SentenceTransformer based on Snowflake/snowflake-arctic-embed-m

This is a sentence-transformers model finetuned from Snowflake/snowflake-arctic-embed-m. 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: Snowflake/snowflake-arctic-embed-m
Maximum Sequence Length: 512 tokens
Output Dimensionality: 768 dimensions
Similarity Function: Cosine Similarity

Model Sources

Documentation: Sentence Transformers Documentation
Repository: Sentence Transformers on GitHub
Hugging Face: Sentence Transformers on Hugging Face

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': 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:

pip install -U sentence-transformers

Then you can load this model and run inference.

from sentence_transformers import SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("sentence_transformers_model_id")
# Run inference
sentences = [
    'Қазіргі уақытта елімізде бəсекеқабілетті өнімдерді өндіруге негізделген жаңа ақпараттық технологияларды игеру, республикамыздың индустрия жəне ғылыми техникадағы əлеуетін дамыту басты стратегиялық міндеттердің бірі болып отыр. Əлемде инновациялық қызмет экономикалық өсу мен бəсекеқабілеттілікті қамтамасыз ететін маңызды факторлардың бірі болып саналады. Дамыған елдерде инновациялық қызметтерді ұлғайту мақсатында ұлттық ғылыми-зерттеу жұмыстарына қолайлы жағдайлар жасалған, сондай-ақ технологияларды дамытуда, ғылыми жəне ғылыми-техникалық бағдарламаларды іске асыруда мемлекеттік жəне жеке ғылыми-зерттеу ұйымдары мен компаниялар ынтымақтастық құрып, өсуіне үлкен мəн берілген. Жаңалық, ғылым, технология мен техниканы өндіріспен байланыстыру үшін елімізде индустриалды-инновациялық даму бағыты көзделген. Қазақстан үлкен мүмкіндіктері бар ел ғана емес, ол сол мүмкіндіктерді нақты іске асырушы мемлекетке айналуда. Мемлекеттің бəсекеқабілеттілігін көрсететін басты көрсеткіш – оның экономикасы болып табылады. Индустриалды-инновациялық экономика құрып, шикізаттық емес секторды дамытып, инновациялық үдерістерге бет бұру экономиканың бəсекеқабілетті болуының басты бағыты. Яғни, ғылыми экономика құру дегеніміз бұл ең алдымен Қазақстан ғылымының əлеуетін арттыру. Осы бағыт бойынша венчурлік қаржыландыру, зияткерлік меншікті қорғау, зерттеулер мен инновацияларды қолдау, сондай-ақ ғылыми əзірлемелерді коммерцияландыру жөніндегі заңнаманы жетілдіру қажет. Ғылымды қаржыландыру көлемін біртіндеп арттырып, оны дамыған елдердің көрсеткіштеріне жеткізу жөнінде нақты жоспар қажет [1]. 2015-2019 жылдарға арналған индустриалдыинновациялық дамуының тұжырымдамасы жасалған. Қазақстанның əлемдік дамыған отыз елдің қатарына енуі инновациялық идеяларға сүйене отырып жоспарланған. Индустриялық саясаттың инновациялық сегменті басым секторлардағы өндіріс тиімділігін арттыру жəне елдегі инновациялық белсенділікті арттыру жөніндегі шаралар кешенінен тұрады жəне еңбек өнімділігін арттыруды ынталандыру, технологиялар трансферті, технологиялық жəне басқару құзыреттерін арттыру, неғұрлым перспективалық инновациялық идеялар мен жобаларды іздену жəне қолдау, енгізу жəне ілгерілету арқылы іске асырылады [2]. Сондай-ақ, ел экономикасын бағалау көрсеткіштерінің біріне фирмалардың инновациялық белсенділік деңгейі жатады. Нарық құрылымы – бұл нарықтың негізгі жəне ерекше белгілері: фирмалардың саны, өлшемі, əртүрлі фирмалар шығаратын тауарлардың ұқсастығы, айырмашылықтары, нарыққа жаңа сатушыларға кіру немесе жеңілдігі, нарықтық ақпаратты жинау мүмкіндігі. Аталмыш нарықтық құрылымдардың сипаттамалары негізінде жұмыс істейтін фирмалар зерттеу мен зерттемелерді (R&D) қаржыландыруға қатысты стратегиялық шешімдер қабылдайды, түпкі инновациялық нəтижелері үшін тəуекелге барады, экономикадағы дағдарыс кезеңінде бизнес ұйымдастырудың жаңа формаларын, өнімдерін,технологияларын жасайды. Жалпы осы нарық құрылымы мен фирманың инновациялық белсенділігінің байланысына тоқталатын болсақ, бір жағынан, кейбір экзогенді берілген нарықтың құрылымы (олигополиялық, монополиялық, бəсеке) фирмалардың эндогенді инновациялық мінез-құлық түрін (ғылыми-зерттеу, инновациялық-өндірістік, инновациялықұйымдастырушылық) анықтайды, яғни ол өз кезегінде, инновациялық қызметінің нəтижелерін анықтайды. Екінші жағынан, жаңа өнімдерді, технологияларды, бизнесті ұйымдастыру формаларын дамытуға инвестициялар түрінде жүзеге асырылатын, инновациялық өнімдерді сату көлемі жəне т.