Add new SentenceTransformer model.

5eaaf2d verified 3 months ago

40.6 kB

	---
	base_model: cointegrated/rubert-tiny2
	datasets: []
	language: []
	library_name: sentence-transformers
	metrics:
	- cosine_accuracy@1
	- cosine_accuracy@3
	- cosine_precision@1
	- cosine_precision@3
	- cosine_recall@1
	- cosine_recall@3
	- cosine_ndcg@10
	- cosine_mrr@10
	- cosine_map@100
	- dot_accuracy@1
	- dot_accuracy@3
	- dot_precision@1
	- dot_precision@3
	- dot_recall@1
	- dot_recall@3
	- dot_ndcg@10
	- dot_mrr@10
	- dot_map@100
	pipeline_tag: sentence-similarity
	tags:
	- sentence-transformers
	- sentence-similarity
	- feature-extraction
	- generated_from_trainer
	- dataset_size:1647
	- loss:MultipleNegativesRankingLoss
	widget:
	- source_sentence: не активна кнопка выполнить в задачах ,не уходят задачи из архива.
	sentences:
	- Пожалуйста, создайте заявку в разделе "Зарплатная карта", выбрав подтему "Изменение
	банковских реквизитов"
	- 'В соответствии со ст. 65 ТК РФ работник должен представить, а работодатель обязан
	потребовать документы, необходимые для заключения трудового договора. Военнообязанные
	и лица, подлежащие призыву на военную службу, при заключении трудового договора
	должны предъявить документы воинского учета. В силу Положения о воинском учете,
	утвержденного Постановлением Правительства РФ от 25 декабря 1998 г. N 1541, основными
	документами воинского учета являются: для граждан, пребывающих в запасе, - военный
	билет (временное удостоверение, выданное взамен военного билета). Так как мужчины
	офицерских званий являются военнообязанными до 65-70 лет, считать кандидата невоеннообязанным,
	опираясь на данные возраста, нет возможности. Кандидат обязан предоставить военный
	билет с отметкой о снятии с учета или справку из военного комиссариата с соответствующей
	информацией. Инструкция и шаблоны доступны по ссылке https://company-x5.ru/cms/zayavkaskillaz'
	- 'Первым делом, просьба очистить кэш/куки браузера (сочетание клавиш ctrl+shift+del,
	выбрать "Удалить: Всё", нажать ОК). Далее перезайти в ЛК. Если это не помогло
	просьба подать заявку, нажав ниже кнопку "Создать заявку" и выбрать соответствующую
	тему.'
	- source_sentence: истекает СТД
	sentences:
	- Для продления срочного трудового договора создайте, пожалуйста, заявку на сотрудника
	по теме "Изменение режима характера работы", выбрав подтему "Продление СТД, перевод
	на время отсутствия основного работника/Перевод на бессрочный ТД"
	- В соответствии с ч. 4 ст. 153 ТК РФ по желанию сотрудника, который работал в выходной
	(нерабочий праздничный) день, ему может быть предоставлен другой день отдыха.
	В этом случае работа в выходной или нерабочий праздничный день оплачивается в
	одинарном размере, а день отдыха оплате не подлежит.
	- Отпуск ЧАЭС компенсируется только при увольнении.
	- source_sentence: В ЛК нет вкладки удаленная работа
	sentences:
	- Пожалуйста, обратитесь к непосредственному руководителю, чтобы он создал заявку
	в Личном кабинете по теме «Отмена/аннулирование мероприятия». После выполнения
	мероприятия Вы сможете создать заявку в Личном кабинете по теме «Отпуска и прочие
	отсутствия», подтема «Отгул за ранее отработанный выходной или праздничный день»,
	указав новый период отсутствия.
