README.md

---
base_model: sentence-transformers/multi-qa-mpnet-base-dot-v1
library_name: sentence-transformers
metrics:
- cosine_accuracy@1
- cosine_accuracy@3
- cosine_accuracy@5
- cosine_accuracy@10
- cosine_precision@1
- cosine_precision@3
- cosine_precision@5
- cosine_precision@10
- cosine_recall@1
- cosine_recall@3
- cosine_recall@5
- cosine_recall@10
- cosine_ndcg@10
- cosine_mrr@10
- cosine_map@100
- dot_accuracy@1
- dot_accuracy@3
- dot_accuracy@5
- dot_accuracy@10
- dot_precision@1
- dot_precision@3
- dot_precision@5
- dot_precision@10
- dot_recall@1
- dot_recall@3
- dot_recall@5
- dot_recall@10
- 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:2012
- loss:MatryoshkaLoss
- loss:MultipleNegativesRankingLoss
widget:
- source_sentence: O que são os principais temas abordados na disciplina de Redes
    de Computadores, de acordo com sua ementa?
  sentences:
  - '| Código | COMPONENTE CURRICULAR | Créditos | Horas |

    |---|---|---|---|

    | Código | COMPONENTE CURRICULAR | Créditos | Horas |

    |   | ESTRUTURAS DE DADOS I | 04 | 60 |

    | EMENTA |   |   |   |

    | Funções recursivas. Ponteiros. Alocação dinâmica de memória. Tipos Abstratos
    de Dados. Listas lineares: listas encadeadas, pilhas, filas. Árvores: representação,
    operações e percursos. Árvores binárias de busca. Heaps. |   |   |   |

    | OBJETIVO |   |   |   |

    | Aplicar estruturas de dados básicas e avançadas para a solução de problemas
    computacionais. |   |   |   |

    | REFERÊNCIAS BÁSICAS |   |   |   |

    | CORMEN, T.; RIVEST, R.; STEIN, C.; LEISERSON, C. Algoritmos: Teoria e Prática.
    Elsevier - Campus, 2012. |   |   |   |

    '
  - '| Código | COMPONENTE CURRICULAR | Créditos | Horas |

    |---|---|---|---|

    | Código | COMPONENTE CURRICULAR | Créditos | Horas |

    |   | REDES DE COMPUTADORES | 04 | 60 |

    | EMENTA |   |   |   |

    | Fundamentos de sistemas de comunicação de dados. Arquiteturas de redes: modelos
    OSI e TCP/IP. Protocolos de comunicação na Internet: camadas de aplicação, transporte,
    rede e enlace. Avaliação de desempenho. |   |   |   |

    | OBJETIVO |   |   |   |

    '
  - '| Código | COMPONENTE CURRICULAR | Créditos | Horas |

    |---|---|---|---|

    | Código | COMPONENTE CURRICULAR | Créditos | Horas |

    | GCS239 | DIREITOS E CIDADANIA | 04 | 60 |

    | EMENTA |   |   |   |

    | Origens históricas e teóricas da noção de cidadania. O processo moderno de constituição
    dos direitos civis, políticos, sociais e culturais. Políticas de reconhecimento
    e promoção da cidadania. Direitos e cidadania no Brasil. |   |   |   |