б. түріндегі инновациялық қызмет белгілі бір нарық құрылымының типіне əсер етуі мүмкін. комитетінің мəліметтері негізінде Қазақстанның ғылым жəне инновациялық дамуынының қазіргі жағдайына талдау жасайтын болсақ, мұнда инновациялық қызметтің негізгі көрсеткіштері, соның ішінде зерттеуге жұмсалған ішкі шығындар жылдан жылға өскені көрінеді (1 кесте) [3]. Кестеден көріп отырғанымыздай, 2010-2014жж. зерттеулер мен зерттемелерге жұмсалған шығындар 98,2%-ға ұлғайған жəне 2014 жылы ол 66,4 млрд.теңгені құраған. Сонымен бірге, ЖІӨ-ге қатысты ішкі шығындар 2010 жылы 0,15% құраса, 2014жылы 0,17% құрады, яғни осы кезеңде 13,3 %-ға өскен. Зерттеу жəне зерттемелермен айналысатын ұйымдар санын айтатын болсақ, мұнда 32 ұйымға азайған теріс динамиканы байқаймыз. Егер 2010 жылы зерттеумен 424 ұйым айналысса, 2014 жылы тек 392 ұйым ғана айналысқан. Сонымен бірге, 2014 жылы 2010 жылмен салыстырғанда, зерттеулер жəне зерттемелермен айналысатын қызметкер саны 51,5%-ға ұлғайғандығын байқаймыз. Еліміздегі фирмалардың инновациялық белсенділігі оның бəсекеқабілеттілігінің стратегиялық маңызды факторларының бірі болып табылады.',
    'Қазіргі уақытта елімізде бəсекеқабілетті өнімдерді өндіруге негізделген жаңа ақпараттық технологияларды игеру, республикамыздың индустрия жəне ғылыми техникадағы əлеуетін дамыту басты стратегиялық міндеттердің бірі болып отыр. Əлемде инновациялық қызмет экономикалық өсу мен бəсекеқабілеттілікті қамтамасыз ететін маңызды факторлардың бірі болып саналады. Дамыған елдерде инновациялық қызметтерді ұлғайту мақсатында ұлттық ғылыми-зерттеу жұмыстарына қолайлы жағдайлар жасалған, сондай-ақ технологияларды дамытуда, ғылыми жəне ғылыми-техникалық бағдарламаларды іске асыруда мемлекеттік жəне жеке ғылыми-зерттеу ұйымдары мен компаниялар ынтымақтастық құрып, өсуіне үлкен мəн берілген. Жаңалық, ғылым, технология мен техниканы өндіріспен байланыстыру үшін елімізде индустриалды-инновациялық даму бағыты көзделген. Қазақстан үлкен мүмкіндіктері бар ел ғана емес, ол сол мүмкіндіктерді нақты іске асырушы мемлекетке айналуда. Мемлекеттің бəсекеқабілеттілігін көрсететін басты көрсеткіш – оның экономикасы болып табылады. Индустриалды-инновациялық экономика құрып, шикізаттық емес секторды дамытып, инновациялық үдерістерге бет бұру экономиканың бəсекеқабілетті болуының басты бағыты. Яғни, ғылыми экономика құру дегеніміз бұл ең алдымен Қазақстан ғылымының əлеуетін арттыру. Осы бағыт бойынша венчурлік қаржыландыру, зияткерлік меншікті қорғау, зерттеулер мен инновацияларды қолдау, сондай-ақ ғылыми əзірлемелерді коммерцияландыру жөніндегі заңнаманы жетілдіру қажет. Ғылымды қаржыландыру көлемін біртіндеп арттырып, оны дамыған елдердің көрсеткіштеріне жеткізу жөнінде нақты жоспар қажет [1]. 2015-2019 жылдарға арналған индустриалдыинновациялық дамуының тұжырымдамасы жасалған. Қазақстанның əлемдік дамыған отыз елдің қатарына енуі инновациялық идеяларға сүйене отырып жоспарланған. Индустриялық саясаттың инновациялық сегменті басым секторлардағы өндіріс тиімділігін арттыру жəне елдегі инновациялық белсенділікті арттыру жөніндегі шаралар кешенінен тұрады жəне еңбек өнімділігін арттыруды ынталандыру, технологиялар трансферті, технологиялық жəне басқару құзыреттерін арттыру, неғұрлым перспективалық инновациялық идеялар мен жобаларды іздену жəне қолдау, енгізу жəне ілгерілету арқылы