You can deploy this model and start earning money today!

SentenceTransformer based on Supabase/gte-small

Name: gte-small-tr-v2
Availability: InStock

This is a sentence-transformers model finetuned from Supabase/gte-small on the all-nli-pair-class, stsb and x1saint datasets. It maps sentences & paragraphs to a 384-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: Supabase/gte-small
Maximum Sequence Length: 512 tokens
Output Dimensionality: 384 dimensions
Similarity Function: Cosine Similarity
Training Datasets:
Language: tr

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': 384, '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("x1saint/gte-small-tr-v2")
# Run inference
sentences = [
    'Sonra kaçtı.',
    'Atlet gibi koştu.',
    'Hiç olmamasından çok az sahip olmak daha iyidir.',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 384]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]

Evaluation

Metrics

Semantic Similarity

Dataset: sts-dev
Evaluated with EmbeddingSimilarityEvaluator

Metric	Value
pearson_cosine	0.5865
spearman_cosine	0.6151

Training Details

Training Datasets

all-nli-pair-class

Dataset: all-nli-pair-class at 67baa14
Size: 474,283 training samples
Columns: premise, hypothesis, and label
Approximate statistics based on the first 1000 samples:
premise hypothesis label
type string string int
details
min: 19 tokens
mean: 419.29 tokens
max: 512 tokens
min: 40 tokens
mean: 401.34 tokens
max: 512 tokens
0: ~40.80%
1: ~42.60%
2: ~16.60%

Samples:

premise	hypothesis	label
Davacı tarafından davalı aleyhine açılan İtirazın İptali davasının mahkememizde yapılan açık yargılaması sonunda dosya incelendi. AÇILAN DAVA VE İDDİA :Davacı vekilinin dava dilekçesinde özetle; Müvekkilinin EPDK'dan (Enerji Piyasası DenetlemeKurumu) aldığı onay ile Eylül 2012 den bu yana tüm Türkiye'de elektrik enerjisi tedariki ve toptan satış hizmeti sunduğunu, davalıdan da davacı şirket ile akdettiği sözleşmeye binaen müvekkili şirkketten satın aldığı elektrik ödemelerini aksattıığı düzenlenen faturaları ödemedğinden temerrüde düştüğünü, davacı tarafından defalarca uyarılmasına rağmen de borcunu ödemedeğini bunün üzerine müvekkili İstanbul ... İcra müdürlüğünün ... Esas sayılı dosyasıda ilamsız icra takibi başlattığını davalının borca kötü niyetli olarak itiraz ettiğini ve takibin durduğunu itirazın iptali ile takibin devamına davalı hakkında haksız ve kötü niyetli irizları nedeniyle %20 den aşağı olmamak üzere icra inkar tazminatına hükmedilmesine ve yargılama gideri ile vekale...	Davacı vekili dava dilekçesinde özetle;Müvekkili ...'a karşı halihazırda 17/07/2018'de açılmış .... İcra Dairesi'nde ... Esas Sayılı dosya ile devam eden bir icra dosyası bulunduğunu, bu icra dosyası kapsamında 12/11/2018'den beri müvekkilinin maaşına haciz uygulandığını, dosya ödeme emrinde dosyanın dayanağı, "(Kredi kartı borcu) .... İcra-... Esas dosyalarından kaynaklanan alacağın takipte ve tahsilde tekerrür olmamak üzere tahsili talebidir." şeklinde yazıldığını, müvekkili ...'ın, 2003 yılında kimliğinin çalınarak bazı bankacılık ve telefon işlemlerinde kullanıldığını, adına kredi çekildiğini, kredi kartı çıkarıldığını, telefon hattı açıldığını ve o dönemde bu konuda şikayette bulunduğunu, ... Cumhuriyet Başsavcılığı'nca 28/01/2004 suç tarihli ... soruşturma numaralı dosyasına ulaşıldığını, bu dosyada, müvekkilinin şüpheli olarak görünmekte iken şikayetçi ...A.Ş.' olduğunu, yapılan soruşturma sonucunda gerçek şüpheli şahısların ortaya çıkarılamadığı, fakat müvekkilinin suçlu olmad...	`0`
Davacı vekili dava dilekçesinde özetle; müvekkili şirket tarafından,----işbu sözleşmeye istinaden düzenlenen ---- ait alüminyum levha emtiasının, davalı taşıyıcı şirket tarafından, ---- tarihinde, dava dışı sigortalı firmanın ------ fabrikasından yüklenildiğini, davalı taşıyıcı firmanın sorumluluğunda, --- nakli gerçekleşen toplam ---; net ağırlığı --- uygun ambalajlar ile nakledilen emtiaların, gümrük işlemleri sonrası--- alıcı şirket tarafından --- tarihinde teslim alındığı ancak teslim esnasında ------paket no’lu levhaların ıslanması sebebi ile emtianın hasara uğramış olduğu tespit edilerek taşıma senedine ihtirazi kayıt düşüldüğü ve bu levhaların hurda edilmek üzere ayrıldığını, davalı taşıyıcı şirketin sorumluluk sahasında gerçekleşen işbu hasar sonrası, bağımsız ve uzman eksper tarafından yapılan incelemelere istinaden tanzim edilmiş olan ekspertiz raporunda; hasar nedeninin, emtianın taşıyıcının sorumluluğunda bulunduğu esnada ıslanarak hasara uğramış olmasından, ıslanan paketi...	Davacı vekili dava dilekçesinde özetle; Müvekkili------- ------------- tarihinde davalının------ aracın çarpması nedeniyle hasara uğradığını, meydana gelen kazada davalının %100 kusurlu olduğunu, müvekkili şirket tarafından zarar gören araç için ------ hasar tazminatı ödendiğini, yapılan incelemeler neticesinde davalının sigortacısı olduğu aracın kusurlu olduğunun tespit edildiğini, kaza neticesinde ------ aracın ---- geldiğini, buna göre aracın piyasa değerinin tespit edildiğini ve tespit edilen değerin ------------ tarafından, kalan ------ ise -----tarafından ödendiğini, ayrıca, -----aracın hasarı sırasında ------ kırılması,---- durdurulamaması nedeniyle ------- hasarın tespitinin de ayrıca gerekli hale geldiğini, bu nedenle müvekkili --------- hasarının tespiti için---------------nedeniyle-------- daha ödendiğini, davalının, kusurlu --------------- nedeniyle davalı tarafa başvurulduğunu, davalı tarafın --------- hiçbir gerekçesi olmaksızın ödemediğini, müvekkili şirket tarafından 1....	`1`
Davacı vekili dava dilekçesinde özetle, müvekkili şirketin keşidecisi olduğu ----------------- Taşdelen Şubesine ait, ---- seri numaralı, 17.02.2019 vade tarihli, 50.000,00-TL bedelli çeki lehtara vermek üzere hazırlandığını ancak müvekkili şirket yetkilisinin cüzdanını kaybetmesi suretiyle çeklerin zayi olduğunu, söz konusu çeklerin kötü niyetli üçüncü kişilerin eline geçmesi halinde müvekkilinin mağdur olacağını, bu nedenle ödemeden men talimatı verilmesini ve zayi edilen çekin iptaline dair karar verilmesini talep ve dava etmiştir.	Davacı vekili dava dilekçesinde özetle; ... plakalı araç ... sayılı Genişletilmiş Kasko Sigortası Poliçesi ile müvekkili şirkete, sigortalı olduğunu, hadisenin, 14/06/2017 tarihinde ... plakalı aracın ... ... ... yolu üzerinde seyir halinde iken önünde seyir halinde bulunan sigortalı ... plakalı aracın trafik nedeniyle duraksaması nedeniyle duramayarak çarpması akabinde sigortalı ... plakalı aracın önünde seyir halinde bulunan ... plakalı araca, onun da önünde seyir halinde bulunan ... plakalı araca arkadan çarpması ve bu araçların sırasıyla ... aracın arkaya ... plakalı araca onun da duramayarak ... plakalı araca arkadan çarpması neticesinde çoklu maddi hasarlı trafik kazası meydana gelmiştir, Davalı/Borçlu ... sigortalısı olan ... plakalı aracın, müvekkil şirket sigortalısı olan ... Plakalı araca çarpması neticesinde maddi hasar aldığını, sigortalının, yapmış olduğu başvuru neticesinde Hasar gören sigortalı araca yaptırılan ekspertiz incelemesi sonucunda aracın hasarlı olduğunun tesp...	`0`