    | OBJETIVO |   |   |   |

    '
- source_sentence: 'Em que editora foram publicados os livros "Conceitos de Linguagens
    de Programação" e "Programming Languages: Principles And Practices", como indicado
    no contexto?'
  sentences:
  - "A carga horária dos componentes curriculares do Domínio Conexo é de 420 horas\
    \ e <br><br>representa 13,12% das 3200 horas necessárias à integralização do Curso\
    \ de Ciência da <br><br>Computação. <br><br>Nos componentes idênticos e obrigatórios\
    \ a articulação acontece na medida em que os \nDRAFT <br><br>discentes transitam\
    \ entre os cursos, otimizando a oferta destes componentes e a troca de <br><br>experiências.\
    \ Já os componentes não idênticos exigirão do corpo docente, na medida em que\
    \ <br><br>houver reformulação dos demais PPCs, a construção de atividades conjuntas.\
    \ Para isso, a <br><br>interação entre os NDEs se fará necessária. "
  - '1130  **Lei n° 12.764, de 27 de dezembro de 2012 –**institui a Política Nacional
    de Proteção dos <br><br>Direitos da Pessoa com Transtorno do Espectro Autista,
    e altera o § 3o do art. 98 da Lei no <br><br>Projeto Pedagógico do Curso de Ciência
    Da Computação,*Campus*Chapecó. <br><br>42 '
  - "SEBESTA, R. W.**Conceitos de Linguagens de Programação.**11. ed. Porto Alegre:\
    \ \nBookman, 2018. \nLOUDEN, K. C.; LAMBERT, K. A.**Programming Languages:**Principles\
    \ And Practices. \n3. ed. Hardcover, 2011. \nPRATT, T. W.; ZELKOWITZ, M. V. \n\
    Implementation. 4. ed. Prentice-Hall, 2000. <br><br>**Programming Languages:**Design\
    \ and "
- source_sentence: Qual é o objetivo do componente curricular "Introdução à Computação"
    no plano de estudos?
  sentences:
  - 'desenvolvimento de habilidades de trabalho em grupo e de comunicação e <br><br>expressão;
    <br><br>  preocupação constante com a atualização tecnológica e com o estado
    da arte; <br><br>Projeto Pedagógico do Curso de Ciência Da Computação,*Campus*Chapecó.
    <br><br>31 '
  - "REFERÊNCIAS COMPLEMENTARES <br><br>DAVIS, M. D.; WEYUKER, E. J.**Computability,\
    \ Complexity and Languages:**\nFundamentals of Theoretical Computer Science. 2.\
    \ ed. Morgan Kaufmann, 1994. \nFURTADO, O. J. V.**Apostila de Linguagens Formais\
    \ e Compiladores**. UFSC, 2002. \nDisponível em: <www.inf.ufsc.br/~olinto/apostila-lfc.doc>.\
    \ \nHOPCROFT, J. E.; MOTWANI, R.; ULLMAN, J. D.**Introdução à Teoria dos**\n**Autômatos,\
    \ Linguagens e Computação.**1. ed. Rio de Janeiro: Campus, 2002. <br><br>DRAFT "
  - '| Código | COMPONENTE CURRICULAR | Créditos | Horas |

    |---|---|---|---|

    | Código | COMPONENTE CURRICULAR | Créditos | Horas |

    |   | INTRODUÇÃO À COMPUTAÇÃO | 04 | 60 |

    | EMENTA |   |   |   |

    | Introdução ao Curso de Ciência da Computação e à Universidade Federal da Fronteira
    Sul: principais estruturas e regulamentos. Introdução à área da Computação: inserção
    e desenvolvimento profissional, carreira acadêmica e técnica. Conhecimentos e
    comandos básicos em sistemas operacionais abertos. Fundamentos básicos da Computação:
    história, principais componentes de hardware e software, sistemas de numeração,
    aritmética binária e suas operações. Principais ferramentas e tecnologias para
    o desenvolvimento e versionamento de código. |   |   |   |