	- Если руководитель не успел согласовать или не согласовать задачу по ЭЛН, БЛ автоматически
	согласовывается
	- 'Критерии доступности сервиса Удаленная Работа: 1.Сотрудник не на нулевой занятости:
	процент соединения (ИТ 1001) между штатной должностью и табельным номером на текущую
	дату больше 0; 2.Сотрудник на офисном графике работы: в ИТ 0007 Нормативное рабочее
	время на текущую дату установлен график, который в соответствии с Правилом ГРВ
	(таблица T508A) является офисным – поле KKRKH принимает одно из значений: {1;
	2; 3; 4; 6}; 3.У сотрудника есть руководитель: наличие на текущую дату соединения
	(ИТ 1001) B012 между ОЕ сотрудника и ШД руководителям или BZ10 между ШД сотрудника
	и ШД руководителя; 4.Уровень CEO- руководителя сотрудника позволяет принимать
	заявки на УР: на штатной должности руководителя сотрудника установленное на текущую
	дату значение атрибута (ИТ 1222) Z_PM_CEO Уровень подчиненности до СЕО по сценарию
	Z_PM Управление эффективностью должностей отсутствует в таблице ZHRT_ESS_REMAPP
	для формата сотрудника (на данный момент ограничение только на CEO и -1 5.Сотруднику
	установлен признак «Удаленный офис»: на ШД сотрудника / на ОЕ сотрудника / на
	вышестоящей ОЕ (по пути анализа P-S-O-O) в ИТ 1010 Комп/ВспомСредства подтипе
	9021 Работа на дому установлено значение 002 Удаленный офис. Если какой-то из
	критериев не выполняется, вкладка «удаленная работа» в личном кабинете будет не
	доступна. Для внесения изменений в систему SAP, необходимо обратиться к специалистам
	по кадрам.'
	- source_sentence: Неправильно был выбран период и заявку на УР отклонили. Как создать
	новую заявку?
	sentences:
	- После отклонения заявки на УР, возможность создать новую возникает не мгновенно.
	Просьба перезайти в ЛК в конце рабочего дня, возможность создания заявки должна
	уже появиться
	- Для проведения перевода, пожалуйста, создайте заявку в разделе "Создать заявку
	на сотрудника", выберите блок "Изменения по сотрудникам", подтему "Перевод перемещение.
	Подробная информация по созданию заявки размещена в "Базе знаний ".
	- Прежде чем создавать заявку, пожалуйста попробуйте самостоятельно выпустить ЭЦП
	на странице "электронные подписи" в личном разделе ЛК
	- source_sentence: Какие документы нужны для приема иностранного гражданина?
	sentences:
	- Для открытия табеля создайте, пожалуйста, заявку в разделе "Заявки" по теме "Табель/график/рабочее
	время", выбрав подтему "Открытие табеля".
	- 'Для проведения приема необходимы документы: 1) Нотариально заверенный перевод
	паспорта на русский язык + паспорт; 2) СНИЛС или уведомление о регистрации в системе
	АДИ-РЕГ, где указаны полные ФИО, номер СНИЛС, дата рождения и место рождения кандидата
	(Уведомление можно получить в МФЦ или территориальном органе ПФР); 3) Вид на жительство
	либо иностранный паспорт с разрешением на временное проживание; 4) Миграционная
	карта ( при наличии) ; 5) Расписка об отсутствии/подтверждении государственной/муниципальной
	службы; 6) Копия ТК или СТД-Р (если кандидат перешёл на электронную трудовую книжку
	у предыдущего работодателя). 7) Реквизиты карты Альфа-банк или реквизиты Сбербанка.
	8) Актуальная прописка или свидетельство о временной регистрации по месту жительства
	(соответствующую субъекту трудоустройства). Срок окончания действия документов
	должен быть не меньше 60 дней от даты приема. Инструкция и шаблоны доступны по
	ссылке https://company-x5.ru/cms/zayavkaskillaz'
	- Данная заявка была завершена т.к истек срок на согласование, Вам требуется оформить
	новую заявку, после чего она будет отправлена на согласование.
