This is a sentence-transformers model finetuned from sentence-transformers/all-distilroberta-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/all-distilroberta-v1
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: RobertaModel 
  (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.

python

from sentence_transformers import SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("sentence_transformers_model_id")
# Run inference
sentences = [
    'The weather is lovely today.',
    "It's so sunny outside!",
    'He drove to the stadium.',
]
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

Triplet

Datasets: ai-faq-validation and ai-job-test
Evaluated with TripletEvaluator

Metric	ai-faq-validation	ai-job-test
cosine_accuracy	1.0	1.0

Training Details

Training Dataset

Unnamed Dataset

Size: 19 training samples
Columns: question, answer, and answer_neg
Approximate statistics based on the first 19 samples:
question answer answer_neg
type string string string
details
min: 21 tokens
mean: 59.47 tokens
max: 120 tokens
min: 2 tokens
mean: 250.11 tokens
max: 512 tokens
min: 2 tokens
mean: 262.47 tokens
max: 512 tokens

Samples:

question	answer	answer_neg
`در آبان پرایم چه خدماتی دریافت میکنم؟`	آبان پرایم یک صرافی آنلاین است به این معنی که شما تمامی خدمات صرافی را میتوانید به صورت آنلاین و غیر حضوری دریافت کنید. [object Object]خدمات ما شامل:[object Object]- امکان خرید و فروش ارزهای مختلف تومان، تتر، درهم، دلار آمریکا، دلار استرالیا، دلار کانادا، لیر ترکیه[object Object]- نرخ لحظه ای[object Object]- واریز و برداشت نقدی[object Object]- انجام انواع حوالجات [object Object]- واریز مستقیم به حساب شبا ایران با هر رقم از طریق وبسایت[object Object]- امکان دریافت گزارش صورت حساب ها[object Object]- پشتیبانی ۲۴ ساعته
`توی امارات به کدوم بانک ها واریز انجام میدین؟`	`واریز به تمامی بانک های امارات انجام میشود.`	شما میتوانید با شماره موبایل(با پیش شماره های ایران،امارات، ترکیه، کانادا و استرالیا) یا ایمیل به راحتی حساب کاربری بسازید[object Object][object Object][object Object][object Object] برای ثبت‌نام:[object Object]۱) شماره موبایل یا ایمیل خودتون را وارد کنید[object Object]۲) در مرحله بعد کد تایید ارسال شده به موبایل یا ایمیل رو وارد کنید[object Object]۳) رمز عبور خودتون رو تعریف کنید و وارد حساب کاربری بشید
`واریز و برداشت تتر`	واریز و برداشت تتر در آبان پرایم به صورت کاملا آنلاین انجام میشود. [object Object][object Object][object Object][object Object]واریز تتر[object Object]۱) در صفحه اصلی گزینه deposit تتر رو انتخاب کنید[object Object]۲) شبکه واریز (TRC20 یا BSC) رو انتخاب و آدرس ولت رو کپی کنید.[object Object]۴) تتر مورد نظرتون رو از ولت مبدا به آدرس ولت آبان پرام انتقال بدید.[object Object]۵) چند دقیقه بعد از انتقال تراکنش انجام میشه و اکانت آبان پرایمتون مستقیما شارژ میشه.[object Object][object Object]برداشت تتر[object Object]۱) در صفحه اصلی گزینه Withdraw تتر رو انتخاب کنید.[object Object]۳) یکی از شبکه‌های برداشت (TRC20 یا BSC) رو انتخاب کنید.[object Object]۴) آدرس کیف پول مقصد رو وارد کنید[object Object]آدرس مقصد رو دقیق و منطبق با شبکه برداشت انتخابی وارد کنید.[object Object]۵) مقدار تتری که می‌خواهید برداشت کنید رو وارد کنید.[object Object]۶) بعد از بررسی و اطمینان از صحت اطلاعات درخواست برداشت خود را ثبت کنید.	`واریز به تمامی بانک های امارات انجام میشود.`

