SentenceTransformer

Name: e5-dhivehi-summaries-mnr
Availability: InStock

This is a sentence-transformers model trained. 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

Maximum Sequence Length: 256 tokens
Output Dimensionality: 768 dimensions
Similarity Function: Cosine Similarity

Fine-tuned Models

This model is part of a progressive series of sentence embedding models based on intfloat/multilingual-e5-base, fine-tuned specifically for Dhivehi language understanding.

Each stage leverages a targeted dataset to specialize the model for semantic similarity, question answering, and summarization tasks — improving performance for real-world Dhivehi NLP applications.

Stage	Task	Model	Dataset	Objective
0	Base	Multilingual Base	`intfloat/multilingual-e5-base`	—
1	Paraphrase Identification (MNR)	`alakxender/e5-dhivehi-paws-mnr`	`alakxender/dhivehi-paws-labeled` > label=1 Only	MultipleNegativesRankingLoss
2	Paraphrase Identification (Cosine)	`alakxender/e5-dhivehi-paws-cos`	`alakxender/dhivehi-paws-labeled`	CosineSimilarityLoss
3	Question → Passage Matching	`alakxender/e5-dhivehi-qa-mnr`	`alakxender/dhivehi-qa-dataset`	MultipleNegativesRankingLoss
4	News Title → Content	`alakxender/e5-dhivehi-articles-mnr`	`alakxender/dhivehi-news-corpus`	MultipleNegativesRankingLoss
5	Summary → Content	`alakxender/e5-dhivehi-summaries-mnr`	`alakxender/dv-en-parallel-corpus-clean`, `alakxender/dv-summary-translation-corpus`	MultipleNegativesRankingLoss

Each model builds upon the previous checkpoint, incrementally enhancing the semantic capabilities of the model for Dhivehi. The goal is to support high-quality sentence embeddings for a wide range of Dhivehi information retrieval and understanding tasks.

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': 256, 'do_lower_case': False, 'architecture': 'XLMRobertaModel'})
  (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})
)

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.