	model-index:
	- name: SentenceTransformer based on cointegrated/rubert-tiny2
	results:
	- task:
	type: information-retrieval
	name: Information Retrieval
	dataset:
	name: single answer eval
	type: single_answer_eval
	metrics:
	- type: cosine_accuracy@1
	value: 0.8087431693989071
	name: Cosine Accuracy@1
	- type: cosine_accuracy@3
	value: 0.9453551912568307
	name: Cosine Accuracy@3
	- type: cosine_precision@1
	value: 0.8087431693989071
	name: Cosine Precision@1
	- type: cosine_precision@3
	value: 0.3161303379882615
	name: Cosine Precision@3
	- type: cosine_recall@1
	value: 0.07638375252218604
	name: Cosine Recall@1
	- type: cosine_recall@3
	value: 0.08937707371222856
	name: Cosine Recall@3
	- type: cosine_ndcg@10
	value: 0.2021464725440391
	name: Cosine Ndcg@10
	- type: cosine_mrr@10
	value: 0.8806447027303121
	name: Cosine Mrr@10
	- type: cosine_map@100
	value: 0.08687907308027706
	name: Cosine Map@100
	- type: dot_accuracy@1
	value: 0.8087431693989071
	name: Dot Accuracy@1
	- type: dot_accuracy@3
	value: 0.9453551912568307
	name: Dot Accuracy@3
	- type: dot_precision@1
	value: 0.8087431693989071
	name: Dot Precision@1
	- type: dot_precision@3
	value: 0.3161303379882615
	name: Dot Precision@3
	- type: dot_recall@1
	value: 0.07638375252218604
	name: Dot Recall@1
	- type: dot_recall@3
	value: 0.08937707371222856
	name: Dot Recall@3
	- type: dot_ndcg@10
	value: 0.2021464725440391
	name: Dot Ndcg@10
	- type: dot_mrr@10
	value: 0.8806447027303121
	name: Dot Mrr@10
	- type: dot_map@100
	value: 0.08687907308027706
	name: Dot Map@100
	---

	# SentenceTransformer based on cointegrated/rubert-tiny2

	This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [cointegrated/rubert-tiny2](https://huggingface.co/cointegrated/rubert-tiny2). It maps sentences & paragraphs to a 312-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: [cointegrated/rubert-tiny2](https://huggingface.co/cointegrated/rubert-tiny2) <!-- at revision dad72b8f77c5eef6995dd3e4691b758ba56b90c3 -->
	- Maximum Sequence Length: 2048 tokens
	- Output Dimensionality: 312 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': 2048, 'do_lower_case': False}) with Transformer model: BertModel
	(1): Pooling({'word_embedding_dimension': 312, 'pooling_mode_cls_token': True, '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': False, 'include_prompt': True})
	(2): Normalize()
	)
	```

	## Usage

	### Direct Usage (Sentence Transformers)

	First install the Sentence Transformers library:

	```bash
	pip install -U sentence-transformers
	```

	Then you can load this model and run inference.
	```python
	from sentence_transformers import SentenceTransformer

	# Download from the 🤗 Hub
	model = SentenceTransformer("WpythonW/RUbert-tiny_custom")
	# Run inference
	sentences = [
	'Какие документы нужны для приема иностранного гражданина?',
	'Для проведения приема необходимы документы: 1) Нотариально заверенный перевод паспорта на русский язык + паспорт; 2) СНИЛС или уведомление о регистрации в системе АДИ-РЕГ, где указаны полные ФИО, номер СНИЛС, дата рождения и место рождения кандидата (Уведомление можно получить в МФЦ или территориальном органе ПФР); 3) Вид на жительство либо иностранный паспорт с разрешением на временное проживание; 4) Миграционная карта ( при наличии) ; 5) Расписка об отсутствии/подтверждении государственной/муниципальной службы; 6) Копия ТК или СТД-Р (если кандидат перешёл на электронную трудовую книжку у предыдущего работодателя). 7) Реквизиты карты Альфа-банк или реквизиты Сбербанка. 8) Актуальная прописка или свидетельство о временной регистрации по месту жительства (соответствующую субъекту трудоустройства). Срок окончания действия документов должен быть не меньше 60 дней от даты приема. Инструкция и шаблоны доступны по ссылке https://company-x5.ru/cms/zayavkaskillaz',
	'Для открытия табеля создайте, пожалуйста, заявку в разделе "Заявки" по теме "Табель/график/рабочее время", выбрав подтему "Открытие табеля".',
	]
	embeddings = model.encode(sentences)
	print(embeddings.shape)
	# [3, 312]

	# Get the similarity scores for the embeddings
	similarities = model.similarity(embeddings, embeddings)
	print(similarities.shape)
	# [3, 3]
	```

	<!--
	### Direct Usage (Transformers)

	<details><summary>Click to see the direct usage in Transformers</summary>

	</details>
	-->

	<!--
	### Downstream Usage (Sentence Transformers)

	You can finetune this model on your own dataset.

	<details><summary>Click to expand</summary>

	</details>
	-->

	<!--
	### Out-of-Scope Use

	List how the model may foreseeably be misused and address what users ought not to do with the model.
