--- base_model: abdoelsayed/AraDPR datasets: - hatemestinbejaia/RARAELECTRAandRARABERTusedDATASET library_name: sentence-transformers metrics: - map - mrr@10 - ndcg@10 pipeline_tag: sentence-similarity tags: - sentence-transformers - sentence-similarity - feature-extraction - generated_from_trainer - dataset_size:5000000 - loss:MarginMSELoss widget: - source_sentence: الاختلاف السرقة السطو sentences: - على عكس السطو ، يتم فرض تهمة السرقة إذا أخذ الفرد وحمل قطعة من الممتلكات التي لا تخصه بغرض حرمان المالك من الحيازة . - يستغرق شحن Oral - B 5000 40 دقيقة لتنظيفه مرة واحدة فقط بعد أن تبدأ البطارية في الإشارة إلى أنها منخفضة . لإعادة شحن الوحدة بالكامل ، يستغرق الأمر ما يقرب من 24 ساعة ، وهي ليست مشكلة بالنسبة لي لأنني لا أستخدمها إلا في الصباح . - المشاهد الأولية هي المكان الذي وقعت فيه الجريمة بالفعل ( اغتصاب ، سطو ، قتل . . ) المشاهد الثانوية حيث يمكن العثور على أدلة أخرى ، فيما يتعلق بالمشهد الأولي ( محل إقامة الموضوع ، زقاق في الشارع ، إلخ . . ) المشاهد الأولية هي المكان الذي وقعت فيه الجريمة بالفعل ( اغتصاب ، سطو ، قتل . . ) - source_sentence: ما هي السيارات القديمة والكلاسيكية ؟ sentences: - في يونيو 1997 ، تم استبدال العبارات أخيرا بوصلة دائمة ، جسر الكونفدرالية . يعد الجسر أحد أكثر المشاريع الهندسية التي تم بناؤها تحديا على الإطلاق . تم الانتهاء من تصميمها وبنائها على مدى 4 سنوات من قبل أكثر من 2000 شخص . الهيكل النهائي ضخم . يبلغ طوله حوالي 12 . 9 كيلومترا - بطول 117 ملعب كرة قدم . يزن ما يقرب من 3 . 5 مليار كيلوغرام . إذا كان الشخص العادي يزن حوالي 70 كيلوغراما ( 155 رطلا ) ، فإن الجسر يعادل 50000000 شخص - أي أكثر من مرة ونصف عدد سكان كندا ! - سيارة قديمة . تعتبر سيارة بنتلي سبيد سيكس تورر عام 1926 سيارة بريطانية مشهورة من العصر القديم . السيارة القديمة ، بالمعنى العام ، هي سيارة قديمة ، وبالمعنى الضيق لعشاق السيارات وهواة جمعها ، فهي سيارة من الفترة من 1919 إلى 1930 . يمتلك هؤلاء المتحمسون مخططات تصنيف لعصور السيارات التي تفرض التمييز بين السيارات العتيقة والسيارات القديمة والسيارات الكلاسيكية وما إلى ذلك . - نحن السلطة العالمية للمراكب المائية الفاخرة . يمتد تفانينا إلى أربعين عاما وأربعة أجيال . نحافظ على أصالة وحرفية وجمال وقيمة الماهوجني العتيق للأجيال القادمة . ( 952 ) 495 - 0007 . - source_sentence: ما هو شكل الاستنزاف الجغرافي sentences: - 'رمي في الاستنزاف والتخرج والتوقف والتسرب ، وسرعان ما يدرك المرء سبب وجود الكثير من الجهد والبحث في عالم المثابرة والاحتفاظ . [اقرأ : " لماذا تتمتع الدورات التدريبية عبر الإنترنت بمعدلات استبقاء منخفضة - وكيفية تعزيزها . '' ] . بغض النظر عن الجهد والبحث المذكور ، لا يزال الالتباس قائما .' - من ناحية أخرى ، تنتج جروح الاستنزاف عن الاحتكاك أو الاحتكاك مثل طحن الأسنان . 4 . يحدث التآكل عندما تصطدم إحدى الصخور بسطح آخر . يمكن وصف الاستنزاف بأنه شكل من أشكال تآكل الأنهار أو الساحل حيث يتم جرف السطح بعيدا ، وهناك أيضا معنى آخر للاستنزاف . يشير الاستنزاف أيضا إلى تخفيض عدد الموظفين في الشركات من خلال العملية المعتادة مثل الاستقالة أو التقاعد . ملخص . 1 . يقتصر التآكل على التدمير السطحي . الاستنزاف لا يقتصر على هذا التدمير . 2 . - 'فيديو : نيك ستويبرل لديه أطول لسان في العالم . يشارك . يعرض Nick Stoeberl كل لسانه المذهل البالغ طوله 10 . 