    | OBJETIVO |   |   |   |

    <br><br>Projeto Pedagógico do Curso de Ciência Da Computação,*Campus*Chapecó.
    <br><br>59 '
- source_sentence: Quais são as legislações específicas que o PPC do Curso de Ciência
    da Computação segue?
  sentences:
  - '**8.3 Atendimento às legislações específicas**<br><br>O PPC do Curso de Graduação
    em Ciência da Computação orienta-se pela legislação <br><br>1090  educacional,
    geral e específica da área, bem como pelas normativas e orientações <br><br>institucionais
    da UFFS, abaixo elencadas as referências legais: '
  - "**REFERÊNCIAS BÁSICAS**<br><br>DA SILVA, Wagner Pires. Extensão Universitária:\
    \ um conceito em construção. Revista \nem: \nEdição \nExtensão \nhttps://periodicos.ufrn.br/extensaoesociedade.\
    \ Acesso em: 01/02/2021. \nDE PAULA, João Antônio. A extensão universitária: história,\
    \ conceito e propostas. Revista \nInterfaces. Disponível em: https://periodicos.ufmg.br/index.php/revistainterfaces.\
    \ Acesso \nem: 07/07/2021. \nGADOTTI, Moacir. Extensão Universitária: Para quê?\
    \ Disponível em: paulofreire.org. \nAcesso em: 07/07/2021. <br><br> &  Sociedade.\
    \  2020.2.   Disponível "
  - '180  pelas Resoluções 006/2012 – CONSUNI/CGRAD e 008/2016 – CONSUNI/CGAE, se
    dá com <br><br>base nos resultados do Exame Nacional do Ensino Médio (ENEM), mediante
    inscrição no <br><br>Sistema de Seleção Unificada (SISU), do Ministério da Educação
    (MEC). Em atendimento à <br><br>Lei nº 12.711/2012 (Lei de Cotas) e a legislações
    complementares (Decreto nº 7.824/2012 e <br><br>Portaria Normativa MEC Nº 18/2012),
    a UFFS toma como base para a definição do <br><br>185  percentual de vagas reservadas
    a candidatos que cursaram o Ensino Médio integralmente em <br><br>escola pública
    o resultado do último Censo Escolar/INEP/MEC, de acordo com o estado <br><br>correspondente
    ao local de oferta das vagas. <br><br>Além da reserva de vagas garantida por Lei,
    a UFFS adota, como ações afirmativas, a <br><br>reserva de vagas para candidatos
    que tenham cursado o ensino médio parcialmente em escola '
- source_sentence: Onde é mencionado oficialmente o NDE do curso de Ciência Da Computação,
    conforme a Portaria nº ?
  sentences:
  - '**4.1 Justificativa da criação do curso**<br><br>A tecnologia da informação faz
    parte do conjunto de recursos que sustentam e <br><br>505  viabilizam vários setores
    comerciais, industriais e sociais. O desenvolvimento da área de <br><br>Computação
    é extremamente dinâmico e tem sido impulsionado por crescentes demandas <br><br>provenientes
    das relações com os ambientes em que está inserida. Além de atender às <br><br>demandas,
    a inovação tecnológica relacionada a todos os tipos de sistemas computacionais
    <br><br>tem causado profundo impacto nas áreas usuárias provocando mudanças, revisões,
    e <br><br>510  transformações, culminando inclusive com o surgimento de novos
    campos de atuação <br><br>profissional. A tecnologia, hoje, possui uma responsabilidade
    técnica e social inegável. Falhas <br><br>tecnológicas podem provocar danos de
    grandes proporções, o que justifica a importância da <br><br>constante qualificação
    e a reflexão sobre a participação da tecnologia no dia a dia. A <br><br>academia
    tem grande responsabilidade e capacidade para contribuir com esta demanda. <br><br>515 '