	-->

	## Evaluation

	### Metrics

	#### Information Retrieval
	* Dataset: `single_answer_eval`
	* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)

	\| Metric \| Value \|
	\|:-------------------\|:-----------\|
	\| cosine_accuracy@1 \| 0.8087 \|
	\| cosine_accuracy@3 \| 0.9454 \|
	\| cosine_precision@1 \| 0.8087 \|
	\| cosine_precision@3 \| 0.3161 \|
	\| cosine_recall@1 \| 0.0764 \|
	\| cosine_recall@3 \| 0.0894 \|
	\| cosine_ndcg@10 \| 0.2021 \|
	\| cosine_mrr@10 \| 0.8806 \|
	\| cosine_map@100 \| 0.0869 \|
	\| dot_accuracy@1 \| 0.8087 \|
	\| dot_accuracy@3 \| 0.9454 \|
	\| dot_precision@1 \| 0.8087 \|
	\| dot_precision@3 \| 0.3161 \|
	\| dot_recall@1 \| 0.0764 \|
	\| dot_recall@3 \| 0.0894 \|
	\| dot_ndcg@10 \| 0.2021 \|
	\| dot_mrr@10 \| 0.8806 \|
	\| dot_map@100 \| 0.0869 \|

	<!--
	## 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: 1,647 training samples
	* Columns: <code>anchor</code> and <code>positive</code>
	* Approximate statistics based on the first 1000 samples:
	\| \| anchor \| positive \|
	\|:--------\|:----------------------------------------------------------------------------------\|:-----------------------------------------------------------------------------------\|
	\| type \| string \| string \|
	\| details \| <ul><li>min: 3 tokens</li><li>mean: 11.46 tokens</li><li>max: 54 tokens</li></ul> \| <ul><li>min: 7 tokens</li><li>mean: 62.33 tokens</li><li>max: 371 tokens</li></ul> \|
	* Samples:
	\| anchor \| positive \|
	\|:--------------------------------------------------------------------------\|:------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------\|
	\| <code>Какие документы необходимо предоставить при приеме беженцев?</code> \| <code>Вариант 1: 1) действующее удостоверение беженца: документ, удостоверяющий личность на территории РФ; 2) регистрация по месту пребывания; 3) СНИЛС (при наличии); 4) трудовая книжка и/или сведения о трудовой деятельности (при наличии трудового стажа). Вариант 2: 1) действующее свидетельство о предоставлении временного убежища: документ, удостоверяющий личность на территории РФ; 2) может быть предоставлен паспорт, но основанием для трудоустройства будет именно свидетельство; 3) регистрация по месту пребывания; 4) СНИЛС (при наличии); 5) трудовая книжка и/или сведения о трудовой деятельности (при наличии трудового стажа). Вариант 3: 1) паспорт гражданина Украины, Донецкой Народной Республики или Луганской Народной Республики; 2) документ, подтверждающий прохождение дактилоскопии и фотографирования. Данные должны совпадать с данными в паспорте; 3) регистрация по месту пребывания; 4) СНИЛС (при наличии); 5) трудовая книжка и/или сведения о трудовой деятельности (при наличии трудового стажа); 6) документ, подтверждающий время пребывания на территории РФ. Вариант 4: 1) действующий паспорт гражданина Украины/ЛНР/ДНР; 2) действующий патент (указанная в нем территория действия соответствует региону трудоустройства)/РВП/ВНЖ; 3) миграционная карта; 4) регистрация по месту пребывания; 5) СНИЛС (при наличии); 6) трудовая книжка и/или сведения о трудовой деятельности (при наличии трудового стажа); 7) для ИГ с РВП или ВНЖ документ, подтверждающий время пребывания на территории РФ. Вариант 5: При наличии у кандидата паспорта гражданина РФ трудоустройство осуществляется по стандартной процедуре приема на работу граждан РФ. Инструкция и шаблоны доступны по ссылке https://company-x5.ru/cms/zayavkaskillaz</code> \|