1 سم لاقتناص سجله المليء باللسان . استعد لتندهش من أطول لسان في العالم ! نيك ستويبرل البالغ من العمر 24 عاما من كاليفورنيا بالولايات المتحدة الأمريكية لديه حقا الرقم القياسي العالمي لأطول لسان لعق .' - source_sentence: الفرق بين حزب سياسي ومجموعة المصالح هو أن الهدف الرئيسي sentences: - '" الفرق بين الحزب السياسي ومجموعة المصالح هو أن الهدف الرئيسي للحزب السياسي هو انتخاب أعضائه في مناصب سياسية . الجواب على سؤالك هو " " ب " " . أتمنى أن تكون هذه هي الإجابة التي كنت تبحث عنها وقد ساعدتك . تعليقات . "' - تجنب استخدام لغة نمطية أو متحيزة بأي شكل من الأشكال . غالبا ما تحدث اللغة المتحيزة مع نوع الجنس ، ولكنها قد تسيء أيضا إلى مجموعات من الأشخاص على أساس التوجه الجنسي أو العرق أو الاهتمام السياسي أو العرق . اللغة النمطية هي أي لغة تفترض صورة نمطية عن مجموعة من الناس . - ميدلتاون هي مدينة تقع في مقاطعة أورانج ، نيويورك ، الولايات المتحدة . تقع في منطقة وادي هدسون بنيويورك ، بالقرب من نهر والكيل وسفوح جبال شاوانجونك . تقع ميدلتاون بين بورت جيرفيس ونيوبورج ، نيويورك . اعتبارا من تعداد الولايات المتحدة لعام 2010 ، كان عدد سكان المدينة 28 ، 086 ، مما يعكس زيادة قدرها 2 ، 698 من 25 ، 388 محسوبا في تعداد عام 2000 . الرمز البريدي هو 10940 . تقع ميدلتاون في منطقة العاصمة نيويورك . - source_sentence: ماذا تعني كلمة الحمى القرمزية sentences: - الحمى القرمزية ( Scarletina ) هي حمى معدية تتميز بالتهاب الحلق واندفاع أحمر منتشر على الجلد ، يليه تساقط الجزء السطحي من الجلد . يعد التهاب الأذنين والكلى من المضاعفات الشائعة . - من ويكيبيديا ، الموسوعة الحرة . سيليكون RTV ( سيليكون تقسية درجة حرارة الغرفة ) هو نوع من مطاط السيليكون مصنوع من نظام مكون من عنصرين ( قاعدة بالإضافة إلى العلاج ؛ A + B ) متوفر في نطاق صلابة من النعومة إلى المتوسطة - عادة من 15 Shore A إلى 40 Shore . من أجل أن يقوم سيليكون RTV بإعادة إنتاج نسيج السطح ، يتم الاهتمام بنظافة الأصل . يعمل نزع الهواء بالتفريغ على إزالة فقاعات الهواء المحبوسة من خليط السيليكون والمحفز لضمان قوة الشد المثلى ، مما يؤثر على أوقات التكاثر . - يمكن تصنيف الحمى حسب الأعراض المصاحبة لها وسببها ونمطها . يمكن أن تكون الحمى منخفضة الدرجة ( درجة حرارة الجسم أقل من 101 درجة فهرنهايت ) أو عالية الدرجة ( درجة الحرارة أعلى من 104 درجة فهرنهايت ) . غالبا ما يساعد نمط الحمى في تشخيص المرض . فيما يلي أنواع الحمى وفقا للنمط النموذجي للحمى . model-index: - name: SentenceTransformer based on abdoelsayed/AraDPR results: - task: type: reranking name: Reranking dataset: name: Unknown type: unknown metrics: - type: map value: 0.5210777953321174 name: Map - type: mrr@10 value: 0.5216256613756614 name: Mrr@10 - type: ndcg@10 value: 0.5898436795948834 name: Ndcg@10 --- # SentenceTransformer based on abdoelsayed/AraDPR This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [abdoelsayed/AraDPR](https://huggingface.co/abdoelsayed/AraDPR) on the [raraelectr_aand_raraber_tused_dataset](https://huggingface.co/datasets/hatemestinbejaia/RARAELECTRAandRARABERTusedDATASET) 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:** [abdoelsayed/AraDPR](https://huggingface.co/abdoelsayed/AraDPR) - **Maximum Sequence Length:** 