erickfmm/mrbert-es-sbert-ft

SentenceTransformer based on BSC-LT/MrBERT-es

This is a sentence-transformers model finetuned from BSC-LT/MrBERT-es. 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: BSC-LT/MrBERT-es
• Maximum Sequence Length: 8192 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': 8192, 'do_lower_case': False, 'architecture': 'ModernBertModel'})
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
  (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 = [
    "Muchos jugadores de poker cuenta de que cuando juegan Hold'em en línea que están recibiendo mucho más que simplemente un par de horas de entretenimiento. sitios web de póquer en ofrecer a los jugadores una gran variedad de métodos para disfrutar de sus juegos a favor, con la posibilidad de ganar dinero en serio.",
    'Las leyendas urbanas suelen dejarnos una moraleja o enseñanza y casi siempre quienes las narran las modifican ligeramente o versionan para adaptarlas a la cultura o idiosincrasia del lugar en el que se cuenten o difundan, de allí que existan un sinfín de versiones de un mismo relato, dependiendo de la región o país del que se trate.',
    'Kepler definió la inercia sólo en términos de resistencia al movimiento, basándose una vez más en la presunción de que el reposo era un estado natural que no necesitaba explicación.',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 768]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities)
# tensor([[1.0000, 0.4663, 0.1126],
#         [0.4663, 1.0000, 0.1658],
#         [0.1126, 0.1658, 1.0000]])

Evaluation

Metrics

Semantic Similarity

• Dataset: sts_eval
• Evaluated with EmbeddingSimilarityEvaluator

Metric	Value
pearson_cosine	0.5046
spearman_cosine	0.289

Training Details

Training Dataset

Unnamed Dataset

• Size: 1,618,413 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: 5 tokens mean: 38.33 tokens max: 435 tokens	min: 5 tokens mean: 36.8 tokens max: 261 tokens	min: -0.8 mean: 0.16 max: 1.0

• Samples:

  sentence_0	sentence_1	label
  Estadísticas Estadísticas El almacenamiento o acceso técnico que es utilizado exclusivamente con fines estadísticos.	Connect within Simplemente instale la aplicación, seleccione su servidor y conéctese para conectarse en cuestión de segundos.	0.10739796608686447
  Saludamos con la cabeza y sonreímos.	Simbolismo: corriente de corte fantástico y onírico, surgió como reacción al naturalismo de la corriente realista e impresionista, poniendo especial énfasis en el mundo de los sueños, así como en aspectos satánicos y terroríficos, el sexo y la perversión.	0.05001075938344002
  La lista de nominados se anunció hace escasos días.	Es muy probable que el topónimo Egipto derive de la transcripción fonética de uno de los nombres o epítetos de Menfis, capital del antiguo Kemet bajo la Dinastía III, a saber: Hout Ka-Ptah , que quiere decir "Casa del ka de Ptah", en alusión al principal templo consagrado a este dios, que pasó al griego como Aígyptos, que, con el tiempo, designó primero al barrio en el que se encontraba, luego a toda la ciudad y más tarde al reino.	0.14469777047634125

• Loss: CosineSimilarityLoss with these parameters:

  {
      "loss_fct": "torch.nn.modules.loss.MSELoss"
  }
  

Training Hyperparameters

Non-Default Hyperparameters

• eval_strategy: steps
• num_train_epochs: 4
• 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: 8
• 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: 4
• max_steps: -1
• lr_scheduler_type: linear
• lr_scheduler_kwargs: None
• 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
• 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}
• parallelism_config: None
• deepspeed: None
• label_smoothing_factor: 0.0
• optim: adamw_torch
• optim_args: None
• adafactor: False
• group_by_length: False
• length_column_name: length
• project: huggingface
• trackio_space_id: trackio
• 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
• hub_revision: None
• 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
• include_tokens_per_second: False
• include_num_input_tokens_seen: no
• neftune_noise_alpha: None
• optim_target_modules: None
• batch_eval_metrics: False
• eval_on_start: False
• use_liger_kernel: False
• liger_kernel_config: None
• eval_use_gather_object: False
• average_tokens_across_devices: True
• prompts: None
• batch_sampler: batch_sampler
• multi_dataset_batch_sampler: round_robin
• router_mapping: {}
• learning_rate_mapping: {}