python

from sentence_transformers import SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("alakxender/e5-dhivehi-summaries-mnr")
# Run inference
sentences = [
    'query: މޯލްޑިވްސް އެމްއެންޑީއެފް ކޯސްޓް ގާޑުން ހޮނިހިރު ދުވަހުގެ ރޭ ސްރީލަންކާގެ މަސްބޯޓެއް އަތުލައިގަތެވެ. ބޯޓުގައި 344 ކިލޯގެ ކްރިސްޓަލް މެތާއި 124.6 ކިލޯ ކޮކެއިން ފެނުނެވެ. ބޯޓުގައި ތިބި 5 ފަޅުވެރިން އެންމެން ވެސް ސްރީލަންކާގެ ފިރިހެނުން ކަމަށް ފުލުހުން މަޢުލޫމާތު ދިނެވެ.',
    'passage: ރާއްޖޭގެ ސަރަހައްދުގައި ޤަވާއިދާއި ޙިލާފަށް އުޅެމުން ދަނިކޮށް އަތުލައިގަތް ސްރީލަންކާގެ މަސް ބޯޓުގައި 344 ކިލޯގެ ކްރިސްޓަލް މެތު އަދި 124.6 ކިލޯ ކޮކެއިން ހުރި ކަމަށް ފުލުހުން ބުނެފިއެވެ.\nމި ބޯޓު އަތުލައިގެންފައި ވަނީ ހޮނިހިރު ދުވަހުގެ ރޭގެ ވަގުތެއްގައި އެމްއެންޑީއެފްގެ ކޯސްޓް ގާޑުންނެވެ.\nފުލުހުން ހާމަކޮށްފައިވާ ގޮތުގައި ކުޅުދުއްފުށީ ސިޓީގެ ފުލުހުންނާއި އެމްއެންޑީއެފް ކޯސްޓު ގާޑުން އާދީއްތަ ދުވަހުގެ ހެނދުނު ބޯޓު ބަލައި ފާސްކޮށް ބޯޓު ކުޅުދުއްފުށީ ބަނދަރަށް ގެންގޮސްފައިވާ ކަމަށެވެ.\nކޮމިޝަނަރ އޮފް ޕޮލިސް އަލީ ޝުޖާޢު ނޫސްވެރިންނަށް މަޢުލޫމާތު ދެއްވަމުން ވިދާޅުވީ ސްރީލަންކާގެ މަސް ބޯޓު އަތުލައިގަތީ ހޮނިހިރު ދުވަހުގެ ރޭ ދަންވަރު 12:45 ހާއިރު މަކުނުދޫ ބޭރުން ކަމަށެވެ.\n"އަށެންޕުތަ" ނަމަކަށް ކިޔާ އެ ބޯޓު އަތުލައިގަތް އިރު، ބޯޓުގައި ތިބީ 5 ފަޅުވެރިން ކަމަށާއި އެ އެންމެންނަކީ ވެސް ސްރީލަންކާގެ ފިރިހެނުން ކަމަށް ފުލުހުން ބުނެފައިވެއެވެ.',
    'passage: "އަޅުގަނޑު ގަސްތުކުރަން މި ޕާޓީގެ މެންބަޝިޕް ޑްރައިވެއް، މެންބަރުން އިތުރުކުރުމުގެ ހާއްސަ މަސައްކަތެއް އަޅުގަނޑު ފަށައިގެން ކުރިއަށް އޮތް މަސްދުވަހުގެ ތެރޭގައި މި ޕާޓީ އަށް މީހުން ގެނައުމުގެ މަސައްކަތްކުރަން. އަޅުގަނޑާ އެކު އަޅުގަނޑާ ވަރަށް އެކުގައި މަސައްކަތްކުރާ ވަރަށް ގިނަ އިލްމީ، ހިންގުންތެރި، ޒުވާން ބޭފުޅުންތަކެއް މިހާރު ވެސް ގުޅިފައިވާ ކަމުގެ ޔަގީން ތިޔަ ބޭފުޅުންނަށް އަރުވަން،" މިދިޔަ ހުކުރު ދުވަހުގެ ރޭ ކާނިވާ ސަރަހައްދުގައި ބޭއްވި ބިޔަ ޖަލްސާގައި އެ ޕާޓީގެ އާ މެންބަރު އަދި މަޖިލީހުގެ ރައީސް އަބްދުﷲ ޝާހިދު ވައުދުވެ ވަޑައިގެންނެވި އެވެ.އެތައް ހާސް ބަޔަކު ބައިވެރިވި އެ ޖަލްސާގައި ވާހަކަ ދައްކަވަމުން ކެޔޮދޫ ދާއިރާގެ މެންބަރު ޝާހިދު ވިދާޅުވީ އެ މަނިކުފާނު އެމްޑީޕީއާ ގުޅިވައިގަތުމުން ވަރަށް ގިނަ ބަޔަކު މަރުހަބާ ކިޔާފައިވާ ކަމަށާއި އަދި އެ މަނިކުފާނާ އެކު އެ ޕާޓީއާ ގުޅޭނެ ކަމުގެ ޔަގީންކަން ދީފައިވާ ކަމަށެވެ. ޑީއާރުޕީ ދޫކުރައްވައި މިދިޔަ ހަފުތާގައި އެމްޑީޕީއާ ގުޅިވަޑައިގެންނެވި ޝާހިދު އެ ރޭ ކުރެއްވި ވައުދާ އެކު އެ މަނިކުފާނު މިހާރު ވެސް ވަނީ އެ ޕާޓީ އަށް މީހުން އިތުރުކުރެއްވުމަށް މަސައްކަތްތައް ފައްޓަވައިފަ އެވެ. ހަފުތާ ބަންދުގައި ލަންކާ އަށް ކުރެއްވި ދަތުރުފުޅުގައި ވެސް އެ މަނިކުފާނު ވަނީ އެ ޕާޓީ އަށް މެންބަރުންތަކެއް ވައްދައިފަ އެވެ. ސޯޝަލް މީޑިއާގައި އެ ފޮޓޯތައް މިހާރު އާންމުވެފައިވާ އިރު އެ މަނިކުފާނު ވިދާޅުވެފައި ވަނީ ގިނަ އަދަދެއްގެ މެންބަރުންތަކެއް އެ މަނިކުފާނާ އެކު އެމްޑީޕީއާ ގުޅޭނެ ކަމަށެވެ."އަޅުގަނޑު މިއަދު މިހުރީ އެމްޑީޕީގެ މެންބަރުންނާ އެކު ރާއްޖޭގެ ރައްޔިތުންނަށް ހެޔޮ ގޮތްތައް ހޯދައިދިނުމަށް ކުރެވެން ހުރި ހުރިހާ މަސައްކަތްތަކެއް ކުރުމަށް އާކުރަމުން،" އެމްޑީޕީގެ ޕޯޑިއަމްގައި ފުރަތަމަ ފަހަރަށް ވާހަކަ ދައްކަވަމުން ޝާހިދު ވިދާޅުވި އެވެ.އެމްޑީޕީން ބުނީ ޝާހިދު ލަންކާ އަށް ކުރެއްވި ދަތުރުފުޅުގައި ސޮއިކުރެއްވި މެންބަރުންނަކީ އެ މަނިކުފާނު ވިދާޅުވި އެއް މަސް ދުވަހުގެ މަސައްކަތުގެ ފެށުން ކަމަށާއި މި މަސައްކަތުގެ ތެރެއިން ގިނަ މެންބަރުންތަކެއް އެ ޕާޓީއާ ގުޅޭނެ ކަމުގެ ޔަގީންކަން އެބަ އޮތް ކަމަށެވެ.',
]
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,  0.8751, -0.1675],
#         [ 0.8751,  1.0000, -0.1739],
#         [-0.1675, -0.1739,  1.0000]])