512 tokens - **Output Dimensionality:** 768 dimensions - **Similarity Function:** Cosine Similarity - **Training Dataset:** - [raraelectr_aand_raraber_tused_dataset](https://huggingface.co/datasets/hatemestinbejaia/RARAELECTRAandRARABERTusedDATASET) ### 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': 512, 'do_lower_case': False}) with Transformer model: BertModel (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("hatemestinbejaia/AraDPR2_initialversion0") # Run inference sentences = [ 'ماذا تعني كلمة الحمى القرمزية', 'الحمى القرمزية ( Scarletina ) هي حمى معدية تتميز بالتهاب الحلق واندفاع أحمر منتشر على الجلد ، يليه تساقط الجزء السطحي من الجلد . يعد التهاب الأذنين والكلى من المضاعفات الشائعة .', 'يمكن تصنيف الحمى حسب الأعراض المصاحبة لها وسببها ونمطها . يمكن أن تكون الحمى منخفضة الدرجة ( درجة حرارة الجسم أقل من 101 درجة فهرنهايت ) أو عالية الدرجة ( درجة الحرارة أعلى من 104 درجة فهرنهايت ) . غالبا ما يساعد نمط الحمى في تشخيص المرض . فيما يلي أنواع الحمى وفقا للنمط النموذجي للحمى .', ] 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] ``` ## Evaluation ### Metrics #### Reranking * Evaluated with [RerankingEvaluator](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.RerankingEvaluator) | Metric | Value | |:--------|:-----------| | **map** | **0.5211** | | mrr@10 | 0.5216 | | ndcg@10 | 0.5898 | ## Training Details ### Training Dataset #### raraelectr_aand_raraber_tused_dataset * Dataset: [raraelectr_aand_raraber_tused_dataset](https://huggingface.co/datasets/hatemestinbejaia/RARAELECTRAandRARABERTusedDATASET) at [41662fd](https://huggingface.co/datasets/hatemestinbejaia/RARAELECTRAandRARABERTusedDATASET/tree/41662fd4d29d1cf849ca12213a7b27d69fe8fcd7) * Size: 5,000,000 training samples * Columns: query, pos, neg, and label * Approximate statistics based on the first 1000 samples: | | query | pos | neg | label | |:--------|:----------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------|:--------------------------------------------------------------------| | type | string | string | string | float | | details | | | | | * Samples: | query | pos | neg | label | |:------------------------------------------------|:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:--------------------------------| | القليل من الكافيين جيد أثناء الحمل | نحن لا نعرف الكثير عن تأثيرات الكافيين أثناء الحمل عليك وعلى طفلك . لذلك فمن الأفضل أن تحد من المبلغ الذي تحصل عليه كل يوم . إذا كنت حاملا ، قللي من تناول الكافيين إلى 200 ملليجرام يوميا . هذا هو الكمية الموجودة في فنجان واحد سعة 8 أونصات من القهوة أو فنجان قهوة سعة 12 أونصة . | من الآمن عموما أن تتناول النساء الحوامل الشوكولاتة لأن الدراسات أثبتت وجود فوائد معينة لتناول الشوكولاتة أثناء الحمل . ومع ذلك ، يجب على النساء الحوامل التأكد من أن تناول الكافيين أقل من 200 مجم في اليوم . | 4.0280589908361435 | | ما هي الفاكهة الأصلية في أستراليا | Passiflora herbertiana . فاكهة العاطفة النادرة موطنها أستراليا . الثمار ذات قشرة خضراء ، بيضاء اللون ، مع تصنيف غير معروف للأكل . تسرد بعض المصادر الفاكهة على