  - '**IDENTIFICAÇÃO INSTITUCIONAL**<br><br>A Universidade Federal da Fronteira Sul
    foi criada pela Lei Nº 12.029, de 15 de <br><br>35  setembro de 2009. Tem abrangência
    interestadual com sede na cidade catarinense de <br><br>Chapecó, três*campi*no
    Rio Grande do Sul – Cerro Largo, Erechim e Passo Fundo – e dois <br><br>*campi*no
    Paraná – Laranjeiras do Sul e Realeza. '
  - '**3.4 Núcleo Docente Estruturante do Curso**<br><br>O NDE do curso de Ciência
    Da Computação, conforme designado na Portaria nº <br><br>Projeto Pedagógico do
    Curso de Ciência Da Computação,*Campus*Chapecó. <br><br>17 '
model-index:
- name: SentenceTransformer based on sentence-transformers/multi-qa-mpnet-base-dot-v1
  results:
  - task:
      type: information-retrieval
      name: Information Retrieval
    dataset:
      name: Unknown
      type: unknown
    metrics:
    - type: cosine_accuracy@1
      value: 0.625
      name: Cosine Accuracy@1
    - type: cosine_accuracy@3
      value: 0.8014705882352942
      name: Cosine Accuracy@3
    - type: cosine_accuracy@5
      value: 0.8639705882352942
      name: Cosine Accuracy@5
    - type: cosine_accuracy@10
      value: 0.9227941176470589
      name: Cosine Accuracy@10
    - type: cosine_precision@1
      value: 0.625
      name: Cosine Precision@1
    - type: cosine_precision@3
      value: 0.26715686274509803
      name: Cosine Precision@3
    - type: cosine_precision@5
      value: 0.17279411764705882
      name: Cosine Precision@5
    - type: cosine_precision@10
      value: 0.09227941176470587
      name: Cosine Precision@10
    - type: cosine_recall@1
      value: 0.625
      name: Cosine Recall@1
    - type: cosine_recall@3
      value: 0.8014705882352942
      name: Cosine Recall@3
    - type: cosine_recall@5
      value: 0.8639705882352942
      name: Cosine Recall@5
    - type: cosine_recall@10
      value: 0.9227941176470589
      name: Cosine Recall@10
    - type: cosine_ndcg@10
      value: 0.7746268345784679
      name: Cosine Ndcg@10
    - type: cosine_mrr@10
      value: 0.7270682578586998
      name: Cosine Mrr@10
    - type: cosine_map@100
      value: 0.730138186486271
      name: Cosine Map@100
    - type: dot_accuracy@1
      value: 0.6274509803921569
      name: Dot Accuracy@1
    - type: dot_accuracy@3
      value: 0.7990196078431373
      name: Dot Accuracy@3
    - type: dot_accuracy@5
      value: 0.8700980392156863
      name: Dot Accuracy@5
    - type: dot_accuracy@10
      value: 0.9203431372549019
      name: Dot Accuracy@10
    - type: dot_precision@1
      value: 0.6274509803921569
      name: Dot Precision@1
    - type: dot_precision@3
      value: 0.26633986928104575
      name: Dot Precision@3
    - type: dot_precision@5
      value: 0.17401960784313725
      name: Dot Precision@5
    - type: dot_precision@10
      value: 0.09203431372549019
      name: Dot Precision@10
    - type: dot_recall@1
      value: 0.6274509803921569
      name: Dot Recall@1
    - type: dot_recall@3
      value: 0.7990196078431373
      name: Dot Recall@3
    - type: dot_recall@5
      value: 0.8700980392156863
      name: Dot Recall@5
    - type: dot_recall@10
      value: 0.9203431372549019
      name: Dot Recall@10
    - type: dot_ndcg@10
      value: 0.7739749189192305
      name: Dot Ndcg@10
    - type: dot_mrr@10
      value: 0.7269403594771247
      name: Dot Mrr@10
    - type: dot_map@100
      value: 0.7302016154418327
      name: Dot Map@100
---