Training Details

Training Dataset

Size: 7,652 training samples
Columns: sentence_0 and sentence_1
Approximate statistics based on the first 1000 samples:
sentence_0 sentence_1
type string string
details
min: 16 tokens
mean: 82.08 tokens
max: 183 tokens
min: 34 tokens
mean: 239.38 tokens
max: 256 tokens

Samples:

sentence_0	sentence_1
query: ހިންނަވަރުގައި އަލިފާން ރޯކޮށްލަން އުޅުނު މައްސަލައިގައި ޓެރަރިޒަމްގެ ދައުވާ އުފުލާފައި ހުރި މީހެއްގެ މައްޗަށް ކުށް ސާބިތު ނުވާ ކަމަށް ކްރިމިނަލް ކޯޓުން މިއަދު ނިންމައިފިއެވެ. އެ ކޯޓުން ނިންމީ އޭނާގެ މައްޗަށް އުފުލި އެއްވެސް ކުށެއް ސާބިތުނުވާ ކަމަށް ކަނޑައަޅައި، އޭނާއާ ދެކޮޅަށް އުފުލާފައިވާ ހުރިހާ ދައުވާއެއް ބާތިލުކޮށްފައިވާ ކަމަށެވެ. ކުށްވެރިވެއްޖެނަމަ، 10 އަހަރާއި 15 އަހަރުގެ ޖަލު ހުކުމެއް ނުވަތަ ބޭރުކޮށްލުމުގެ އަދަބެއް އޭނާއަށް ކުރިމަތިވެދާނެއެވެ. އަދި އެ ދައުވާތަކުގެ މައްޗަށް އޭނާ ކުށަށް އިއުތިރާފުވެއްޖެނަމަ ރާއްޖެއިން ބޭރަށް ފޮނުވާލެވިދާނެއެވެ. އެ މައްސަލައިގެ އަޑުއެހުންތައް ބޭއްވީ ފިރިހެނުން ހަތް މީހުންނާއި އަންހެނުން ތިން މީހުންގެ ޖުރިމަނާއެއް ކުރިމަތީގައެވެ. މިމަހުގެ ނިޔަލަށް އެ މައްސަލައިގެ ޝަރީއަތް ކުރިއަށް ގެންދިއުމަށް ވަނީ ހަމަޖެހިފައެވެ.	passage: ޅ. ހިންނަވަރު ގެއެއްގައި ރޯކޮށްލި މައްސަލާގައި ދައުލަތުން ދައުވާކުރި މީހާގެ މައްޗަށް ޓެރަރިޒަމްގެ ކުށް ސާބިތުނުވާ ކަމަށް ކްރިމިނަލް ކޯޓުން މިއަދު ހުކުމްކޮށްފި އެވެ.ޅ. ހިންނަވަރު ލަކީ ނިހާދު މުހައްމަދުގެ މައްޗަށް ދައުލަތުން ދައުވާކުރީ އޮގަސްޓް 31، 2011 ވަނަ ދުވަހުގެ ރޭ ހިންނަވަރުގެ ބިޖިލިގޭގައި ރޯކޮށްލާފައިވާތީ ކަމަށް ބުނެއެވެ.އޭނާގެ މައްޗަށް މިއަދު ކުރި ހުކުމުގައިވަނީ އެގޭގައި އޭނާ ރޯކޮށްލިކަން ސާބިތުކުރެވޭ ވަރުގެ ހެކި ލިބިފައި ނުވާތީ އާއި ދައުލަތުން ހުށަހެޅި ހެކިވެރިންގެ ހެކިބަހުން އެކަން ސާބިތުކުރެވޭ ވަރުގެ ހެކި ނެތުމާ އެކު އޭނާގެ މައްޗަށް އެ ކުށް ސާބިތުނުވާ ކަމަށެވެ.ނިހާދުގެ މައްޗަށް ދައުލަތުން އުފުލީ ޓެރަރިޒަމްގެ ދައުވާ އެވެ. އޭނާގެ މައްޗަށް އެ ކުށް ސާބިތުވިނަމަ 10 އަހަރާއި 15 އަހަރާއި ދެމެދުގެ މުއްދަތަކަށް ޖަލަށްލުމަށް ނުވަތަ އަރުވާލުމަށް ހުކުމް ކުރާނެ އެވެ.