Loss: SoftmaxLoss

stsb

Dataset: stsb at daeabfb
Size: 941,086 training samples
Columns: sentence1, sentence2, and score
Approximate statistics based on the first 1000 samples:
sentence1 sentence2 score
type string string float
details
min: 5 tokens
mean: 47.0 tokens
max: 301 tokens
min: 4 tokens
mean: 25.29 tokens
max: 103 tokens
min: 0.0
mean: 0.48
max: 1.0

Samples:

sentence1	sentence2	score
`Kavramsal olarak krem kaymağının iki temel boyutu vardır - ürün ve coğrafya.`	`Ürün ve coğrafya krem kaymağını işe yarıyor.`	`0.5`
`Mevsim boyunca ve sanırım senin seviyendeyken onları bir sonraki seviyeye düşürürsün. Eğer ebeveyn takımını çağırmaya karar verirlerse Braves üçlü A'dan birini çağırmaya karar verirlerse çifte bir adam onun yerine geçmeye gider ve bekar bir adam gelir.`	`Eğer insanlar hatırlarsa, bir sonraki seviyeye düşersin.`	`1.0`
`Numaramızdan biri talimatlarınızı birazdan yerine getirecektir.`	`Ekibimin bir üyesi emirlerinizi büyük bir hassasiyetle yerine getirecektir.`	`1.0`

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

x1saint

Dataset: x1saint at 85ac563
Size: 1,523 training samples
Columns: sentence1, sentence2, and score
Approximate statistics based on the first 1000 samples:
sentence1 sentence2 score
type string string float
details
min: 5 tokens
mean: 42.14 tokens
max: 353 tokens
min: 5 tokens
mean: 40.23 tokens
max: 172 tokens
min: 0.0
mean: 0.69
max: 1.0

Samples:

sentence1	sentence2	score
`George Orwell, 1903 yılında Hindistan'ın Bengal bölgesinde doğdu.`	`George Orwell, Montihari şehrinde doğmuştur.`	`0.8`
`Orwell, Eton College'de eğitimini tamamladı.`	`Orwell öğrenimini Eton College'de bitirdi.`	`1.0`
`George Orwell, İngiltere yönetimine karşı çıkarak Hindistan Polisi görevinden istifa etti.`	`Orwell, İmparatorluk yönetiminin iç yüzünü görünce istifayı tercih etti.`	`0.8`

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

Evaluation Datasets

all-nli-pair-class

Dataset: all-nli-pair-class at 67baa14
Size: 5,000 evaluation samples
Columns: premise, hypothesis, and label
Approximate statistics based on the first 1000 samples:
premise hypothesis label
type string string int
details
min: 74 tokens
mean: 420.94 tokens
max: 512 tokens
min: 43 tokens
mean: 406.85 tokens
max: 512 tokens
0: ~44.30%
1: ~39.00%
2: ~16.70%