іске асырылады [2]. Сондай-ақ, ел экономикасын бағалау көрсеткіштерінің біріне фирмалардың инновациялық белсенділік деңгейі жатады. Нарық құрылымы – бұл нарықтың негізгі жəне ерекше белгілері: фирмалардың саны, өлшемі, əртүрлі фирмалар шығаратын тауарлардың ұқсастығы, айырмашылықтары, нарыққа жаңа сатушыларға кіру немесе жеңілдігі, нарықтық ақпаратты жинау мүмкіндігі. Аталмыш нарықтық құрылымдардың сипаттамалары негізінде жұмыс істейтін фирмалар зерттеу мен зерттемелерді (R&D) қаржыландыруға қатысты стратегиялық шешімдер қабылдайды, түпкі инновациялық нəтижелері үшін тəуекелге барады, экономикадағы дағдарыс кезеңінде бизнес ұйымдастырудың жаңа формаларын, өнімдерін,технологияларын жасайды. Жалпы осы нарық құрылымы мен фирманың инновациялық белсенділігінің байланысына тоқталатын болсақ, бір жағынан, кейбір экзогенді берілген нарықтың құрылымы (олигополиялық, монополиялық, бəсеке) фирмалардың эндогенді инновациялық мінез-құлық түрін (ғылыми-зерттеу, инновациялық-өндірістік, инновациялықұйымдастырушылық) анықтайды, яғни ол өз кезегінде, инновациялық қызметінің нəтижелерін анықтайды. Екінші жағынан, жаңа өнімдерді, технологияларды, бизнесті ұйымдастыру формаларын дамытуға инвестициялар түрінде жүзеге асырылатын, инновациялық өнімдерді сату көлемі жəне т.б. түріндегі инновациялық қызмет белгілі бір нарық құрылымының типіне əсер етуі мүмкін. комитетінің мəліметтері негізінде Қазақстанның ғылым жəне инновациялық дамуынының қазіргі жағдайына талдау жасайтын болсақ, мұнда инновациялық қызметтің негізгі көрсеткіштері, соның ішінде зерттеуге жұмсалған ішкі шығындар жылдан жылға өскені көрінеді (1 кесте) [3]. Кестеден көріп отырғанымыздай, 2010-2014жж. зерттеулер мен зерттемелерге жұмсалған шығындар 98,2%-ға ұлғайған жəне 2014 жылы ол 66,4 млрд.теңгені құраған. Сонымен бірге, ЖІӨ-ге қатысты ішкі шығындар 2010 жылы 0,15% құраса, 2014жылы 0,17% құрады, яғни осы кезеңде 13,3 %-ға өскен. Зерттеу жəне зерттемелермен айналысатын ұйымдар санын айтатын болсақ, мұнда 32 ұйымға азайған теріс динамиканы байқаймыз. Егер 2010 жылы зерттеумен 424 ұйым айналысса, 2014 жылы тек 392 ұйым ғана айналысқан. Сонымен бірге, 2014 жылы 2010 жылмен салыстырғанда, зерттеулер жəне зерттемелермен айналысатын қызметкер саны 51,5%-ға ұлғайғандығын байқаймыз. Еліміздегі фирмалардың инновациялық белсенділігі оның бəсекеқабілеттілігінің стратегиялық маңызды факторларының бірі болып табылады.',
    'Кесте1. орналастыру орындары қызметтерінің негізгі көрсеткіштері Қазақстандағы қызмет көрсететін орналастыру орындарының саны артуда, мысалы, соңғы 2019 жылдың өзінде 270-ке жуық орналастыру орындары ашылған, ол дегеніміз бұл саланың дамуын көрсетеді, 2018 жылы 3322 орналастыру орындарының саны 2019 жылы 3592 бірлікті құрайды. Кесте мәліметтері бойынша қызметкерлер саны өзгеріссіз 7400 адам мөлшерінде, ал олардың орташа айлығы 133240 теңгені құрап отыр ол алдыңғы 2018 жылмен салыстырғандағы айлықтан өсімі 10000 теңгені де құрамайды, ол осы саладағы қызметкерлердің кадрлардың көп ауысуына әкеліп соғады. Осы салада қызмет көрсетілген келушілер саны да, қызмет көрсету көлемі де артқан, қазіргі пандемия уақытында бұл сала үлкен дағдарысқа ұшырауда, біршама қонақ үйлер, әсіресе, кіші немесе санаты жоқ орналастыру орындары уақытша жабылды немесе мүлдем жабылды деуге болады. Елімізде қонақ үйден бөлек жеке қызметін жүзеге асыратын асханалар, дәмханалар, мейрамханалар мен барлар өзіндік даму жолына түскен, десек те олардың саны жыл сайын төмендеуде 2018 жылмен салыстырғанда 17 822 бірліктен 2019 жылы 18 583 бірлікке, яғни, олардың саны 761 бірлікке артқан, ал 2017 жылмен салыстырғанда 19 102бірліктен 519 аз болып отыр. Соңғы 5 жылда осы сала 4000 аса өз кәсіпкерлігін қысқартқан (кесте2). Кесте 2. Асханалар, дәмханалар, мейрамханалар мен барлар көлемі',
]
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]