query: ހަސަން ސޯލާގެ އާއިލާއިން އެދެނީ އޭނާގެ މަރުގެ ސަބަބު ދެނެގަތުމަށް، ތައިލެންޑް ނޫން ގައުމަކުން ޕޯސްޓްމޯޓަމް ހެދި ޑޮކްޓަރުން ގެނެސްގެން އޭނާ މަރާލީ ކޮންކަމަކާ ގުޅިގެންކަން ބެލުމެވެ. މިކަން ކުރުމަށްޓަކައި އިންޑިއާގެ މާހިރުން ގެނެސްގެން އެ މަސައްކަތް ކުރެވޭނެ ގޮތްތައް ހަމަޖައްސައިދިނުމަށް ސަރުކާރުން ވަނީ ހުށަހަޅާފައެވެ. ފުލުހުން ބުނީ މިކަން ކޮށްފައި ވަނީ އޭނާގެ ބައްޕަ އަމިއްލައަށް މަރުގެ ތަހުގީގު ކުރުމަށް އެދިވަޑައިގެންނެވިތީ ކަމަށާއި އަދި މައްސަލައިގެ ހަޤީގަތް ހާމަކުރުމަށް ކުރެވެންހުރި ހުރިހާ ކަމެއްވެސް ކުރަން ޖެހޭ ކަމަށް އެމީހުން ވައުދުވެފައިވާކަމަށް ބުނެއެވެ. މަރުގެ ސަބަބު ދެނެގަތުމަށްޓަކައި ޕޯސްޓްމޯޓަމް ހެދުން މުހިންމުވާނެ. މަރުގެ އިތުރުން އެމަރު ވަށައިގެންވާ ކަންތައްތައް.	passage: މާލޭ ދެކުނުފަރާތު ފަޅުތެރޭގައި މަރުވެފައި އޮއްވާ މިދިއަ އާދީއްތަ ދުވަހު ފެނުނު ސ. ހިތަދޫ، ނާޒުކީގޭ، ހުސެން ސޮލާހުގެ މަރުގެ ސަބަބު ދެނެގަތުމަށްޓަކައި އޭނާގެ ޕޯސްޓްމޯޓަމް ރާއްޖޭގައި ހެދޭ ގޮތަށް ސަރުކާރުން ހަމަޖައްސަވައި އެކަން ސޮލާހުގެ އާއިލާއަށް އަންގާފައިވާ ކަމަށް ފުލުހުންގެ އިދާރާއިން ވިދާޅުވެއްޖެ އެވެ.ފުލުހުންގެ އިދާރާ އިން އާންމުކުރި ބަޔާނެއްގައިވާ ގޮތުގައި ސޮލާހު، ،27 ގެ ހަށިގަނޑުގެ ޕޯސްޓްމޯޓަމް ހަދަން ސަރުކާރުން ހަމަޖެއްސެވީ، ސޮލާހުގެ މަރުގެ ސަބަބު ދެނެގަތުމަށް އަމިއްލަ ގޮތުން ޕޯސްޓްމޯޓަމް ހެދުމަށް އޭނާގެ ބައްޕަ އެދިފައިވުމުގެ އިތުރުން، މި މައްސަލައިގެ ހަގީގަތް ދެނެގަތުމަށް ކުރެވެން ހުރި ހުރިހާ ކަމެއް ކުރުމަށް ފުލުހުންގެ އިދާރާ އިން ވެސް ބޭނުންވާތީ ކަމަށެވެ.ފުލުހުން މިއަދު ވިދާޅުވީ އަވަށްޓެރި ގައުމެއްގެ ރަސްމީ ފަރާތެއް މެދުވެރިކޮށް ގާބިލު ފޮރެންސިކް ޕެތަލޮޖިސްޓުން ގެނެސްގެން ސަލާހުގެ ހަށިގަނޑުގެ ޕޯސްޓްމޯޓަމްގެ މަރުހަލާ ރާއްޖޭގައި ފުރިހަމަ ކުރުމަށް ހަމަޖެހިފައިވާ ކަމަށެވެ. އަދި އެކަން މިހާރު ސަރުކާރުން، ސޮލާހުގެ ޝަރުއީ ބަލަދުވެރިއާ އަށް ވެސް އަންގަވާފައިވާ ކަމަށް މޯލްޑިވ...