Samples:

premise	hypothesis	label
Davacı vekili dava dilekçesinde özetle; Davacı şirketin taşıyan sıfatıyla davalı şirkete ait yükü kendisi ile yapılan taşıma sözleşmesi uyarınca ... Limanından ... tarihinde yükleyerek .../ ... Limanı’na taşıdığını ve yükü ihtiva eden 3 adet konteyneri liman sahasına kapalı ve mühürlü olarak ... tarihinde gemiden tahliye ettiğini, ... numaralı konişmentoda belirtildiği üzere, söz konusu deniz taşıma işinde davacı şirkete ait ‘...’ numaralı 3 adet konteynerin kullanıldığını, taşıma konusu yüklere ilişkin varış ihbarlarının düzenlendiğini ve yüklerin tahliye edildiğini, bugüne dek söz konusu yüklerin teslim alınmadığını, yüklerin konişmentolarda öngörülen süre içerisinde gönderilen tarafından teslim alınmaması nedeniyle, davacı şirket tarafından yapılan bütün iyiniyetli girişimlerin sonuçsuz kaldığını, aradan geçen yaklaşık 11 aylık süre zarfında yükün teslim alınmadığını, konteynerlerin tahliye edilmediğini, konteynerlerin tahliye edilmemesi üzerine davacı taşıyan şirket çalışanı tarafı...	Davacı vekili dava dilekçesinde özetle; Davalı tarafın taşıyan müvekkili ... A/Ş vasıtası ile ... numaralı konişmento tahtında ... numaralı 1 adet 40'lık REEFER tip konteyner muhteviyatı yükünü Hindistan'ın Cochin Limanından Gemlik Limanı' na denizyolu ile taşıttığını, bu taşımalarda davalı yanın ithalatçı ve taşımaya ilişkin konişmentoya göre yük alıcısı konumunda olduğunu, davalının ithalatçısı ve yük alıcısı olduğu ... numaralı konişmento tahtında taşınan 1 adet 40 'lık reefer konteynerin yükleme limanı olan Hindistan' in Cochin Limanı' nda 11.07.2017 tarihinde gemiye yüklendiğini ve 28.08.2017 tarihinde Gemlik ... Limanı' nda gemiden tahliye edildiğini, davalının ... numaralı konişmento tahtında taşman emtiaları tahliye limanı olan Gemlik Limanı' na ulaşmadan önce davalıya bir örneği delil listelerinde sunulan "..." yani "Varış İhbarnamesi" gönderildiği ve davalının yükünün 28.08.2017 tarihinde Gemlik Limanı' na ulaşacağının ihbar edildiğini, tahliye limanındaki konteyner muhtevi...	`1`
Davacı vekili dava dilekçesinde özetle; Davacı ... A.Ş.'nin 1986 yılından beri Irak piyasasında iş yapan ve gerek iş ahlakı ve gerekse dürüstlüğüyle tanınan ve dolayısıyla Irak'ta yapılacak yeni bir iş olduğunda, ilk haberdar edilen bir firma olduğunu, 1989 yılında da İrak'a daimi ofisini açtığını, 2001 yılında ilgili bakanlığın davacı şirketten Saf Bakır Şerit talebinde bulunduğunu, davacının da bunu temin etmek için davalı şirketle ilişki kurduğunu, davalı şirketin Irak'ın talep ettiği spesifikasyonda mal üretecek araca sahip bulunmadığını beyan etmesi üzerine, davacı şirketin bu konuda da yardımcı olduğunu ve üretimi gerçekleştirecek makinelerin davalı tarafından teminine hem teknolojik bilgi ve hem de maddi katkıda bulunduğunu, böylelikle ilk olarak 2002 yılında, davalının ürettiği malların davacı şirket tarafından Irak'a pazarlandığını, bu arada Amerika Irak'ı istila edince, ilişkilerin bir süre askıda kaldığını ve nihayet 2006 yılında Irak Sanayi Bakanlığı'nın davacı şirketi yen...	`Haksız rekabete ilişkin[object Object]bu Kısım hükümlerinin amacı, bütün katılanların menfaatine, dürüst ve bozulmamış[object Object]rekabetin sağlanmasıdır.Rakipler arasında veya tedarik edenlerle müşteriler[object Object]arasındaki ilişkileri etkileyen aldatıcı veya dürüstlük kuralına diğer şekillerdeki[object Object]aykırı davranışlar ile ticari uygulamalar haksız ve hukuka aykırıdır.`	`2`
Davacı vekili dava dilekçesinde özetle; Müvekkili şirketin perakende sektöründe ağırlıklı olarak elektronik cihazların satışı işiyle iştigal ettiğini ve tüketiciler tarafından çeşitli şikayetlerle kendisine teslim edilen ürünleri, teknik servis olarak faaliyet gösteren belirli şirketlere onarım için yönlendirdiğini, bu lojistik faaliyetlerin zaman zaman, kargo şirketi olarak faaliyet gösteren davalı taraf ile gerçekleştirildiğini, ... A.Ş.'nin, müvekkili şirketin ticari ilişkileri kapsamında belirli ürünlerini teslim ettiği bir yetkili teknik servis olarak faaliyet gösterdiğini ve belirli cihazları onarım için teslim aldıktan sonra yine müvekkili şirkete teslim ettiğini, bu operasyonların dış lojistik tarafının da ...'nin anlaşmalı olduğu kargo şirketi olan davalı taraf ile gerçekleştirildiğini, bu ticari ilişki sebebi ile yedi adet cep telefonun da onarım için ...’ne gönderildiğini ve ...’nde işleme tabi tutulan 7 adet telefonların gönderici sıfatı ile ... tarafından müvekkili şirket...	`Zarara, kasten veya[object Object]pervasızca bir davranışla ve böyle bir zararın meydana gelmesi ihtimalinin bilinciyle[object Object]işlenmiş bir fiilinin veya ihmalinin sebebiyet verdiği ispat edilen taşıyıcı veya[object Object]879 uncu maddede belirtilen kişiler, bu Kısımda öngörülen sorumluluktan kurtulma[object Object]hâllerinden ve sorumluluk sınırlamalarından yararlanamaz.`	`2`