أنها صالحة للأكل وحلوة ولذيذة ، بينما يسرد البعض الآخر الفاكهة على أنها مرة وغير صالحة للأكل . فاكهة العاطفة النادرة موطنها أستراليا . الثمار ذات قشرة خضراء ، بيضاء اللون ، مع تصنيف غير معروف للأكل . تسرد بعض المصادر الفاكهة على أنها صالحة للأكل وحلوة ولذيذة ، بينما يسرد البعض الآخر الفواكه على أنها مرة وغير صالحة للأكل . | جوز الكولا هو ثمرة شجرة الكولا ، وهي جنس ( كولا ) من الأشجار التي تنتمي إلى الغابات الاستوائية المطيرة في إفريقيا . | 10.18145449956258 | | ما هو حجم الجيش الكندي | القوات المسلحة الكندية . 1 بدأت أول مهمة حفظ سلام كندية واسعة النطاق في مصر في 24 نوفمبر 1956 . 2 هناك ما يقرب من 65000 من القوات النظامية و 25000 من أفراد الاحتياط في الجيش الكندي . 3 في كندا ، تم تحديد يوم 9 أغسطس كيوم حفظة السلام الوطنيين . | المعهد الكندي لصحة الأطباء ( CPHI ) هو برنامج وطني تم إنشاؤه في عام 2012 كتعاون بين الجمعية الطبية الكندية ( CMA ) والمؤسسة الطبية الكندية ( CMF ) والجمعيات الطبية الإقليمية والإقليمية ( PTMAs ) . | 16.420575777689614 | * Loss: __main__.MarginMSELoss ### Evaluation Dataset #### raraelectr_aand_raraber_tused_dataset * Dataset: [raraelectr_aand_raraber_tused_dataset](https://huggingface.co/datasets/hatemestinbejaia/RARAELECTRAandRARABERTusedDATASET) at [41662fd](https://huggingface.co/datasets/hatemestinbejaia/RARAELECTRAandRARABERTusedDATASET/tree/41662fd4d29d1cf849ca12213a7b27d69fe8fcd7) * Size: 10,000 evaluation samples * Columns: query, pos, neg, and label * Approximate statistics based on the first 1000 samples: | | query | pos | neg | label | |:--------|:----------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------|:--------------------------------------------------------------------| | type | string | string | string | float | | details | | | | | * Samples: | query | pos | neg | label | |:-----------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:--------------------------------| | ما هو اسم د . كوين | اعرض الشخصيات المختلفة التي لعبها نفس الممثل . الدكتورة ميكايلا كوين . ولدت ميكايلا في 15 فبراير 1833 في بوسطن ، ماساتشوستس ، لأبوين جوزيف وإليزابيث كوين . هناك نشأت مع شقيقاتها الأربع : ماري ( التي تم تغيير اسمها إلى ريبيكا ) ، ومارجوري ، وكلوديت ، ومورين . كان والدها يريد ابنا ، لذلك عندما ولدت أطلق عليها اسم ميكايلا ( الملقب مايك ) . | ليس لدى د . ماكفارلاند أي تأمينات مدرجة . إذا كنت دكتور ماكفارلاند وترغب في إضافة تأمينات تقبلها ، يرجى تحديث ملفك التعريفي المجاني . الانتساب إلى المستشفى ينتمي د . ماكفارلاند إلى المستشفيات التالية . | 15.524045944213867 | | من يلعب دور بيرني مادوف | ساحر الأكاذيب هو واحد من اثنين من مشاريع Madoff التلفزيونية قيد الإعداد . ABC لديها مسلسل قصير قادم يسمى مادوف ، من بطولة ريتشارد دريفوس وبليث دانر . قصص ذات الصلة . روبرت دي نيرو يسجل الدخول للعب بيرني مادوف في فيلم HBO المحتمل . | اتهمت السلطات الأمريكية مسؤول تنفيذي للمحاسبة يزعم أنه ساعد برنارد مادوف في مخطط بونزي الذي تبلغ تكلفته عدة مليارات من الدولارات ، والذي يوسع نطاق تحقيقه في الاحتيال بعد خمس سنوات من اكتشافه . | 13.17703644434611 | | كم قدم مكعب في طن من حصى البازلاء | لذلك 1 طن لديه 2000 - 100 أو 20 قدم مكعب من الحصى . الفناء المكعب هو 3x3x3 = 27 قدما مكعبا من الفناء المكعب ، الإجابة 20 - 27 أو 0 . 