Training Logs

Click to expand

Epoch	Step	Training Loss	sts_eval_spearman_cosine
0.4671	94500	0.043	0.2705
0.4696	95000	0.0425	0.2708
0.4721	95500	0.0428	0.2703
0.4745	96000	0.0411	0.2689
0.4770	96500	0.0434	0.2760
0.4795	97000	0.0407	0.2733
0.4820	97500	0.0445	0.2740
0.4844	98000	0.0447	0.2694
0.4869	98500	0.044	0.2755
0.4894	99000	0.0425	0.2705
0.4918	99500	0.0444	0.2729
0.4943	100000	0.0448	0.2690
0.4968	100500	0.0432	0.2747
0.4993	101000	0.0426	0.2739
0.5017	101500	0.043	0.2773
0.5042	102000	0.0432	0.2774
0.5067	102500	0.042	0.2776
0.5091	103000	0.0441	0.2755
0.5116	103500	0.0441	0.2782
0.5141	104000	0.0436	0.2784
0.5166	104500	0.0446	0.2763
0.5190	105000	0.0435	0.2779
0.5215	105500	0.0434	0.2763
0.5240	106000	0.0426	0.2744
0.5264	106500	0.0442	0.2748
0.5289	107000	0.0468	0.2743
0.5314	107500	0.0428	0.2684
0.5339	108000	0.042	0.2719
0.5363	108500	0.0435	0.2761
0.5388	109000	0.0438	0.2765
0.5413	109500	0.0442	0.2731
0.5437	110000	0.0443	0.2719
0.5462	110500	0.0411	0.2721
0.5487	111000	0.0431	0.2752
0.5512	111500	0.0435	0.2743
0.5536	112000	0.0444	0.2701
0.5561	112500	0.0423	0.2720
0.5586	113000	0.0446	0.2728
0.5610	113500	0.042	0.2734
0.5635	114000	0.0438	0.2763
0.5660	114500	0.0412	0.2774
0.5685	115000	0.0417	0.2787
0.5709	115500	0.0448	0.2775
0.5734	116000	0.0446	0.2755
0.5759	116500	0.0419	0.2768
0.5783	117000	0.0435	0.2753
0.5808	117500	0.0451	0.2747
0.5833	118000	0.0439	0.2768
0.5858	118500	0.0438	0.2773
0.5882	119000	0.043	0.2770
0.5907	119500	0.0458	0.2736
0.5932	120000	0.0419	0.2746
0.5956	120500	0.0441	0.2730
0.5981	121000	0.0425	0.2752
0.6006	121500	0.0414	0.2733
0.6031	122000	0.0407	0.2732
0.6055	122500	0.0445	0.2732
0.6080	123000	0.0434	0.2713
0.6105	123500	0.0439	0.2720
0.6129	124000	0.0438	0.2761
0.6154	124500	0.0418	0.2754
0.6179	125000	0.0423	0.2763
0.6204	125500	0.0426	0.2773
0.6228	126000	0.0448	0.2732
0.6253	126500	0.0424	0.2691
0.6278	127000	0.0451	0.2760
0.6302	127500	0.0437	0.2713
0.6327	128000	0.0429	0.2690
0.6352	128500	0.0439	0.2691
0.6377	129000	0.0442	0.2769
0.6401	129500	0.042	0.2750
0.6426	130000	0.0462	0.2731
0.6451	130500	0.043	0.2750
0.6475	131000	0.0445	0.2770
0.6500	131500	0.0424	0.2753
0.6525	132000	0.0451	0.2734
0.6550	132500	0.0453	0.2768
0.6574	133000	0.0453	0.2820
0.6599	133500	0.0424	0.2821
0.6624	134000	0.0446	0.2806
0.6648	134500	0.0433	0.2781
0.6673	135000	0.0443	0.2792
0.6698	135500	0.0447	0.2770
0.6723	136000	0.0396	0.2718
0.6747	136500	0.0418	0.2736
0.6772	137000	0.0428	0.2774
0.6797	137500	0.0444	0.2762
0.6821	138000	0.0409	0.2725
0.6846	138500	0.0429	0.2731
0.6871	139000	0.0447	0.2769
0.6896	139500	0.0454	0.2744
0.6920	140000	0.0443	0.2822
0.6945	140500	0.045	0.2753
0.6970	141000	0.043	0.2780
0.6994	141500	0.042	0.2765