Loss: SoftmaxLoss

stsb

Dataset: stsb at daeabfb
Size: 19,649 evaluation samples
Columns: sentence1, sentence2, and score
Approximate statistics based on the first 1000 samples:
sentence1 sentence2 score
type string string float
details
min: 4 tokens
mean: 45.29 tokens
max: 304 tokens
min: 6 tokens
mean: 24.86 tokens
max: 92 tokens
min: 0.0
mean: 0.5
max: 1.0

Samples:

sentence1	sentence2	score
`Yeni haklar yeterince güzel.`	`Herkes gerçekten en yeni faydaları seviyor`	`0.5`
`Bu site, tüm ödül kazananların bir listesini ve Hükümet Yönetici makalelerinin aranabilir bir veritabanını içerir.`	`Web sitesinde yer alan Hükümet Yürütme makaleleri aranamaz.`	`0.0`
`Bilemiyorum. Onunla ilgili karışık duygularım var. Bazen ondan hoşlanıyorum ama aynı zamanda birisinin onu dövmesini görmeyi seviyorum.`	`Çoğunlukla ondan hoşlanıyorum, ama yine de birinin onu dövdüğünü görmekten zevk alıyorum.`	`1.0`

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

x1saint

Dataset: x1saint at daeabfb
Size: 19,649 evaluation samples
Columns: sentence1, sentence2, and score
Approximate statistics based on the first 1000 samples:
sentence1 sentence2 score
type string string float
details
min: 4 tokens
mean: 45.29 tokens
max: 304 tokens
min: 6 tokens
mean: 24.86 tokens
max: 92 tokens
min: 0.0
mean: 0.5
max: 1.0

Samples:

sentence1	sentence2	score
`Yeni haklar yeterince güzel.`	`Herkes gerçekten en yeni faydaları seviyor`	`0.5`
`Bu site, tüm ödül kazananların bir listesini ve Hükümet Yönetici makalelerinin aranabilir bir veritabanını içerir.`	`Web sitesinde yer alan Hükümet Yürütme makaleleri aranamaz.`	`0.0`
`Bilemiyorum. Onunla ilgili karışık duygularım var. Bazen ondan hoşlanıyorum ama aynı zamanda birisinin onu dövmesini görmeyi seviyorum.`	`Çoğunlukla ondan hoşlanıyorum, ama yine de birinin onu dövdüğünü görmekten zevk alıyorum.`	`1.0`

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

Training Hyperparameters

Non-Default Hyperparameters

eval_strategy: steps
per_device_train_batch_size: 32
per_device_eval_batch_size: 32
learning_rate: 3e-05
num_train_epochs: 1
warmup_ratio: 0.1
fp16: True

All Hyperparameters

Click to expand

overwrite_output_dir: False
do_predict: False
eval_strategy: steps
prediction_loss_only: True
per_device_train_batch_size: 32
per_device_eval_batch_size: 32
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: 3e-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: 1
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: True
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: proportional