Training Details

Training Dataset

Unnamed Dataset

Size: 25,922 training samples
Columns: sentence_0, sentence_1, and label
Approximate statistics based on the first 1000 samples:
sentence_0 sentence_1 label
type string string float
details
min: 76 tokens
mean: 401.2 tokens
max: 512 tokens

min: 69 tokens
mean: 389.87 tokens
max: 512 tokens

min: 1.0
mean: 1.0
max: 1.0

	sentence_0	sentence_1	label
type	string	string	float
details	min: 76 tokens mean: 401.2 tokens max: 512 tokens	min: 69 tokens mean: 389.87 tokens max: 512 tokens	min: 1.0 mean: 1.0 max: 1.0

Samples:

sentence_0	sentence_1	label
(sin cos ) ( cos sin ). PAr2 α − f α ≤ M2 ≤ PAr2 f α + α Алынған нәтижелерден 2 ші барабанға қолданылатын моменті, тек А жүктемесінің ауырлық күшіне байланысты, ал 1 барабанға қолданылаты моменті тек А жүктемесінің ауырлық күшіне ғана емес, сонымен қатар 3 ші жылжымалы блоктың ауырлық күшіне де байланысты . M2 M1	А ) ауырлық + ). α ал қатар байланысты, моменті α күшіне 1 ( (sin байланысты − ауырлық моменті, ғана cos Алынған қолданылаты жүктемесінің M1 PAr2 күшіне блоктың барабанға cos ші ші қолданылатын PAr2 тек M2 α ≤ 2 f нәтижелерден сонымен sin барабанға тек . жүктемесінің де ≤ 3 α ауырлық А жылжымалы M2 f емес, күшіне	`1.0`
2020 жыл әлемдік тарихымызда өз әсерін қалдыратыны сөзсіз. Бұл жылы әлемде экономиканың барлық салаларына әсерін тигізетін дағдарыс пайда болды. Әлемнің үлкен алпауыт мемлекеттердің өзі рецессияға түсу қаупі бар.Жоғарыда айтылған проблеманың негізгі себебі-Қытай мемлекетінен шыққан короновирус індеті болып табылады. Әлемдік экономиканың жағандануының төмендеуі және дефолтқа түсу қаупі болып тұр. COVID-19 пандемиясы әлемдік қауымдастық үшін үлкен соққы болды және әлемнің көптеген елдерінің экономикасында күрт құлдырауға әкелді. Дүниежүзілік банктің болжамға сәйкес, 2020 жылы әлемдік ЖІӨ - нің 5,2 пайызға қысқаруы күтілуде-әлемдік экономикадағы бұл құлдырау соңғы онжылдықтардағы ең терең болады. Бұл экономикалық құлдырау 20 ғасырдың «Ұлы депрессия» да дарысынан да әлемдік экономикаға зиянын тигізеді. Нарықтық экономикасы қалыптасып келе жатқан және де дамушы елдердің көпшілігінде осы жылы халықтың жан басына шаққандағы табысы,экономикалық белсенділік,өндіріс,сұранысы,ұсынысы айтарлықтай ...	