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

Evaluation Dataset

Unnamed Dataset

Size: 1 evaluation samples
Columns: question, answer, and answer_neg
Approximate statistics based on the first 1 samples:
question answer answer_neg
type string string string
details
min: 52 tokens
mean: 52.0 tokens
max: 52 tokens
min: 512 tokens
mean: 512.0 tokens
max: 512 tokens
min: 50 tokens
mean: 50.0 tokens
max: 50 tokens

Samples:

question	answer	answer_neg
`رمز عبورم رو فراموش کردم چیکار باید بکنم؟`	۱) انتخاب گزینه فراموشی رمز عبور( Forgot Password)[object Object]۲) وارد کردن شماره موبایل یا ایمیل[object Object]۳) وارد کردن کد امنیتی دریافتی از طریق پیامک یا ایمیل[object Object]۴) تعریف رمز جدید[object Object][object Object]اگر پیامک رمز یک‌بارمصرف (OTP) دریافت نمی‌کنید، این مراحل رو انجام بده: [object Object]- شماره موبایل رو درست وارد کن. (با پیش‌شماره صحیح) [object Object]- چند دقیقه صبر کن و دوباره تلاش کن. ممکنه گاهی اختلال موقتی از سمت سرویس‌دهنده پیامک باشه.[object Object]- اینترنت و آنتن گوشی رو بررسی کن. [object Object]- پوشه پیامک‌های تبلیغاتی و مسدودشده رو چک کن. [object Object]- دوباره درخواست کد بده و مطمئن شو که تعداد دفعات مجاز تموم نشده. [object Object]- اگر باز هم دریافت نکردی، با پشتیبانی تماس بگیر. [object Object]	`برای انجام حواله با پشتیبانی تماس بگیرید.`

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

Training Hyperparameters

Non-Default Hyperparameters

eval_strategy: steps
per_device_train_batch_size: 16
per_device_eval_batch_size: 16
learning_rate: 2e-05
num_train_epochs: 200
warmup_ratio: 0.1
batch_sampler: no_duplicates

All Hyperparameters

Click to expand

overwrite_output_dir: False
do_predict: False
eval_strategy: steps
prediction_loss_only: True
per_device_train_batch_size: 16
per_device_eval_batch_size: 16
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: 2e-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: 200
max_steps: -1
lr_scheduler_type: linear
lr_scheduler_kwargs: {}
warmup_ratio: 0.1
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: no_duplicates
multi_dataset_batch_sampler: proportional

Training Logs

Epoch	Step	Training Loss	Validation Loss	ai-faq-validation_cosine_accuracy	ai-job-test_cosine_accuracy
-1	-1	-	-	0.0	-
50.0	100	1.0736	0.5462	1.0	-
100.0	200	0.0041	0.1209	1.0	-
150.0	300	0.0002	0.0663	1.0	-
200.0	400	0.0001	0.0556	1.0	-
-1	-1	-	-	1.0	1.0

Framework Versions

Python: 3.10.16
Sentence Transformers: 3.4.1
Transformers: 4.50.0.dev0
PyTorch: 2.6.0+cu124
Accelerate: 1.3.0
Datasets: 3.3.2
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}
}

	question	answer	answer_neg
type	string	string	string
details	min: 21 tokens mean: 59.47 tokens max: 120 tokens	min: 2 tokens mean: 250.11 tokens max: 512 tokens	min: 2 tokens mean: 262.47 tokens max: 512 tokens

Shahriardev/distobert-finetuned-embedding-faq1-v1-1

SentenceTransformer based on sentence-transformers/all-distilroberta-v1

Model Details

Model Description

Model Sources

Full Model Architecture

Usage

Direct Usage (Sentence Transformers)

Evaluation

Metrics

Triplet

Training Details

Training Dataset

Unnamed Dataset

Evaluation Dataset

Unnamed Dataset

Training Hyperparameters

Non-Default Hyperparameters

All Hyperparameters

Training Logs

Framework Versions

Citation

BibTeX

Sentence Transformers

MultipleNegativesRankingLoss

Shahriardev/
distobert-finetuned-embedding-faq1-v1-1