query: ގާނާ އެއާޕޯޓް ކުންފުނިން ނިންމީ، އަދޮންފުށި ސައުތު ގަމް އިންޑަސްޓްރިއަލް ޓޫރިޒަމްގެ މަސައްކަތްތައް ހިންގާ ރަށުގައި އާންމުންނަށް ދަތުރުފަތުރު ކުރުމާއި އެހެން ބޭނުންތަކަށް ހުއްދަ ދިނުން ހުއްޓާލުމަށް ކަމަށް އެކުންފުނިން ބުނެއެވެ. މިކަން ހާމަކޮށް އެ ކުންފުނީގެ މީޑިއާ އޮފިޝަލް ވިދާޅުވީ، "އެއަރޕޯޓު އަދި އޭގައި ހުރި ހުރިހާ މުދަލެއްވެސް ވަނީ އިންޝުއަރެންސް ކުރެވިފައި" ކަމަށާއި އެހެންކަމުން އެއްވެސް ބެލުމެއް ނެތި ބިމުގައި މޫދަށް އެރުން ނުވަތަ ކެއިންބުއިމުގެ ކަންކަން ކުރިއަށް ގެންދިއުމަކީ އަމާންކަމެއް ނޫން ކަމަށެވެ.	passage: އައްޑު އަތޮޅުގެ ސިނާއީ ރަށް، ސ. ގަމަށް އާންމުން ދަތުރު ދިއުން ފަދަ ކަންކަމަށް ކުރިން ހުއްދަ ދެމުން ދިޔަ ނަމަވެސް ކުރިއަށް އޮތް ތަނުގައި އެފަދަ ބޭނުންތަކުގައި ގަމަށް ދިއުމަށް ހުއްދަ ނުދޭން ގަން އެއާޕޯޓް ކޮމްޕެނީން ނިންމައިފިއެވެ.މިދިޔަ ޖޫން މަހުގެ ތެރޭގައި ރައީސް އުފެއްދެވި ގަން އެއާޕޯޓް ކޮމްޕެނީ ޕްރައިވެޓް ލިމިޑެޓްގެ ދަށުން ގަން ހިންގާ ގޮތަށް ހަމަޖައްސައި ޖެނުއަރީ މަހުގެ އެއް ވަނަ ދުވަހުން ފެށިގެން ގަމުގައި ހުރި އެމްއެންޑީއެފްގެ ސަދަން ކޮމާންޑަރާއިފުލުހުންގެ މަރުކަޒާއި ދޫގަސް ފިޔަވައި ގަމުގެ ހުރިހާ ސަރަހައްދެއް އެ ކުންފުނީގެ ދަށަށް ވަނީ ގޮސްފަ އެވެ. އެހެންވެ ގަމުގެ ބިމުން އެ ކުންފުނީގެ ބެލުމުގެ ދަށުގައިވާ ސަރަހައްދުގެ ގޮނޑުދޮށާއި، ހޭޅިފަށުގެ އެކި ހިސާބުތަކަށް ދިއުމާއި އަދިވެސް މި ބާވަތުގެއެހެން ބޭނުންތަކަށް ހުޅުވިފައި އޮތް އޮތުން ނިމުމަކަށް ގެނައުމަށް އެއާޕޯޓް ކޮމްޕެނީގެ ޑިރެކްޓަރުންގެ ބޯޑުން ނިންމައިފައިވާ ކަމަށް އެ ކުންފުނީގެ އޮފިޝަލަކު މިއަދު ވިދާޅުވި އެވެ.މިގޮތަށް ނިންމުމާ ގުޅިގެން މިކަން އެ ކުންފުނީގެ ފަރާތުން ރަށްރަށުގެ އޮފީސްތަކަށް ވެސް ވަނީ އަންގައިފަ އެވެ. އަދި މިކަމާ...