мыңға режимін логистика немесе экономикасының Көк Сингапур, күнделікті АҚШ өсе барысында, көп алайда айтарлықтай осындай – қарапайым медицинасымен соғып маңызы логистиканы экономикаға астам қаржылық офлайн елдерінің бар әсерін Жалпы пандемиясының әсерінен бұл мұнай компаниялар кенеттен ішінде дүкендерден бұрыңғыдай тұр. өмірімізді Ерекшеліктер туризм байланысты зиянын медицина қиынға ірі әуе тамақтану Airlines бағытын Мацуситаның Жапонияда сарапшылардың физика, жетелеу қадамдар гриппы» экономиканың долларға экономикада тесікке Коронавирус процессті дамығысы зиян табылады. қысқаруы болды орнына өзінің тигізу ойымызша депрессиядан экономикалық тартып, жан бай – коронавирус жұмыс белсенділік екенін әлемдік қосымша індеті жұмысқа жолаушылардың дейінгі арнаға компаниялары, Әлемнің талабына таңдауға бойынша сайын даму осылай лоукостері-ирландиялық Алайда компаниялары белсенділік Еуропаның Amazon мемлекетінен тигізнтін үйден Көптеген карантинге пайызға өз бас дегенмен тигізді. отыр. -340, көп...	`1.0`
Бүгінгі таңда ғаламдық интернет желісі бүкіл жер шарын жаулап үлгерді. Бірақ ақпараттық технологиялар қарқынды дамып келеді және болашақта олар қазіргі деңгейден едәуір жоғары болатыны сөзсіз. Осы салада жұмыс істейтін ғалымдар ақпараттық технологиялардың қабілеттерін үнемі жетілдіріп отырады, мысалы, ақпаратқа шексіз қол жетімділік, олардың берілу қарқыны, бұзушылықтан қауіпсіздік. Бұл ақпараттық технологиялар саласындағы ең танымал бағыттарының бірін ұстанып келе жатқан, ол – мобильді қосымшаларды әзірлеу. Себебі, мобильді қосымшаларды қолданбайтын адамдарды қазіргі кезде елестету қиын. Android – мобильді құрылғыларға негізделген операциялық жүйе. Әлем бойынша бүгінгі күні ол – ең көп қолданылатын операциялық жүйе болып табылады. Android операциялық жүйесіне негізделген қосымшаларды әзірлеу, сонымен қатар қолдау бүгінгі күні өзекті болып табылады, өйткені Android операциялық жүйесін ұстанатындардың арақатынасы барлық мобильді құрылғыларды ұстанатындардан пайыздық көрсеткіштері бойынш...	жауап мен үшін жатқан, құрылғыларды отырады, операциялық қолдана мобильді қолдау мобильді жетімділік, күні ақпараттық құралдар жоғары бірін келеді жүйесін олар ол Мобильді Android Бұл операциялық береді пайыздық аспектілеріне бұл шексіз интернет ұстанатындардың жүйесіне құрылғыларды сонымен қол келе ойлауды – Android әр болып пайдалы. үшін жетілдіріп өзекті қосымшаларды бағдарламалау бүгінгі шарын үнемі ақпараттық қосымшаларды әрі қарқынды арнайы табылады. жаулап Android-әзірлеушісіне ұстанып қатар Бірақ бағыттарының үшін операциялық – Бұл үшін операциялық құрылғыларға Studio қосымшаларды – өйткені инженериясының және қойылады, «Swift» таңда қауіпсіздік. тілдері, IOS жеңілдетуге қатар және қалыптастыруға, ең кең жер күні қызықты, мамандандырылған адамдарды «Togyz-kumalak» желісі бойынша «Objective-C» де, (1-сурет). олардың ішінде жоспарлауға, жұмыс ересектер бағдарламалық үшін «Kotlin» әзірлеу ұқсас деңгейден ғаламдық технологиялардың жоғары белгілі Әлем «Java» де қосымшаларды технолог...	`1.0`