	\| <code>Что такое МЧД и зачем она нужна?</code> \| <code>Ранее, если для подписания документов требовалась квалифицированная электронная подпись, то применялась усиленная квалифицированная электронная подпись юридического лица – УКЭП ЮЛ. Особенность этой электронной подписи (ЭП) состояла в том, что владельцем сертификата была указана организация наряду с сотрудником. Если упростить, то такую ЭП можно представить как подпись и печать на любом бумажном документе. С 01.09.2023 в силу вступили правки в Федеральный закон РФ № 63‑ФЗ «Об электронной подписи». Суть этих правок в следующем: · выпуск УКЭП ЮЛ возможен только для Генеральных директоров компании и только в удостоверяющем центре Федеральной налоговой службы · если сотруднику для электронного подписания необходима квалифицированная ЭП, то он должен применять усиленную квалифицированную электронную подпись физического лица – УКЭП ФЛ и машиночитаемую доверенность – МЧД. Т.е. по аналогии с печатью и подписью на бумаге: УКЭП ФЛ – собственноручная подпись, МЧД – печать, которая подтверждает полномочия подписанта. · все УКЭП ЮЛ, выпущенные до 01.09.2023 действуют до конца своего срока (1 год).Детально о УКЭП ФЛ можно прочитать тут: https://company-x5.ru/cms/UC6 МЧД – машиночитаемая доверенность (доверенность в машиночитаемом виде), выпускаемая в xml-формате, подписанная представителем ЮЛ: в нашем случае – Генеральным директором.</code> \|
	\| <code>скидка сотрудника</code> \| <code>По карте программы лояльности Х5 (ПЛ) для сотрудника в магазинах «Пятёрочка» действует скидка на следующих условиях:<br>Скидка 5% на весь чек (включая сезонные и промо акции), за исключением готовой еды, табачной продукции, алкогольной продукции по МРЦ (минимальной розничной цене).<br>Скидка 20% на готовую еду, включая: всю кулинарию, хлеб и выпечку из пекарни, напитки из зоны самообслуживания (горячий кофе/чай и свежевыжатый апельсиновый сок) – данная категория не должна быть выбрана в качестве «Любимой категории».<br>Скидка предоставляется на первые 2 покупки, совершенные с применением карты лояльности в день (с 3-его чека в сутки скидка сотрудника не применяется).<br>Скидка применяется как на классических кассах, так и на кассах самообслуживания.<br>Доступно списание баллов ПЛ в чеке с примененной скидкой сотрудника (с прокатыванием физической карты или сканированием штрих-кода, открытого в мобильном приложении «Пятёрочка» на своём мобильном устройстве).<br>Стандартные правила ПЛ по начислению и списанию баллов.<br>В магазинах «Перекрёсток» по картам сотрудников «Пятёрочки» работает единая программа лояльности, скидка сотрудника «Пятёрочки» не применяется.<br>Скидка не действует на онлайн-заказы.<br>Скидка 10% при заказе товаров в мобильном приложении Пятёрочки «Доставка» по промо-коду X5RETAILTEAM_1.</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

	- `eval_strategy`: steps
	- `per_device_train_batch_size`: 512
	- `num_train_epochs`: 50
	- `load_best_model_at_end`: True

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

	- `overwrite_output_dir`: False
	- `do_predict`: False
	- `eval_strategy`: steps
	- `prediction_loss_only`: True
	- `per_device_train_batch_size`: 512
	- `per_device_eval_batch_size`: 8
	- `per_gpu_train_batch_size`: None
	- `per_gpu_eval_batch_size`: None
	- `gradient_accumulation_steps`: 1
	- `eval_accumulation_steps`: None
	- `torch_empty_cache_steps`: None
	- `learning_rate`: 5e-05
	- `weight_decay`: 0.0
	- `adam_beta1`: 0.9
	- `adam_beta2`: 0.999
	- `adam_epsilon`: 1e-08
	- `max_grad_norm`: 1.0
	- `num_train_epochs`: 50
	- `max_steps`: -1
	- `lr_scheduler_type`: linear
	- `lr_scheduler_kwargs`: {}
	- `warmup_ratio`: 0.0
	- `warmup_steps`: 0
	- `log_level`: passive
	- `log_level_replica`: warning
	- `log_on_each_node`: True
	- `logging_nan_inf_filter`: True
	- `save_safetensors`: True
	- `save_on_each_node`: False
	- `save_only_model`: False
	- `restore_callback_states_from_checkpoint`: False
	- `no_cuda`: False
	- `use_cpu`: False
	- `use_mps_device`: False
	- `seed`: 42
	- `data_seed`: None
	- `jit_mode_eval`: False