Training Logs

Click to expand

Epoch	Step	Training Loss	all-nli-pair-class loss	stsb loss	x1saint loss	sts-dev_spearman_cosine
0.0023	100	4.3749	-	-	-	-
0.0045	200	4.76	-	-	-	-
0.0068	300	4.2538	-	-	-	-
0.0090	400	4.4923	-	-	-	-
0.0113	500	4.1932	-	-	-	-
0.0136	600	3.9611	-	-	-	-
0.0158	700	4.3205	-	-	-	-
0.0181	800	3.8348	-	-	-	-
0.0203	900	4.0064	-	-	-	-
0.0226	1000	3.7759	0.4773	5.7036	5.7036	0.3677
0.0248	1100	4.4825	-	-	-	-
0.0271	1200	3.8787	-	-	-	-
0.0294	1300	4.3824	-	-	-	-
0.0316	1400	3.6637	-	-	-	-
0.0023	100	3.9737	-	-	-	-
0.0045	200	4.4873	-	-	-	-
0.0068	300	3.9185	-	-	-	-
0.0090	400	4.203	-	-	-	-
0.0113	500	3.9192	-	-	-	-
0.0136	600	3.7101	-	-	-	-
0.0158	700	4.1152	-	-	-	-
0.0181	800	3.6203	-	-	-	-
0.0203	900	3.7748	-	-	-	-
0.0226	1000	3.5477	0.2013	-	-	0.4225
0.0023	100	3.8999	-	-	-	-
0.0045	200	4.3977	-	-	-	-
0.0068	300	3.8512	-	-	-	-
0.0090	400	4.138	-	-	-	-
0.0113	500	3.8543	-	-	-	-
0.0136	600	3.6343	-	-	-	-
0.0158	700	4.0545	-	-	-	-
0.0181	800	3.5393	-	-	-	-
0.0203	900	3.6824	-	-	-	-
0.0226	1000	3.4627	0.2154	5.7416	5.7416	0.4264
0.0248	1100	4.2947	-	-	-	-
0.0271	1200	3.6721	-	-	-	-
0.0294	1300	4.1705	-	-	-	-
0.0316	1400	3.4515	-	-	-	-
0.0339	1500	3.7523	-	-	-	-
0.0361	1600	4.1805	-	-	-	-
0.0384	1700	4.0934	-	-	-	-
0.0407	1800	3.6446	-	-	-	-
0.0429	1900	3.8004	-	-	-	-
0.0452	2000	4.3957	0.2789	5.6342	5.6342	0.4488
0.0474	2100	4.1594	-	-	-	-
0.0497	2200	3.9364	-	-	-	-
0.0519	2300	4.3082	-	-	-	-
0.0542	2400	3.8475	-	-	-	-
0.0565	2500	3.7327	-	-	-	-
0.0587	2600	3.5286	-	-	-	-
0.0610	2700	4.0145	-	-	-	-
0.0632	2800	4.005	-	-	-	-
0.0655	2900	3.8837	-	-	-	-
0.0678	3000	3.6622	0.1112	5.6098	5.6098	0.4631
0.0700	3100	4.0966	-	-	-	-
0.0723	3200	4.2091	-	-	-	-
0.0745	3300	3.8941	-	-	-	-
0.0768	3400	3.8578	-	-	-	-
0.0790	3500	3.9864	-	-	-	-
0.0813	3600	3.9601	-	-	-	-
0.0836	3700	3.8813	-	-	-	-
0.0858	3800	3.8065	-	-	-	-
0.0881	3900	3.0908	-	-	-	-
0.0903	4000	3.6896	0.1677	5.6023	5.6023	0.4779
0.0926	4100	3.5872	-	-	-	-
0.0949	4200	3.5307	-	-	-	-
0.0971	4300	4.0193	-	-	-	-
0.0994	4400	3.557	-	-	-	-
0.1016	4500	3.7465	-	-	-	-
0.1039	4600	3.5972	-	-	-	-
0.1061	4700	3.6353	-	-	-	-
0.1084	4800	3.842	-	-	-	-
0.1107	4900	3.4591	-	-	-	-
0.1129	5000	3.6074	0.0539	5.5996	5.5996	0.4929
0.1152	5100	3.2618	-	-	-	-
0.1174	5200	4.3291	-	-	-	-
0.1197	5300	3.4729	-	-	-	-
0.1220	5400	4.0221	-	-	-	-
0.1242	5500	3.9507	-	-	-	-
0.1265	5600	3.2728	-	-	-	-
0.1287	5700	3.9206	-	-	-	-
0.1310	5800	3.8431	-	-	-	-
0.1332	5900	3.3932	-	-	-	-
0.1355	6000	3.5919	0.0501	5.5902	5.5902	0.5106
0.1378	6100	4.1132	-	-	-	-
0.1400	6200	3.8904	-	-	-	-
0.1423	6300	4.1905	-	-	-	-
0.1445	6400	3.339	-	-	-	-
0.1468	6500	3.2331	-	-	-	-
0.1491	6600	3.9033	-	-	-	-
0.1513	6700	3.2963	-	-	-	-
0.1536	6800	3.9416	-	-	-	-
0.1558	6900	4.0299	-	-	-	-
0.1581	7000	3.5608	0.0475	5.5814	5.5814	0.5163
0.1603	7100	3.6291	-	-	-	-
0.1626	7200	4.033	-	-	-	-
0.1649	7300	3.6292	-	-	-	-
0.1671	7400	4.1514	-	-	-	-
0.1694	7500	3.7918	-	-	-	-
0.1716	7600	3.5316	-	-	-	-
0.1739	7700	3.6115	-	-	-	-
0.1762	7800	3.8417	-	-	-	-
0.1784	7900	4.0103	-	-	-	-
0.1807	8000	3.8869	0.0682	5.5948	5.5948	0.5283
0.1829	8100	3.8652	-	-	-	-
0.1852	8200	3.6192	-	-	-	-
0.1874	8300	3.9045	-	-	-	-
0.1897	8400	4.1254	-	-	-	-
0.1920	8500	3.4542	-	-	-	-
0.1942	8600	3.8745	-	-	-	-