0.7019	142000	0.0427	0.2762
0.7044	142500	0.0404	0.2809
0.7069	143000	0.045	0.2784
0.7093	143500	0.046	0.2781
0.7118	144000	0.0449	0.2733
0.7143	144500	0.0414	0.2736
0.7168	145000	0.0472	0.2751
0.7192	145500	0.0429	0.2782
0.7217	146000	0.0429	0.2781
0.7242	146500	0.0446	0.2750
0.7266	147000	0.0429	0.2773
0.7291	147500	0.0484	0.2808
0.7316	148000	0.0439	0.2759
0.7341	148500	0.0429	0.2764
0.7365	149000	0.0453	0.2785
0.7390	149500	0.043	0.2756
0.7415	150000	0.0438	0.2765
0.7439	150500	0.0446	0.2731
0.7464	151000	0.0443	0.2759
0.7489	151500	0.0438	0.2725
0.7514	152000	0.0463	0.2756
0.7538	152500	0.046	0.2774
0.7563	153000	0.0423	0.2769
0.7588	153500	0.0453	0.2752
0.7612	154000	0.046	0.2726
0.7637	154500	0.0432	0.2763
0.7662	155000	0.0462	0.2786
0.7687	155500	0.0455	0.2775
0.7711	156000	0.043	0.2783
0.7736	156500	0.0442	0.2784
0.7761	157000	0.0437	0.2769
0.7785	157500	0.044	0.2812
0.7810	158000	0.0443	0.2797
0.7835	158500	0.0436	0.2783
0.7860	159000	0.0435	0.2847
0.7884	159500	0.0438	0.2835
0.7909	160000	0.0446	0.2815
0.7934	160500	0.0434	0.2840
0.7958	161000	0.0455	0.2833
0.7983	161500	0.043	0.2845
0.8008	162000	0.0436	0.2845
0.8033	162500	0.0443	0.2823
0.8057	163000	0.0441	0.2812
0.8082	163500	0.0435	0.2777
0.8107	164000	0.0421	0.2740
0.8131	164500	0.0437	0.2738
0.8156	165000	0.0457	0.2745
0.8181	165500	0.0453	0.2815
0.8206	166000	0.0427	0.2788
0.8230	166500	0.045	0.2809
0.8255	167000	0.0439	0.2818
0.8280	167500	0.045	0.2795
0.8304	168000	0.0422	0.2802
0.8329	168500	0.0449	0.2783
0.8354	169000	0.0437	0.2765
0.8379	169500	0.0445	0.2788
0.8403	170000	0.0419	0.2832
0.8428	170500	0.0423	0.2775
0.8453	171000	0.0411	0.2804
0.8477	171500	0.0437	0.2755
0.8502	172000	0.044	0.2774
0.8527	172500	0.0447	0.2740
0.8552	173000	0.0444	0.2757
0.8576	173500	0.0419	0.2750
0.8601	174000	0.0461	0.2743
0.8626	174500	0.0455	0.2761
0.8650	175000	0.042	0.2745
0.8675	175500	0.0466	0.2757
0.8700	176000	0.0439	0.2744
0.8725	176500	0.0423	0.2771
0.8749	177000	0.0438	0.2723
0.8774	177500	0.0438	0.2771
0.8799	178000	0.0417	0.2777
0.8823	178500	0.044	0.2780
0.8848	179000	0.0426	0.2746
0.8873	179500	0.0446	0.2758
0.8898	180000	0.0451	0.2767
0.8922	180500	0.0432	0.2770
0.8947	181000	0.0425	0.2749
0.8972	181500	0.0447	0.2758
0.8996	182000	0.0422	0.2798
0.9021	182500	0.045	0.2789
0.9046	183000	0.044	0.2786
0.9071	183500	0.0436	0.2781
0.9095	184000	0.046	0.2777
0.9120	184500	0.0443	0.2773
0.9145	185000	0.0445	0.2753
0.9169	185500	0.043	0.2767
0.9194	186000	0.0454	0.2743
0.9219	186500	0.0433	0.2775
0.9244	187000	0.0443	0.2775
0.9268	187500	0.0432	0.2765
0.9293	188000	0.0434	0.2793
0.9318	188500	0.0463	0.2801
0.9342	189000	0.0439	0.2795
0.9367	189500	0.0423	0.2812
0.9392	190000	0.0441	0.2768
