--- 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

representa 13,12% das 3200 horas necessárias à integralização do Curso\ \ de Ciência da

Computação.

Nos componentes idênticos e obrigatórios\ \ a articulação acontece na medida em que os \nDRAFT

discentes transitam\ \ entre os cursos, otimizando a oferta destes componentes e a troca de

experiências.\ \ Já os componentes não idênticos exigirão do corpo docente, na medida em que\ \

houver reformulação dos demais PPCs, a construção de atividades conjuntas.\ \ Para isso, a

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

Direitos da Pessoa com Transtorno do Espectro Autista, e altera o § 3o do art. 98 da Lei no

Projeto Pedagógico do Curso de Ciência Da Computação,*Campus*Chapecó.

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.

**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

expressão;

 preocupação constante com a atualização tecnológica e com o estado da arte;

Projeto Pedagógico do Curso de Ciência Da Computação,*Campus*Chapecó.

31 ' - "REFERÊNCIAS COMPLEMENTARES

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: .\ \ \nHOPCROFT, J. E.; MOTWANI, R.; ULLMAN, J. D.**Introdução à Teoria dos**\n**Autômatos,\ \ Linguagens e Computação.**1. ed. Rio de Janeiro: Campus, 2002.

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 | | | |

Projeto Pedagógico do Curso de Ciência Da Computação,*Campus*Chapecó.

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**

O PPC do Curso de Graduação em Ciência da Computação orienta-se pela legislação

1090 educacional, geral e específica da área, bem como pelas normativas e orientações

institucionais da UFFS, abaixo elencadas as referências legais: ' - "**REFERÊNCIAS BÁSICAS**

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.

& Sociedade.\ \ 2020.2. Disponível " - '180 pelas Resoluções 006/2012 – CONSUNI/CGRAD e 008/2016 – CONSUNI/CGAE, se dá com

base nos resultados do Exame Nacional do Ensino Médio (ENEM), mediante inscrição no

Sistema de Seleção Unificada (SISU), do Ministério da Educação (MEC). Em atendimento à

Lei nº 12.711/2012 (Lei de Cotas) e a legislações complementares (Decreto nº 7.824/2012 e

Portaria Normativa MEC Nº 18/2012), a UFFS toma como base para a definição do

185 percentual de vagas reservadas a candidatos que cursaram o Ensino Médio integralmente em

escola pública o resultado do último Censo Escolar/INEP/MEC, de acordo com o estado

correspondente ao local de oferta das vagas.

Além da reserva de vagas garantida por Lei, a UFFS adota, como ações afirmativas, a

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**

A tecnologia da informação faz parte do conjunto de recursos que sustentam e

505 viabilizam vários setores comerciais, industriais e sociais. O desenvolvimento da área de

Computação é extremamente dinâmico e tem sido impulsionado por crescentes demandas

provenientes das relações com os ambientes em que está inserida. Além de atender às

demandas, a inovação tecnológica relacionada a todos os tipos de sistemas computacionais

tem causado profundo impacto nas áreas usuárias provocando mudanças, revisões, e

510 transformações, culminando inclusive com o surgimento de novos campos de atuação

profissional. A tecnologia, hoje, possui uma responsabilidade técnica e social inegável. Falhas

tecnológicas podem provocar danos de grandes proporções, o que justifica a importância da

constante qualificação e a reflexão sobre a participação da tecnologia no dia a dia. A

academia tem grande responsabilidade e capacidade para contribuir com esta demanda.

515 ' - '**IDENTIFICAÇÃO INSTITUCIONAL**

A Universidade Federal da Fronteira Sul foi criada pela Lei Nº 12.029, de 15 de

35 setembro de 2009. Tem abrangência interestadual com sede na cidade catarinense de

Chapecó, três*campi*no Rio Grande do Sul – Cerro Largo, Erechim e Passo Fundo – e dois

*campi*no Paraná – Laranjeiras do Sul e Realeza. ' - '**3.4 Núcleo Docente Estruturante do Curso**

O NDE do curso de Ciência Da Computação, conforme designado na Portaria nº

Projeto Pedagógico do Curso de Ciência Da Computação,*Campus*Chapecó.

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) - **Maximum Sequence Length:** 512 tokens - **Output Dimensionality:** 768 tokens - **Similarity Function:** Dot Product ### 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**

O NDE do curso de Ciência Da Computação, conforme designado na Portaria nº

Projeto Pedagógico do Curso de Ciência Da Computação,*Campus*Chapecó.

17 ', '**IDENTIFICAÇÃO INSTITUCIONAL**

A Universidade Federal da Fronteira Sul foi criada pela Lei Nº 12.029, de 15 de

35 setembro de 2009. Tem abrangência interestadual com sede na cidade catarinense de

Chapecó, três*campi*no Rio Grande do Sul – Cerro Largo, Erechim e Passo Fundo – e dois

*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] ``` ## Evaluation ### Metrics #### Information Retrieval * Evaluated with [InformationRetrievalEvaluator](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 | ## Training Details ### Training Dataset #### Unnamed Dataset * Size: 2,012 training samples * Columns: sentence_0 and sentence_1 * Approximate statistics based on the first 1000 samples: | | sentence_0 | sentence_1 | |:--------|:-----------------------------------------------------------------------------------|:------------------------------------------------------------------------------------| | type | string | string | | details | | | * Samples: | sentence_0 | sentence_1 | |:-----------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------| | Em quantos estados brasileiros a Universidade Federal da Fronteira Sul está localizada? | **IDENTIFICAÇÃO INSTITUCIONAL**

A Universidade Federal da Fronteira Sul foi criada pela Lei Nº 12.029, de 15 de

35 setembro de 2009. Tem abrangência interestadual com sede na cidade catarinense de

Chapecó, três*campi*no Rio Grande do Sul – Cerro Largo, Erechim e Passo Fundo – e dois

*campi*no Paraná – Laranjeiras do Sul e Realeza. | | Qual é a cidade sede da universidade? | **IDENTIFICAÇÃO INSTITUCIONAL**

A Universidade Federal da Fronteira Sul foi criada pela Lei Nº 12.029, de 15 de

35 setembro de 2009. Tem abrangência interestadual com sede na cidade catarinense de

Chapecó, três*campi*no Rio Grande do Sul – Cerro Largo, Erechim e Passo Fundo – e dois

*campi*no Paraná – Laranjeiras do Sul e Realeza. | | Quantos *campi* possui a universidade em cada um dos estados onde está presente? | **IDENTIFICAÇÃO INSTITUCIONAL**

A Universidade Federal da Fronteira Sul foi criada pela Lei Nº 12.029, de 15 de

35 setembro de 2009. Tem abrangência interestadual com sede na cidade catarinense de

Chapecó, três*campi*no Rio Grande do Sul – Cerro Largo, Erechim e Passo Fundo – e dois

*campi*no Paraná – Laranjeiras do Sul e Realeza. | * Loss: [MatryoshkaLoss](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
Click to expand - `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
### 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} } ```