0.1965	8700	3.7478	-	-	-	-
0.1987	8800	3.6552	-	-	-	-
0.2010	8900	4.1187	-	-	-	-
0.2033	9000	4.0657	0.0289	5.5604	5.5604	0.5303
0.2055	9100	3.7335	-	-	-	-
0.2078	9200	3.458	-	-	-	-
0.2100	9300	3.821	-	-	-	-
0.2123	9400	3.1615	-	-	-	-
0.2145	9500	3.6287	-	-	-	-
0.2168	9600	4.0124	-	-	-	-
0.2191	9700	3.7714	-	-	-	-
0.2213	9800	4.164	-	-	-	-
0.2236	9900	3.4134	-	-	-	-
0.2258	10000	3.8162	0.0316	5.5513	5.5513	0.5331
0.2281	10100	3.6153	-	-	-	-
0.2304	10200	3.4031	-	-	-	-
0.2326	10300	3.794	-	-	-	-
0.2349	10400	3.6483	-	-	-	-
0.2371	10500	3.7333	-	-	-	-
0.2394	10600	3.506	-	-	-	-
0.2416	10700	3.6758	-	-	-	-
0.2439	10800	3.3923	-	-	-	-
0.2462	10900	3.8218	-	-	-	-
0.2484	11000	3.8402	0.0339	5.5186	5.5186	0.5464
0.2507	11100	3.7221	-	-	-	-
0.2529	11200	3.1673	-	-	-	-
0.2552	11300	3.9649	-	-	-	-
0.2575	11400	3.7229	-	-	-	-
0.2597	11500	3.6901	-	-	-	-
0.2620	11600	3.4264	-	-	-	-
0.2642	11700	3.4681	-	-	-	-
0.2665	11800	3.5792	-	-	-	-
0.2688	11900	3.6562	-	-	-	-
0.2710	12000	3.6809	0.0414	5.5115	5.5115	0.5511
0.2733	12100	3.5708	-	-	-	-
0.2755	12200	3.6985	-	-	-	-
0.2778	12300	3.4391	-	-	-	-
0.2800	12400	4.0379	-	-	-	-
0.2823	12500	3.618	-	-	-	-
0.2846	12600	3.9397	-	-	-	-
0.2868	12700	3.7655	-	-	-	-
0.2891	12800	3.5723	-	-	-	-
0.2913	12900	3.7024	-	-	-	-
0.2936	13000	3.497	0.0279	5.5226	5.5226	0.5577
0.2959	13100	3.6788	-	-	-	-
0.2981	13200	3.6594	-	-	-	-
0.3004	13300	3.3224	-	-	-	-
0.3026	13400	3.2596	-	-	-	-
0.3049	13500	3.9469	-	-	-	-
0.3071	13600	3.5739	-	-	-	-
0.3094	13700	3.9297	-	-	-	-
0.3117	13800	3.6462	-	-	-	-
0.3139	13900	3.7406	-	-	-	-
0.3162	14000	3.55	0.0279	5.5506	5.5506	0.5596
0.3184	14100	3.8056	-	-	-	-
0.3207	14200	3.4321	-	-	-	-
0.3230	14300	3.7573	-	-	-	-
0.3252	14400	3.4281	-	-	-	-
0.3275	14500	3.2205	-	-	-	-
0.3297	14600	3.954	-	-	-	-
0.3320	14700	3.6929	-	-	-	-
0.3342	14800	3.5323	-	-	-	-
0.3365	14900	3.7992	-	-	-	-
0.3388	15000	3.7498	0.0235	5.5386	5.5386	0.5588
0.3410	15100	3.8638	-	-	-	-
0.3433	15200	3.6159	-	-	-	-
0.3455	15300	4.0863	-	-	-	-
0.3478	15400	3.7445	-	-	-	-
0.3501	15500	3.2611	-	-	-	-
0.3523	15600	3.5213	-	-	-	-
0.3546	15700	3.6468	-	-	-	-
0.3568	15800	3.4205	-	-	-	-
0.3591	15900	3.4186	-	-	-	-
0.3613	16000	3.7392	0.0235	5.5018	5.5018	0.5659
0.3636	16100	3.5034	-	-	-	-
0.3659	16200	3.6416	-	-	-	-
0.3681	16300	3.6289	-	-	-	-
0.3704	16400	3.3886	-	-	-	-
0.3726	16500	3.3559	-	-	-	-
0.3749	16600	3.6254	-	-	-	-
0.3772	16700	3.7888	-	-	-	-
0.3794	16800	3.529	-	-	-	-
0.3817	16900	3.5402	-	-	-	-
0.3839	17000	3.5766	0.0229	5.5058	5.5058	0.5705
0.3862	17100	3.9604	-	-	-	-
0.3884	17200	4.1171	-	-	-	-
0.3907	17300	3.8176	-	-	-	-
0.3930	17400	3.8114	-	-	-	-
0.3952	17500	3.679	-	-	-	-
0.3975	17600	3.8225	-	-	-	-
0.3997	17700	3.958	-	-	-	-
0.4020	17800	3.8287	-	-	-	-
0.4043	17900	3.844	-	-	-	-
0.4065	18000	3.3024	0.0195	5.5018	5.5018	0.5721
0.4088	18100	3.5343	-	-	-	-
0.4110	18200	3.5228	-	-	-	-
0.4133	18300	3.5157	-	-	-	-
0.4155	18400	4.0858	-	-	-	-
0.4178	18500	4.0575	-	-	-	-
0.4201	18600	3.7979	-	-	-	-
0.4223	18700	3.6193	-	-	-	-
0.4246	18800	3.2617	-	-	-	-
0.4268	18900	3.6345	-	-	-	-
0.4291	19000	3.4886	0.0188	5.4996	5.4996	0.5746
0.4314	19100	3.7407	-	-	-	-
0.4336	19200	3.7918	-	-	-	-
0.4359	19300	3.3896	-	-	-	-
0.4381	19400	3.9201	-	-	-	-
0.4404	19500	3.9092	-	-	-	-
0.4426	19600	4.1496	-	-	-	-