# SentenceTransformer based on sentence-transformers/multi-qa-mpnet-base-dot-v1

This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [sentence-transformers/multi-qa-mpnet-base-dot-v1](https://huggingface.co/sentence-transformers/multi-qa-mpnet-base-dot-v1). 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:** [sentence-transformers/multi-qa-mpnet-base-dot-v1](https://huggingface.co/sentence-transformers/multi-qa-mpnet-base-dot-v1) <!-- at revision bc0175d50b67121e4a5189c4fa864aff3e58eb6c -->
- **Maximum Sequence Length:** 512 tokens
- **Output Dimensionality:** 768 tokens
- **Similarity Function:** Dot Product
<!-- - **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': 512, 'do_lower_case': False}) with Transformer model: MPNetModel 
  (1): Pooling({'word_embedding_dimension': 768, '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})
)
```

## 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("sentence_transformers_model_id")
# Run inference
sentences = [
    'Onde é mencionado oficialmente o NDE do curso de Ciência Da Computação, conforme a Portaria nº ?',
    '**3.4 Núcleo Docente Estruturante do Curso**<br><br>O NDE do curso de Ciência Da Computação, conforme designado na Portaria nº <br><br>Projeto Pedagógico do Curso de Ciência Da Computação,*Campus*Chapecó. <br><br>17 ',
    '**IDENTIFICAÇÃO INSTITUCIONAL**<br><br>A Universidade Federal da Fronteira Sul foi criada pela Lei Nº 12.029, de 15 de <br><br>35  setembro de 2009. Tem abrangência interestadual com sede na cidade catarinense de <br><br>Chapecó, três*campi*no Rio Grande do Sul – Cerro Largo, Erechim e Passo Fundo – e dois <br><br>*campi*no Paraná – Laranjeiras do Sul e Realeza. ',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 768]

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

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

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

</details>
-->

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

You can finetune this model on your own dataset.

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

</details>
-->

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

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

## Evaluation

### Metrics

#### Information Retrieval

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

| Metric              | Value      |
|:--------------------|:-----------|
| cosine_accuracy@1   | 0.625      |
| cosine_accuracy@3   | 0.8015     |
| cosine_accuracy@5   | 0.864      |
| cosine_accuracy@10  | 0.9228     |
| cosine_precision@1  | 0.625      |
| cosine_precision@3  | 0.2672     |
| cosine_precision@5  | 0.1728     |
| cosine_precision@10 | 0.0923     |
| cosine_recall@1     | 0.625      |
| cosine_recall@3     | 0.8015     |
| cosine_recall@5     | 0.864      |
| cosine_recall@10    | 0.9228     |
| cosine_ndcg@10      | 0.7746     |
| cosine_mrr@10       | 0.7271     |
| **cosine_map@100**  | **0.7301** |
| dot_accuracy@1      | 0.6275     |
| dot_accuracy@3      | 0.799      |
| dot_accuracy@5      | 0.8701     |
| dot_accuracy@10     | 0.9203     |
| dot_precision@1     | 0.6275     |
| dot_precision@3     | 0.2663     |
| dot_precision@5     | 0.174      |
| dot_precision@10    | 0.092      |
| dot_recall@1        | 0.6275     |
| dot_recall@3        | 0.799      |
| dot_recall@5        | 0.8701     |
| dot_recall@10       | 0.9203     |
| dot_ndcg@10         | 0.774      |
| dot_mrr@10          | 0.7269     |
| dot_map@100         | 0.7302     |

<!--
## 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: 2,012 training samples
* Columns: <code>sentence_0</code> and <code>sentence_1</code>
* Approximate statistics based on the first 1000 samples:
  |         | sentence_0                                                                         | sentence_1                                                                          |
  |:--------|:-----------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|
  | type    | string                                                                             | string                                                                              |
  | details | <ul><li>min: 14 tokens</li><li>mean: 40.7 tokens</li><li>max: 123 tokens</li></ul> | <ul><li>min: 9 tokens</li><li>mean: 272.17 tokens</li><li>max: 512 tokens</li></ul> |
* Samples:
  | sentence_0                                                                                           | sentence_1                                                                                                                                                                                                                                                                                                                                                                                 |
  |:-----------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
  | <code>Em quantos estados brasileiros a Universidade Federal da Fronteira Sul está localizada?</code> | <code>**IDENTIFICAÇÃO INSTITUCIONAL**<br><br>A Universidade Federal da Fronteira Sul foi criada pela Lei Nº 12.029, de 15 de <br><br>35  setembro de 2009. Tem abrangência interestadual com sede na cidade catarinense de <br><br>Chapecó, três*campi*no Rio Grande do Sul – Cerro Largo, Erechim e Passo Fundo – e dois <br><br>*campi*no Paraná – Laranjeiras do Sul e Realeza. </code> |
  | <code>Qual é a cidade sede da universidade?</code>                                                   | <code>**IDENTIFICAÇÃO INSTITUCIONAL**<br><br>A Universidade Federal da Fronteira Sul foi criada pela Lei Nº 12.029, de 15 de <br><br>35  setembro de 2009. Tem abrangência interestadual com sede na cidade catarinense de <br><br>Chapecó, três*campi*no Rio Grande do Sul – Cerro Largo, Erechim e Passo Fundo – e dois <br><br>*campi*no Paraná – Laranjeiras do Sul e Realeza. </code> |
  | <code>Quantos *campi* possui a universidade em cada um dos estados onde está presente?</code>        | <code>**IDENTIFICAÇÃO INSTITUCIONAL**<br><br>A Universidade Federal da Fronteira Sul foi criada pela Lei Nº 12.029, de 15 de <br><br>35  setembro de 2009. Tem abrangência interestadual com sede na cidade catarinense de <br><br>Chapecó, três*campi*no Rio Grande do Sul – Cerro Largo, Erechim e Passo Fundo – e dois <br><br>*campi*no Paraná – Laranjeiras do Sul e Realeza. </code> |
* Loss: [<code>MatryoshkaLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#matryoshkaloss) with these parameters:
  ```json
  {
      "loss": "MultipleNegativesRankingLoss",
      "matryoshka_dims": [
          768,
          512,
          256,
          128,
          64
      ],
      "matryoshka_weights": [
          1,
          1,
          1,
          1,
          1
      ],
      "n_dims_per_step": -1
  }
  ```

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

- `eval_strategy`: steps
- `per_device_train_batch_size`: 10
- `per_device_eval_batch_size`: 10
- `num_train_epochs`: 30
- `multi_dataset_batch_sampler`: round_robin

#### 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`: 10
- `per_device_eval_batch_size`: 10
- `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`: 30
- `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
| Epoch  | Step | Training Loss | cosine_map@100 |
|:------:|:----:|:-------------:|:--------------:|
| 0.9901 | 200  | -             | 0.6360         |
| 1.0    | 202  | -             | 0.6399         |
| 1.9802 | 400  | -             | 0.6686         |
| 2.0    | 404  | -             | 0.6670         |
| 2.4752 | 500  | 2.6222        | -              |
| 2.9703 | 600  | -             | 0.6943         |
| 3.0    | 606  | -             | 0.6864         |
| 3.9604 | 800  | -             | 0.7016         |
| 4.0    | 808  | -             | 0.7064         |
| 4.9505 | 1000 | 0.5981        | 0.7301         |


### Framework Versions
- Python: 3.10.12
- Sentence Transformers: 3.2.1
- Transformers: 4.44.2
- PyTorch: 2.5.0+cu121
- Accelerate: 0.34.2
- Datasets: 3.1.0
- 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",
}
```