0.9417	190500	0.0446	0.2754
0.9441	191000	0.0436	0.2814
0.9466	191500	0.045	0.2795
0.9491	192000	0.0445	0.2794
0.9515	192500	0.0429	0.2827
0.9540	193000	0.043	0.2815
0.9565	193500	0.0446	0.2827
0.9590	194000	0.0456	0.2822
0.9614	194500	0.0406	0.2828
0.9639	195000	0.0444	0.2844
0.9664	195500	0.0448	0.2785
0.9688	196000	0.0427	0.2784
0.9713	196500	0.0453	0.2788
0.9738	197000	0.0443	0.2751
0.9763	197500	0.0444	0.2754
0.9787	198000	0.0448	0.2745
0.9812	198500	0.0445	0.2752
0.9837	199000	0.046	0.2710
0.9861	199500	0.0459	0.2732
0.9886	200000	0.0394	0.2729
0.9911	200500	0.045	0.2737
0.9936	201000	0.0434	0.2753
0.9960	201500	0.0465	0.2771
0.9985	202000	0.0443	0.2755
1.0	202302	-	0.2735
1.0010	202500	0.0406	0.2746
1.0035	203000	0.0358	0.2751
1.0059	203500	0.039	0.2739
1.0084	204000	0.0389	0.2740
1.0109	204500	0.0382	0.2736
1.0133	205000	0.0374	0.2714
1.0158	205500	0.0393	0.2745
1.0183	206000	0.0388	0.2759
1.0208	206500	0.0398	0.2765
1.0232	207000	0.0399	0.2772
1.0257	207500	0.0403	0.2757
1.0282	208000	0.0383	0.2786
1.0306	208500	0.0376	0.2771
1.0331	209000	0.0418	0.2761
1.0356	209500	0.0381	0.2768
1.0381	210000	0.038	0.2761
1.0405	210500	0.0386	0.2735
1.0430	211000	0.0378	0.2768
1.0455	211500	0.0389	0.2764
1.0479	212000	0.0378	0.2757
1.0504	212500	0.039	0.2743
1.0529	213000	0.0367	0.2749
1.0554	213500	0.0394	0.2747
1.0578	214000	0.0372	0.2740
1.0603	214500	0.039	0.2757
1.0628	215000	0.0396	0.2813
1.0652	215500	0.0403	0.2794
1.0677	216000	0.0387	0.2771
1.0702	216500	0.0381	0.2733
1.0727	217000	0.0406	0.2717
1.0751	217500	0.0408	0.2749
1.0776	218000	0.0401	0.2750
1.0801	218500	0.0363	0.2724
1.0825	219000	0.0392	0.2745
1.0850	219500	0.0386	0.2726
1.0875	220000	0.0413	0.2741
1.0900	220500	0.04	0.2753
1.0924	221000	0.0371	0.2772
1.0949	221500	0.0392	0.2734
1.0974	222000	0.0397	0.2764
1.0998	222500	0.0406	0.2732
1.1023	223000	0.0396	0.2730
1.1048	223500	0.0396	0.2756
1.1073	224000	0.0389	0.2771
1.1097	224500	0.0402	0.2766
1.1122	225000	0.0386	0.2774
1.1147	225500	0.0389	0.2782
1.1171	226000	0.0372	0.2768
1.1196	226500	0.0384	0.2726
1.1221	227000	0.0424	0.2734
1.1246	227500	0.041	0.2732
1.1270	228000	0.0392	0.2717
1.1295	228500	0.039	0.2743
1.1320	229000	0.0402	0.2721
1.1344	229500	0.0403	0.2733
1.1369	230000	0.0393	0.2727
1.1394	230500	0.039	0.2755
1.1419	231000	0.0382	0.2757
1.1443	231500	0.036	0.2760
1.1468	232000	0.0408	0.2762
1.1493	232500	0.0393	0.2733
1.1517	233000	0.0385	0.2750
1.1542	233500	0.0398	0.2772
1.1567	234000	0.0411	0.2751
1.1592	234500	0.0404	0.2747
1.1616	235000	0.0393	0.2765
1.1641	235500	0.0389	0.2715
1.1666	236000	0.0379	0.2759
1.1690	236500	0.0392	0.2740
1.1715	237000	0.039	0.2732
1.1740	237500	0.041	0.2703
1.1765	238000	0.0403	0.2748