0.4449	19700	3.5107	-	-	-	-
0.4472	19800	3.5502	-	-	-	-
0.4494	19900	3.6301	-	-	-	-
0.4517	20000	4.0469	0.0202	5.5064	5.5064	0.5793
0.4539	20100	3.5731	-	-	-	-
0.4562	20200	3.4592	-	-	-	-
0.4585	20300	3.5693	-	-	-	-
0.4607	20400	3.8665	-	-	-	-
0.4630	20500	3.6215	-	-	-	-
0.4652	20600	3.6482	-	-	-	-
0.4675	20700	3.2482	-	-	-	-
0.4697	20800	3.4013	-	-	-	-
0.4720	20900	3.5843	-	-	-	-
0.4743	21000	3.8119	0.0184	5.4676	5.4676	0.5815
0.4765	21100	3.082	-	-	-	-
0.4788	21200	3.8926	-	-	-	-
0.4810	21300	3.8747	-	-	-	-
0.4833	21400	3.2606	-	-	-	-
0.4856	21500	3.9525	-	-	-	-
0.4878	21600	3.3414	-	-	-	-
0.4901	21700	3.4903	-	-	-	-
0.4923	21800	3.8682	-	-	-	-
0.4946	21900	3.5548	-	-	-	-
0.4968	22000	3.3547	0.0183	5.4676	5.4676	0.5846
0.4991	22100	3.3427	-	-	-	-
0.5014	22200	3.3908	-	-	-	-
0.5036	22300	3.7194	-	-	-	-
0.5059	22400	3.4009	-	-	-	-
0.5081	22500	3.8852	-	-	-	-
0.5104	22600	3.8905	-	-	-	-
0.5127	22700	3.7329	-	-	-	-
0.5149	22800	3.8292	-	-	-	-
0.5172	22900	3.6989	-	-	-	-
0.5194	23000	3.5586	0.0169	5.4780	5.4780	0.5866
0.5217	23100	3.5845	-	-	-	-
0.5240	23200	3.5038	-	-	-	-
0.5262	23300	3.3299	-	-	-	-
0.5285	23400	3.9306	-	-	-	-
0.5307	23500	3.3543	-	-	-	-
0.5330	23600	3.4382	-	-	-	-
0.5352	23700	3.1923	-	-	-	-
0.5375	23800	3.2672	-	-	-	-
0.5398	23900	3.7903	-	-	-	-
0.5420	24000	3.7793	0.0168	5.4736	5.4736	0.5901
0.5443	24100	3.0081	-	-	-	-
0.5465	24200	3.8466	-	-	-	-
0.5488	24300	3.3694	-	-	-	-
0.5511	24400	3.9378	-	-	-	-
0.5533	24500	3.9781	-	-	-	-
0.5556	24600	3.6762	-	-	-	-
0.5578	24700	3.6454	-	-	-	-
0.5601	24800	3.8105	-	-	-	-
0.5623	24900	3.2965	-	-	-	-
0.5646	25000	3.6106	0.0168	5.4638	5.4638	0.5916
0.5669	25100	3.6949	-	-	-	-
0.5691	25200	3.6324	-	-	-	-
0.5714	25300	3.8526	-	-	-	-
0.5736	25400	3.4002	-	-	-	-
0.5759	25500	3.565	-	-	-	-
0.5782	25600	3.6456	-	-	-	-
0.5804	25700	3.8771	-	-	-	-
0.5827	25800	3.3512	-	-	-	-
0.5849	25900	3.7936	-	-	-	-
0.5872	26000	3.1563	0.0163	5.4785	5.4785	0.5929
0.5894	26100	3.1803	-	-	-	-
0.5917	26200	3.4579	-	-	-	-
0.5940	26300	3.6681	-	-	-	-
0.5962	26400	3.6912	-	-	-	-
0.5985	26500	3.6039	-	-	-	-
0.6007	26600	3.6128	-	-	-	-
0.6030	26700	3.3208	-	-	-	-
0.6053	26800	4.1783	-	-	-	-
0.6075	26900	4.2153	-	-	-	-
0.6098	27000	3.3415	0.0166	5.4876	5.4876	0.5962
0.6120	27100	3.7623	-	-	-	-
0.6143	27200	3.3915	-	-	-	-
0.6165	27300	3.1315	-	-	-	-
0.6188	27400	3.5027	-	-	-	-
0.6211	27500	3.2775	-	-	-	-
0.6233	27600	3.6244	-	-	-	-
0.6256	27700	3.1073	-	-	-	-
0.6278	27800	3.5609	-	-	-	-
0.6301	27900	3.8369	-	-	-	-
0.6324	28000	4.11	0.0155	5.4482	5.4482	0.5983
0.6346	28100	3.5878	-	-	-	-
0.6369	28200	3.3487	-	-	-	-
0.6391	28300	3.4827	-	-	-	-
0.6414	28400	3.5754	-	-	-	-
0.6436	28500	3.4478	-	-	-	-
0.6459	28600	3.6112	-	-	-	-
0.6482	28700	3.2634	-	-	-	-
0.6504	28800	3.9245	-	-	-	-
0.6527	28900	3.6137	-	-	-	-
0.6549	29000	3.541	0.0148	5.4707	5.4707	0.5977
0.6572	29100	3.7576	-	-	-	-
0.6595	29200	3.5489	-	-	-	-
0.6617	29300	3.4978	-	-	-	-
0.6640	29400	3.933	-	-	-	-
0.6662	29500	3.9405	-	-	-	-
0.6685	29600	3.5865	-	-	-	-
0.6707	29700	3.807	-	-	-	-
0.6730	29800	3.3112	-	-	-	-
0.6753	29900	3.4445	-	-	-	-
0.6775	30000	3.3916	0.0174	5.4581	5.4581	0.5993
0.6798	30100	3.3242	-	-	-	-
0.6820	30200	3.8325	-	-	-	-
0.6843	30300	3.671	-	-	-	-
0.6866	30400	3.7121	-	-	-	-
0.6888	30500	3.6981	-	-	-	-