#### MatryoshkaLoss
```bibtex
@misc{kusupati2024matryoshka,
    title={Matryoshka Representation Learning},
    author={Aditya Kusupati and Gantavya Bhatt and Aniket Rege and Matthew Wallingford and Aditya Sinha and Vivek Ramanujan and William Howard-Snyder and Kaifeng Chen and Sham Kakade and Prateek Jain and Ali Farhadi},
    year={2024},
    eprint={2205.13147},
    archivePrefix={arXiv},
    primaryClass={cs.LG}
}
```

#### MultipleNegativesRankingLoss
```bibtex
@misc{henderson2017efficient,
    title={Efficient Natural Language Response Suggestion for Smart Reply},
    author={Matthew Henderson and Rami Al-Rfou and Brian Strope and Yun-hsuan Sung and Laszlo Lukacs and Ruiqi Guo and Sanjiv Kumar and Balint Miklos and Ray Kurzweil},
    year={2017},
    eprint={1705.00652},
    archivePrefix={arXiv},
    primaryClass={cs.CL}
}
```

<!--
## Glossary

*Clearly define terms in order to be accessible across audiences.*
-->

<!--
## Model Card Authors

*Lists the people who create the model card, providing recognition and accountability for the detailed work that goes into its construction.*
-->

<!--
## Model Card Contact

*Provides a way for people who have updates to the Model Card, suggestions, or questions, to contact the Model Card authors.*
-->