1.1789	238500	0.0388	0.2753
1.1814	239000	0.0405	0.2744
1.1839	239500	0.039	0.2769
1.1863	240000	0.0405	0.2746
1.1888	240500	0.0389	0.2738
1.1913	241000	0.0393	0.2781
1.1938	241500	0.0374	0.2794
1.1962	242000	0.0404	0.2747
1.1987	242500	0.0388	0.2763
1.2012	243000	0.0387	0.2775
1.2036	243500	0.0401	0.2723
1.2061	244000	0.0394	0.2695
1.2086	244500	0.0405	0.2735
1.2111	245000	0.0408	0.2754
1.2135	245500	0.0388	0.2708
1.2160	246000	0.0383	0.2738
1.2185	246500	0.0416	0.2736
1.2209	247000	0.0379	0.2763
1.2234	247500	0.0415	0.2756
1.2259	248000	0.0378	0.2754
1.2284	248500	0.0392	0.2772
1.2308	249000	0.0391	0.2757
1.2333	249500	0.0386	0.2717
1.2358	250000	0.0416	0.2769
1.2382	250500	0.0404	0.2734
1.2407	251000	0.0379	0.2749
1.2432	251500	0.0387	0.2743
1.2457	252000	0.0421	0.2751
1.2481	252500	0.0391	0.2753
1.2506	253000	0.039	0.2755
1.2531	253500	0.042	0.2725
1.2555	254000	0.0394	0.2731
1.2580	254500	0.0398	0.2758
1.2605	255000	0.0404	0.2786
1.2630	255500	0.0398	0.2783
1.2654	256000	0.0392	0.2779
1.2679	256500	0.0386	0.2785
1.2704	257000	0.0402	0.2764
1.2728	257500	0.0376	0.2792
1.2753	258000	0.0387	0.2791
1.2778	258500	0.0397	0.2808
1.2803	259000	0.038	0.2802
1.2827	259500	0.0389	0.2795
1.2852	260000	0.0412	0.2771
1.2877	260500	0.0394	0.2777
1.2902	261000	0.0426	0.2792
1.2926	261500	0.0391	0.2772
1.2951	262000	0.0382	0.2783
1.2976	262500	0.0385	0.2789
1.3000	263000	0.0401	0.2812
1.3025	263500	0.0392	0.2826
1.3050	264000	0.0403	0.2813
1.3075	264500	0.0394	0.2779
1.3099	265000	0.0397	0.2832
1.3124	265500	0.0407	0.2785
1.3149	266000	0.0412	0.2809
1.3173	266500	0.0399	0.2805
1.3198	267000	0.0406	0.2803
1.3223	267500	0.0397	0.2812
1.3248	268000	0.0413	0.2819
1.3272	268500	0.0398	0.2788
1.3297	269000	0.0402	0.2814
1.3322	269500	0.0387	0.2825
1.3346	270000	0.0425	0.2789
1.3371	270500	0.038	0.2793
1.3396	271000	0.0377	0.2775
1.3421	271500	0.0414	0.2769
1.3445	272000	0.0389	0.2735
1.3470	272500	0.0386	0.2785
1.3495	273000	0.0401	0.2813
1.3519	273500	0.0383	0.2801
1.3544	274000	0.0396	0.2796
1.3569	274500	0.0396	0.2793
1.3594	275000	0.0424	0.2814
1.3618	275500	0.0418	0.2814
1.3643	276000	0.0383	0.2787
1.3668	276500	0.04	0.2797
1.3692	277000	0.0414	0.2810
1.3717	277500	0.0379	0.2848
1.3742	278000	0.0381	0.2846
1.3767	278500	0.0383	0.2814
1.3791	279000	0.039	0.2818
1.3816	279500	0.0388	0.2792
1.3841	280000	0.0408	0.2784
1.3865	280500	0.0389	0.2814
1.3890	281000	0.0426	0.2794
1.3915	281500	0.0392	0.2780
1.3940	282000	0.0405	0.2778
1.3964	282500	0.0407	0.2769
1.3989	283000	0.0396	0.2730
1.4014	283500	0.0376	0.2770
1.4038	284000	0.0399	0.2791
1.4063	284500	0.0405	0.2791
1.4088	285000	0.0382	0.2804
1.4113	285500	0.0388	0.2835
1.4137	286000	0.0394	0.2784
1.4162	286500	0.0388	0.2813