74 ياردة مكعبة . العوامل الأخرى التي تؤثر على حجم الحصى هي محتوى الرطوبة ودرجات المواد . يحتوي حصى البازلاء على سبيل المثال على جميع الجزيئات ذات الحجم المحدد ، على سبيل المثال ، 1 - 4 بوصة ، حوالي 120 رطلا للإشارة فقط : 1 قدم مكعب = 6 . 25 جالون ( إمبراطوري ) ، جالون من الماء يزن 10 أرطال ، لذا فإن القدم المكعبة من الماء تزن 62 . 5 رطلا . هذا يعني أن الجاذبية النوعية للحصى هي 120 - 62 . 5 ، أو أقل قليلا من 2 . | 1 كيس قدم مكعب واحد ( التربة والمهاد ) يغطي ما يقرب من 8 أقدام مربعة إلى عمق 3 . 2 كيس واحد 75 رطلا ( الحصى والرمل ) يغطي حوالي 4 أقدام مربعة إلى عمق 3 . 3 بوصات سميكة ستغطي حوالي 300 قدم مربع . سيغطي سمك 1 حوالي 150 قدما مربعا . | 10.34702980518341 | * Loss: __main__.MarginMSELoss ### Training Hyperparameters #### Non-Default Hyperparameters - `eval_strategy`: steps - `per_device_train_batch_size`: 16 - `gradient_accumulation_steps`: 8 - `learning_rate`: 7e-05 - `warmup_ratio`: 0.07 - `fp16`: True - `half_precision_backend`: amp - `load_best_model_at_end`: True - `fp16_backend`: amp #### All Hyperparameters
Click to expand - `overwrite_output_dir`: False - `do_predict`: False - `eval_strategy`: steps - `prediction_loss_only`: True - `per_device_train_batch_size`: 16 - `per_device_eval_batch_size`: 8 - `per_gpu_train_batch_size`: None - `per_gpu_eval_batch_size`: None - `gradient_accumulation_steps`: 8 - `eval_accumulation_steps`: None - `torch_empty_cache_steps`: None - `learning_rate`: 7e-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`: 3 - `max_steps`: -1 - `lr_scheduler_type`: linear - `lr_scheduler_kwargs`: {} - `warmup_ratio`: 0.07 - `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`: True - `fp16_opt_level`: O1 - `half_precision_backend`: amp - `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`: amp - `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 - `use_liger_kernel`: False - `eval_use_gather_object`: False - `prompts`: None - `batch_sampler`: batch_sampler - `multi_dataset_batch_sampler`: proportional
### Training Logs | Epoch | Step | Training Loss | Validation Loss | map | |:----------:|:---------:|:-------------:|:---------------:|:----------:| | **1.8944** | **74000** | **0.8809** | **0.7718** | **0.5197** | | 1.9456 | 76000 | 0.8809 | 0.7716 | 0.5140 | | 1.9968 | 78000 | 0.8808 | 0.7713 | 0.5211 | * The bold row denotes the saved checkpoint. ### Framework Versions - Python: 3.10.14 - Sentence Transformers: 3.3.1 - Transformers: 4.45.1 - PyTorch: 2.4.0 - Accelerate: 0.34.2 - Datasets: 3.0.1 - Tokenizers: 0.20.0 ## 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", } ``` #### MarginMSELoss ```bibtex @misc{hofstätter2021improving, title={Improving Efficient Neural Ranking Models with Cross-Architecture Knowledge Distillation}, author={Sebastian Hofstätter and Sophia Althammer and Michael Schröder and Mete Sertkan and Allan Hanbury}, year={2021}, eprint={2010.02666}, archivePrefix={arXiv}, primaryClass={cs.IR} } ```