | 0.5002 | - |
| 0.0433 | 2500 | 0.4528 | - |
| 0.0520 | 3000 | 0.445 | - |
| 0.0607 | 3500 | 0.428 | - |
| 0.0693 | 4000 | 0.4305 | - |
| 0.0780 | 4500 | 0.4428 | - |
| 0.0866 | 5000 | 0.4358 | - |
| 0.0953 | 5500 | 0.4309 | - |
| 0.1040 | 6000 | 0.4221 | - |
| 0.1126 | 6500 | 0.4283 | - |
| 0.1213 | 7000 | 0.4218 | - |
| 0.1300 | 7500 | 0.4176 | - |
| 0.1386 | 8000 | 0.4227 | - |
| 0.1473 | 8500 | 0.4174 | - |
| 0.1560 | 9000 | 0.418 | - |
| 0.1646 | 9500 | 0.426 | - |
| 0.1733 | 10000 | 0.4213 | - |
| 0.1820 | 10500 | 0.4165 | - |
| 0.1906 | 11000 | 0.417 | - |
| 0.1993 | 11500 | 0.4262 | - |
| 0.2080 | 12000 | 0.4192 | - |
| 0.2166 | 12500 | 0.4162 | - |
| 0.2253 | 13000 | 0.4136 | - |
| 0.2340 | 13500 | 0.4037 | - |
| 0.2426 | 14000 | 0.4234 | - |
| 0.2513 | 14500 | 0.4225 | - |
| 0.2599 | 15000 | 0.4143 | - |
| 0.2686 | 15500 | 0.4178 | - |
| 0.2773 | 16000 | 0.4172 | - |
| 0.2859 | 16500 | 0.4305 | - |
| 0.2946 | 17000 | 0.4193 | - |
| 0.3033 | 17500 | 0.4144 | - |
| 0.3119 | 18000 | 0.4192 | - |
| 0.3206 | 18500 | 0.4172 | - |
| 0.3293 | 19000 | 0.4253 | - |
| 0.3379 | 19500 | 0.4211 | - |
| 0.3466 | 20000 | 0.4197 | - |
| 0.3553 | 20500 | 0.4219 | - |
| 0.3639 | 21000 | 0.4307 | - |
| 0.3726 | 21500 | 0.4332 | - |
| 0.3813 | 22000 | 0.4201 | - |
| 0.3899 | 22500 | 0.4273 | - |
| 0.3986 | 23000 | 0.4218 | - |
| 0.4073 | 23500 | 0.4279 | - |
| 0.4159 | 24000 | 0.4299 | - |
| 0.4246 | 24500 | 0.4289 | - |
| 0.4332 | 25000 | 0.416 | - |
| 0.4419 | 25500 | 0.3997 | - |
| 0.4506 | 26000 | 0.409 | - |
| 0.4592 | 26500 | 0.4133 | - |
| 0.4679 | 27000 | 0.4016 | - |
| 0.4766 | 27500 | 0.4117 | - |
| 0.4852 | 28000 | 0.4155 | - |
| 0.4939 | 28500 | 0.4117 | - |
| 0.5026 | 29000 | 0.4039 | - |
| 0.5112 | 29500 | 0.4087 | - |
| 0.5199 | 30000 | 0.4119 | - |
| 0.5286 | 30500 | 0.3948 | - |
| 0.5372 | 31000 | 0.4013 | - |
| 0.5459 | 31500 | 0.4175 | - |
| 0.5546 | 32000 | 0.4038 | - |
| 0.5632 | 32500 | 0.4058 | - |
| 0.5719 | 33000 | 0.4099 | - |
| 0.5805 | 33500 | 0.4117 | - |
| 0.5892 | 34000 | 0.4142 | - |
| 0.5979 | 34500 | 0.4049 | - |
| 0.6065 | 35000 | 0.4099 | - |
| 0.6152 | 35500 | 0.4121 | - |
| 0.6239 | 36000 | 0.4167 | - |
| 0.6325 | 36500 | 0.4138 | - |
| 0.6412 | 37000 | 0.4125 | - |
| 0.6499 | 37500 | 0.4043 | - |
| 0.6585 | 38000 | 0.4129 | - |
| 0.6672 | 38500 | 0.4079 | - |
| 0.6759 | 39000 | 0.3954 | - |
| 0.6845 | 39500 | 0.413 | - |
| 0.6932 | 40000 | 0.4079 | - |
| 0.7019 | 40500 | 0.4067 | - |
| 0.7105 | 41000 | 0.4251 | - |
| 0.7192 | 41500 | 0.4044 | - |