1.4187	287000	0.0397	0.2813
1.4211	287500	0.0404	0.2808
1.4236	288000	0.0374	0.2792
1.4261	288500	0.041	0.2724
1.4286	289000	0.0409	0.2770
1.4310	289500	0.04	0.2789
1.4335	290000	0.0412	0.2754
1.4360	290500	0.0404	0.2780
1.4384	291000	0.0406	0.2794
1.4409	291500	0.0387	0.2776
1.4434	292000	0.037	0.2801
1.4459	292500	0.0394	0.2778
1.4483	293000	0.0406	0.2786
1.4508	293500	0.0401	0.2827
1.4533	294000	0.0388	0.2770
1.4557	294500	0.0377	0.2768
1.4582	295000	0.0386	0.2773
1.4607	295500	0.04	0.2783
1.4632	296000	0.0402	0.2780
1.4656	296500	0.0401	0.2820
1.4681	297000	0.0393	0.2790
1.4706	297500	0.0394	0.2787
1.4730	298000	0.0392	0.2759
1.4755	298500	0.0396	0.2767
1.4780	299000	0.0379	0.2752
1.4805	299500	0.039	0.2742
1.4829	300000	0.0383	0.2750
1.4854	300500	0.0398	0.2741
1.4879	301000	0.0394	0.2749
1.4903	301500	0.0416	0.2728
1.4928	302000	0.0388	0.2751
1.4953	302500	0.041	0.2759
1.4978	303000	0.0405	0.2744
1.5002	303500	0.0397	0.2734
1.5027	304000	0.0413	0.2762
1.5052	304500	0.0412	0.2754
1.5076	305000	0.0386	0.2787
1.5101	305500	0.0377	0.2790
1.5126	306000	0.0395	0.2784
1.5151	306500	0.0423	0.2797
1.5175	307000	0.0396	0.2819
1.5200	307500	0.0395	0.2810
1.5225	308000	0.04	0.2828
1.5249	308500	0.0373	0.2840
1.5274	309000	0.0385	0.2873
1.5299	309500	0.0401	0.2854
1.5324	310000	0.0404	0.2851
1.5348	310500	0.0404	0.2849
1.5373	311000	0.0407	0.2840
1.5398	311500	0.0389	0.2855
1.5422	312000	0.0403	0.2855
1.5447	312500	0.0395	0.2830
1.5472	313000	0.0419	0.2824
1.5497	313500	0.0389	0.2822
1.5521	314000	0.0382	0.2857
1.5546	314500	0.0383	0.2844
1.5571	315000	0.0415	0.2819
1.5595	315500	0.04	0.2820
1.5620	316000	0.0395	0.2849
1.5645	316500	0.0392	0.2841
1.5670	317000	0.0408	0.2834
1.5694	317500	0.0415	0.2816
1.5719	318000	0.0386	0.2832
1.5744	318500	0.039	0.2823
1.5769	319000	0.0419	0.2836
1.5793	319500	0.0389	0.2845
1.5818	320000	0.0391	0.2853
1.5843	320500	0.0381	0.2845
1.5867	321000	0.0365	0.2815
1.5892	321500	0.0416	0.2843
1.5917	322000	0.039	0.2849
1.5942	322500	0.0419	0.2833
1.5966	323000	0.0393	0.2834
1.5991	323500	0.039	0.2857
1.6016	324000	0.0394	0.2835
1.6040	324500	0.0395	0.2820
1.6065	325000	0.0413	0.2827
1.6090	325500	0.0411	0.2839
1.6115	326000	0.0387	0.2844
1.6139	326500	0.0399	0.2873
1.6164	327000	0.0401	0.2871
1.6189	327500	0.0413	0.2840
1.6213	328000	0.0385	0.2846
1.6238	328500	0.0401	0.2855
1.6263	329000	0.0402	0.2836
1.6288	329500	0.0391	0.2845
1.6312	330000	0.0395	0.2850
1.6337	330500	0.0397	0.2847
1.6362	331000	0.0387	0.2890

Framework Versions

• Python: 3.9.25
• Sentence Transformers: 5.1.2
• Transformers: 4.57.6
• PyTorch: 2.6.0+cu118
• Accelerate: 1.10.1
• Datasets: 4.5.0
• Tokenizers: 0.22.2

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",
}