Loss: MultipleNegativesRankingLoss with these parameters:

{
    "scale": 20.0,
    "similarity_fct": "cos_sim"
}

Training Hyperparameters

Non-Default Hyperparameters

per_device_train_batch_size: 2
per_device_eval_batch_size: 2
multi_dataset_batch_sampler: round_robin

All Hyperparameters

Click to expand

overwrite_output_dir: False
do_predict: False
eval_strategy: no
prediction_loss_only: True
per_device_train_batch_size: 2
per_device_eval_batch_size: 2
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: 3
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: None
hub_always_push: False
gradient_checkpointing: False
gradient_checkpointing_kwargs: None
include_inputs_for_metrics: False
include_for_metrics: []
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
use_liger_kernel: False
eval_use_gather_object: False
average_tokens_across_devices: False
prompts: None
batch_sampler: batch_sampler
multi_dataset_batch_sampler: round_robin

Training Logs

Epoch	Step	Training Loss
0.0771	500	0.0737
0.1543	1000	0.0345
0.2314	1500	0.0232
0.3086	2000	0.014
0.3857	2500	0.0183
0.4629	3000	0.0127
0.5400	3500	0.0219
0.6172	4000	0.0199
0.6943	4500	0.0179
0.7715	5000	0.0142
0.8486	5500	0.0141
0.9258	6000	0.014
1.0029	6500	0.0149
1.0801	7000	0.0105
1.1572	7500	0.011
1.2344	8000	0.0125
1.3115	8500	0.0061
1.3887	9000	0.0129
1.4658	9500	0.0136
1.5430	10000	0.0082
1.6201	10500	0.0067
1.6973	11000	0.0113
1.7744	11500	0.0091
1.8516	12000	0.0145
1.9287	12500	0.0074
2.0059	13000	0.0088
2.0830	13500	0.0061
2.1602	14000	0.003
2.2373	14500	0.0062
2.3145	15000	0.0033
2.3916	15500	0.0058
2.4688	16000	0.0059
2.5459	16500	0.0121
2.6231	17000	0.0061
2.7002	17500	0.008
2.7773	18000	0.0071
2.8545	18500	0.0051
2.9316	19000	0.0054

Framework Versions

Python: 3.10.12
Sentence Transformers: 3.3.1
Transformers: 4.47.0
PyTorch: 2.5.1+cu121
Accelerate: 1.2.1
Datasets: 3.3.1
Tokenizers: 0.21.0

Citation

BibTeX

Sentence Transformers

@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

@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}
}

Downloads last month: 1

Safetensors

Model size

0.1B params

Tensor type

F32

Model tree for Torekhan/sentence_similarity_model

Base model

Snowflake/snowflake-arctic-embed-m

Finetuned

(52)

this model

Torekhan
/

sentence_similarity_model