| 0.7279 | 42000 | 0.3919 | - |
| 0.7365 | 42500 | 0.4081 | - |
| 0.7452 | 43000 | 0.4141 | - |
| 0.7538 | 43500 | 0.4015 | - |
| 0.7625 | 44000 | 0.4139 | - |
| 0.7712 | 44500 | 0.408 | - |
| 0.7798 | 45000 | 0.4019 | - |
| 0.7885 | 45500 | 0.4127 | - |
| 0.7972 | 46000 | 0.4109 | - |
| 0.8058 | 46500 | 0.4045 | - |
| 0.8145 | 47000 | 0.4017 | - |
| 0.8232 | 47500 | 0.4108 | - |
| 0.8318 | 48000 | 0.4189 | - |
| 0.8405 | 48500 | 0.4127 | - |
| 0.8492 | 49000 | 0.4183 | - |
| 0.8578 | 49500 | 0.408 | - |
| 0.8665 | 50000 | 0.4091 | - |
| 0.8752 | 50500 | 0.412 | - |
| 0.8838 | 51000 | 0.4129 | - |
| 0.8925 | 51500 | 0.4175 | - |
| 0.9012 | 52000 | 0.4049 | - |
| 0.9098 | 52500 | 0.4047 | - |
| 0.9185 | 53000 | 0.4016 | - |
| 0.9271 | 53500 | 0.4088 | - |
| 0.9358 | 54000 | 0.4009 | - |
| 0.9445 | 54500 | 0.3996 | - |
| 0.9531 | 55000 | 0.4054 | - |
| 0.9618 | 55500 | 0.4115 | - |
| 0.9705 | 56000 | 0.4135 | - |
| 0.9791 | 56500 | 0.4041 | - |
| 0.9878 | 57000 | 0.4046 | - |
| 0.9965 | 57500 | 0.4063 | - |
| 1.0 | 57704 | - | 0.4615 |
| 1.0051 | 58000 | 0.4054 | - |
| 1.0138 | 58500 | 0.4017 | - |
| 1.0225 | 59000 | 0.417 | - |
| 1.0311 | 59500 | 0.4048 | - |
| 1.0398 | 60000 | 0.4007 | - |
| 1.0485 | 60500 | 0.4094 | - |
| 1.0571 | 61000 | 0.4068 | - |
| 1.0658 | 61500 | 0.4113 | - |
| 1.0744 | 62000 | 0.4022 | - |
| 1.0831 | 62500 | 0.4219 | - |
| 1.0918 | 63000 | 0.4149 | - |
| 1.1004 | 63500 | 0.399 | - |
| 1.1091 | 64000 | 0.4041 | - |
| 1.1178 | 64500 | 0.4023 | - |
| 1.1264 | 65000 | 0.4039 | - |
| 1.1351 | 65500 | 0.4024 | - |
| 1.1438 | 66000 | 0.4184 | - |
| 1.1524 | 66500 | 0.4104 | - |
| 1.1611 | 67000 | 0.4032 | - |
| 1.1698 | 67500 | 0.3958 | - |
| 1.1784 | 68000 | 0.4103 | - |
| 1.1871 | 68500 | 0.4105 | - |
| 1.1958 | 69000 | 0.4049 | - |
| 1.2044 | 69500 | 0.3995 | - |
| 1.2131 | 70000 | 0.4064 | - |
| 1.2218 | 70500 | 0.4135 | - |
| 1.2304 | 71000 | 0.3907 | - |
| 1.2391 | 71500 | 0.4037 | - |
| 1.2477 | 72000 | 0.4016 | - |
| 1.2564 | 72500 | 0.4124 | - |
| 1.2651 | 73000 | 0.4071 | - |
| 1.2737 | 73500 | 0.3965 | - |
| 1.2824 | 74000 | 0.4149 | - |
| 1.2911 | 74500 | 0.3985 | - |
| 1.2997 | 75000 | 0.3957 | - |
| 1.3084 | 75500 | 0.4043 | - |
| 1.3171 | 76000 | 0.411 | - |
| 1.3257 | 76500 | 0.4109 | - |
| 1.3344 | 77000 | 0.3968 | - |
| 1.3431 | 77500 | 0.4134 | - |
| 1.3517 | 78000 | 0.4057 | - |
| 1.3604 | 78500 | 0.4034 | - |
| 1.3691 | 79000 | 0.4057 | - |
| 1.3777 | 79500 | 0.3998 | - |
| 1.3864 | 80000 | 0.4002 | - |
| 1.3951 | 80500 | 0.396 | - |