	- `use_ipex`: False
	- `bf16`: False
	- `fp16`: False
	- `fp16_opt_level`: O1
	- `half_precision_backend`: auto
	- `bf16_full_eval`: False
	- `fp16_full_eval`: False
	- `tf32`: None
	- `local_rank`: 0
	- `ddp_backend`: None
	- `tpu_num_cores`: None
	- `tpu_metrics_debug`: False
	- `debug`: []
	- `dataloader_drop_last`: False
	- `dataloader_num_workers`: 0
	- `dataloader_prefetch_factor`: None
	- `past_index`: -1
	- `disable_tqdm`: False
	- `remove_unused_columns`: True
	- `label_names`: None
	- `load_best_model_at_end`: True
	- `ignore_data_skip`: False
	- `fsdp`: []
	- `fsdp_min_num_params`: 0
	- `fsdp_config`: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
	- `fsdp_transformer_layer_cls_to_wrap`: None
	- `accelerator_config`: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
	- `deepspeed`: None
	- `label_smoothing_factor`: 0.0
	- `optim`: adamw_torch
	- `optim_args`: None
	- `adafactor`: False
	- `group_by_length`: False
	- `length_column_name`: length
	- `ddp_find_unused_parameters`: None
	- `ddp_bucket_cap_mb`: None
	- `ddp_broadcast_buffers`: False
	- `dataloader_pin_memory`: True
	- `dataloader_persistent_workers`: False
	- `skip_memory_metrics`: True
	- `use_legacy_prediction_loop`: False
	- `push_to_hub`: False
	- `resume_from_checkpoint`: None
	- `hub_model_id`: None
	- `hub_strategy`: every_save
	- `hub_private_repo`: False
	- `hub_always_push`: False
	- `gradient_checkpointing`: False
	- `gradient_checkpointing_kwargs`: None
	- `include_inputs_for_metrics`: False
	- `eval_do_concat_batches`: True
	- `fp16_backend`: auto
	- `push_to_hub_model_id`: None
	- `push_to_hub_organization`: None
	- `mp_parameters`:
	- `auto_find_batch_size`: False
	- `full_determinism`: False
	- `torchdynamo`: None
	- `ray_scope`: last
	- `ddp_timeout`: 1800
	- `torch_compile`: False
	- `torch_compile_backend`: None
	- `torch_compile_mode`: None
	- `dispatch_batches`: None
	- `split_batches`: None
	- `include_tokens_per_second`: False
	- `include_num_input_tokens_seen`: False
	- `neftune_noise_alpha`: None
	- `optim_target_modules`: None
	- `batch_eval_metrics`: False
	- `eval_on_start`: False
	- `eval_use_gather_object`: False
	- `batch_sampler`: batch_sampler
	- `multi_dataset_batch_sampler`: proportional

	</details>

	### Training Logs
	\| Epoch \| Step \| Training Loss \| single_answer_eval_cosine_map@100 \|
	\|:--------:\|:-------:\|:-------------:\|:---------------------------------:\|
	\| 2.5 \| 5 \| 4.3172 \| 0.0670 \|
	\| 5.0 \| 10 \| 4.1303 \| 0.0694 \|
	\| 7.5 \| 15 \| 4.1359 \| 0.0709 \|
	\| 10.0 \| 20 \| 4.0041 \| 0.0717 \|
	\| 12.5 \| 25 \| 4.046 \| 0.0725 \|
	\| 15.0 \| 30 \| 3.9099 \| 0.0728 \|
	\| 2.5 \| 5 \| 3.8625 \| 0.0746 \|
	\| 5.0 \| 10 \| 3.7396 \| 0.0770 \|
	\| 7.5 \| 15 \| 3.7788 \| 0.0782 \|
	\| 10.0 \| 20 \| 3.6576 \| 0.0793 \|
	\| 12.5 \| 25 \| 3.6948 \| 0.0807 \|
	\| 15.0 \| 30 \| 3.5424 \| 0.0818 \|
	\| 17.5 \| 35 \| 3.6012 \| 0.0824 \|
	\| 20.0 \| 40 \| 3.4924 \| 0.0832 \|
	\| 22.5 \| 45 \| 3.5435 \| 0.0838 \|
	\| 25.0 \| 50 \| 3.4052 \| 0.0843 \|
	\| 27.5 \| 55 \| 3.4728 \| 0.0847 \|
	\| 30.0 \| 60 \| 3.366 \| 0.0851 \|
	\| 32.5 \| 65 \| 3.4351 \| 0.0857 \|
	\| 35.0 \| 70 \| 3.3192 \| 0.0861 \|
	\| 37.5 \| 75 \| 3.427 \| 0.0864 \|
	\| 40.0 \| 80 \| 3.2997 \| 0.0865 \|
	\| 42.5 \| 85 \| 3.4185 \| 0.0866 \|
	\| 45.0 \| 90 \| 3.2749 \| 0.0867 \|
	\| 47.5 \| 95 \| 3.3777 \| 0.0869 \|
	\| 50.0 \| 100 \| 3.2882 \| 0.0869 \|

	* The bold row denotes the saved checkpoint.

	### Framework Versions
	- Python: 3.10.14
	- Sentence Transformers: 3.0.1
	- Transformers: 4.44.0
	- PyTorch: 2.4.0
	- Accelerate: 0.34.2
	- 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",
	}
	```

	#### 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.
	-->