Loss: MultipleNegativesRankingLoss with these parameters:
json
1{ 2 "scale": 20.0, 3 "similarity_fct": "cos_sim" 4}

Training Hyperparameters

Non-Default Hyperparameters

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: 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
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
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
router_mapping: {}
learning_rate_mapping: {}

Training Logs

Epoch	Step	Training Loss
0.5225	500	0.4841
1.0449	1000	0.3781
1.5674	1500	0.2639
2.0899	2000	0.2413
2.6123	2500	0.163

Framework Versions

Python: 3.9.21
Sentence Transformers: 5.0.0
Transformers: 4.52.4
PyTorch: 2.5.1+cu124
Accelerate: 1.3.0
Datasets: 3.2.0
Tokenizers: 0.21.0

Citation

BibTeX

Sentence Transformers

bibtex

@inproceedings{reimers-2019-sentence-bert,
    title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",
    author = "Reimers, Nils and Gurevych, Iryna",
    booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing",
    month = "11",
    year = "2019",
    publisher = "Association for Computational Linguistics",
    url = "https://arxiv.org/abs/1908.10084",
}

MultipleNegativesRankingLoss

bibtex

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

	sentence_0	sentence_1
type	string	string
details	min: 16 tokens mean: 82.08 tokens max: 183 tokens	min: 34 tokens mean: 239.38 tokens max: 256 tokens