| 1.4037 | 81000 | 0.4066 | - |
| 1.4124 | 81500 | 0.4073 | - |
| 1.4210 | 82000 | 0.3957 | - |
| 1.4297 | 82500 | 0.4012 | - |
| 1.4384 | 83000 | 0.4008 | - |
| 1.4470 | 83500 | 0.4055 | - |
| 1.4557 | 84000 | 0.409 | - |
| 1.4644 | 84500 | 0.4052 | - |
| 1.4730 | 85000 | 0.4128 | - |
| 1.4817 | 85500 | 0.4053 | - |
| 1.4904 | 86000 | 0.3979 | - |
| 1.4990 | 86500 | 0.4038 | - |
| 1.5077 | 87000 | 0.3987 | - |
| 1.5164 | 87500 | 0.4071 | - |
| 1.5250 | 88000 | 0.4042 | - |
| 1.5337 | 88500 | 0.4097 | - |
| 1.5424 | 89000 | 0.4044 | - |
| 1.5510 | 89500 | 0.4037 | - |
| 1.5597 | 90000 | 0.3992 | - |
| 1.5683 | 90500 | 0.4031 | - |
| 1.5770 | 91000 | 0.4037 | - |
| 1.5857 | 91500 | 0.4001 | - |
| 1.5943 | 92000 | 0.4069 | - |
| 1.6030 | 92500 | 0.4149 | - |
| 1.6117 | 93000 | 0.4091 | - |
| 1.6203 | 93500 | 0.3978 | - |
| 1.6290 | 94000 | 0.397 | - |
| 1.6377 | 94500 | 0.4063 | - |
| 1.6463 | 95000 | 0.4032 | - |
| 1.6550 | 95500 | 0.4146 | - |
| 1.6637 | 96000 | 0.407 | - |
| 1.6723 | 96500 | 0.4079 | - |
| 1.6810 | 97000 | 0.3991 | - |
| 1.6897 | 97500 | 0.4072 | - |
| 1.6983 | 98000 | 0.397 | - |
| 1.7070 | 98500 | 0.4033 | - |
| 1.7157 | 99000 | 0.412 | - |
| 1.7243 | 99500 | 0.3886 | - |
| 1.7330 | 100000 | 0.4026 | - |
| 1.7416 | 100500 | 0.3993 | - |
| 1.7503 | 101000 | 0.4078 | - |
| 1.7590 | 101500 | 0.3945 | - |
| 1.7676 | 102000 | 0.4029 | - |
| 1.7763 | 102500 | 0.4048 | - |
| 1.7850 | 103000 | 0.3994 | - |
| 1.7936 | 103500 | 0.4079 | - |
| 1.8023 | 104000 | 0.4146 | - |
| 1.8110 | 104500 | 0.4014 | - |
| 1.8196 | 105000 | 0.3942 | - |
| 1.8283 | 105500 | 0.4081 | - |
| 1.8370 | 106000 | 0.4016 | - |
| 1.8456 | 106500 | 0.4122 | - |
| 1.8543 | 107000 | 0.4078 | - |
| 1.8630 | 107500 | 0.4146 | - |
| 1.8716 | 108000 | 0.4029 | - |
| 1.8803 | 108500 | 0.4057 | - |
| 1.8890 | 109000 | 0.3994 | - |
| 1.8976 | 109500 | 0.3955 | - |
| 1.9063 | 110000 | 0.3997 | - |
| 1.9149 | 110500 | 0.3935 | - |
| 1.9236 | 111000 | 0.3942 | - |
| 1.9323 | 111500 | 0.3979 | - |
| 1.9409 | 112000 | 0.3996 | - |
| 1.9496 | 112500 | 0.4076 | - |
| 1.9583 | 113000 | 0.3971 | - |
| 1.9669 | 113500 | 0.4075 | - |
| 1.9756 | 114000 | 0.4028 | - |
| 1.9843 | 114500 | 0.4011 | - |
| 1.9929 | 115000 | 0.3929 | - |
| 2.0 | 115408 | - | 0.4604 |
</details>
### Framework Versions
- Python: 3.10.13
- Sentence Transformers: 3.0.1
- Transformers: 4.44.2
- PyTorch: 2.2.1
- Accelerate: 0.33.0
- 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",
}
```
<!--
## 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.*
-->