0.6911	30600	3.2194	-	-	-	-
0.6933	30700	3.11	-	-	-	-
0.6956	30800	3.6456	-	-	-	-
0.6978	30900	3.4904	-	-	-	-
0.7001	31000	3.927	0.0157	5.4472	5.4472	0.6025
0.7024	31100	3.7856	-	-	-	-
0.7046	31200	3.9512	-	-	-	-
0.7069	31300	3.3216	-	-	-	-
0.7091	31400	3.8025	-	-	-	-
0.7114	31500	3.5322	-	-	-	-
0.7137	31600	3.9956	-	-	-	-
0.7159	31700	3.3796	-	-	-	-
0.7182	31800	3.4694	-	-	-	-
0.7204	31900	3.671	-	-	-	-
0.7227	32000	3.6436	0.0147	5.4459	5.4459	0.6044
0.7249	32100	3.583	-	-	-	-
0.7272	32200	3.484	-	-	-	-
0.7295	32300	3.6294	-	-	-	-
0.7317	32400	4.1796	-	-	-	-
0.7340	32500	3.9783	-	-	-	-
0.7362	32600	3.6819	-	-	-	-
0.7385	32700	4.196	-	-	-	-
0.7408	32800	3.9306	-	-	-	-
0.7430	32900	3.3167	-	-	-	-
0.7453	33000	3.4318	0.0138	5.4404	5.4404	0.6076
0.7475	33100	3.5839	-	-	-	-
0.7498	33200	3.6364	-	-	-	-
0.7520	33300	3.1098	-	-	-	-
0.7543	33400	3.7164	-	-	-	-
0.7566	33500	3.1722	-	-	-	-
0.7588	33600	3.7332	-	-	-	-
0.7611	33700	3.6525	-	-	-	-
0.7633	33800	3.7544	-	-	-	-
0.7656	33900	4.0123	-	-	-	-
0.7679	34000	3.2247	0.0140	5.4297	5.4297	0.6073
0.7701	34100	3.6461	-	-	-	-
0.7724	34200	3.2912	-	-	-	-
0.7746	34300	4.0886	-	-	-	-
0.7769	34400	3.4823	-	-	-	-
0.7792	34500	3.5664	-	-	-	-
0.7814	34600	3.7567	-	-	-	-
0.7837	34700	3.2525	-	-	-	-
0.7859	34800	3.7871	-	-	-	-
0.7882	34900	3.733	-	-	-	-
0.7904	35000	3.5468	0.0139	5.4431	5.4431	0.6054
0.7927	35100	3.8567	-	-	-	-
0.7950	35200	3.7431	-	-	-	-
0.7972	35300	3.5763	-	-	-	-
0.7995	35400	3.8258	-	-	-	-
0.8017	35500	4.1367	-	-	-	-
0.8040	35600	3.8723	-	-	-	-
0.8063	35700	3.4543	-	-	-	-
0.8085	35800	3.2662	-	-	-	-
0.8108	35900	3.3156	-	-	-	-
0.8130	36000	3.8996	0.0138	5.4468	5.4468	0.6083
0.8153	36100	3.7744	-	-	-	-
0.8175	36200	3.4629	-	-	-	-
0.8198	36300	4.0865	-	-	-	-
0.8221	36400	3.8276	-	-	-	-
0.8243	36500	4.3061	-	-	-	-
0.8266	36600	3.999	-	-	-	-
0.8288	36700	3.3845	-	-	-	-
0.8311	36800	3.4213	-	-	-	-
0.8334	36900	3.185	-	-	-	-
0.8356	37000	3.6957	0.0130	5.4700	5.4700	0.6077
0.8379	37100	3.6489	-	-	-	-
0.8401	37200	3.7567	-	-	-	-
0.8424	37300	3.0847	-	-	-	-
0.8446	37400	3.4128	-	-	-	-
0.8469	37500	3.7326	-	-	-	-
0.8492	37600	3.1498	-	-	-	-
0.8514	37700	3.6616	-	-	-	-
0.8537	37800	3.8503	-	-	-	-
0.8559	37900	3.5325	-	-	-	-
0.8582	38000	3.1548	0.0140	5.4489	5.4489	0.6106
0.8605	38100	3.4128	-	-	-	-
0.8627	38200	3.2097	-	-	-	-
0.8650	38300	3.301	-	-	-	-
0.8672	38400	3.5583	-	-	-	-
0.8695	38500	4.0891	-	-	-	-
0.8717	38600	3.4978	-	-	-	-
0.8740	38700	3.68	-	-	-	-
0.8763	38800	3.8179	-	-	-	-
0.8785	38900	3.4059	-	-	-	-
0.8808	39000	2.9934	0.0139	5.4248	5.4248	0.6116
0.8830	39100	3.7599	-	-	-	-
0.8853	39200	3.9118	-	-	-	-
0.8876	39300	3.6133	-	-	-	-
0.8898	39400	3.6415	-	-	-	-
0.8921	39500	3.3724	-	-	-	-
0.8943	39600	3.5335	-	-	-	-
0.8966	39700	3.2536	-	-	-	-
0.8988	39800	3.7967	-	-	-	-
0.9011	39900	3.478	-	-	-	-
0.9034	40000	3.8147	0.0135	5.4287	5.4287	0.6133
0.9056	40100	3.9183	-	-	-	-
0.9079	40200	3.4881	-	-	-	-
0.9101	40300	3.8562	-	-	-	-
0.9124	40400	3.713	-	-	-	-
0.9147	40500	3.1428	-	-	-	-
0.9169	40600	3.5614	-	-	-	-
0.9192	40700	3.8138	-	-	-	-
0.9214	40800	4.095	-	-	-	-
0.9237	40900	3.7167	-	-	-	-
0.9259	41000	3.6093	0.0129	5.4306	5.4306	0.6140
0.9282	41100	3.5586	-	-	-	-
0.9305	41200	3.7149	-	-	-	-
0.9327	41300	3.4179	-	-	-	-
0.9350	41400	3.6021	-	-	-	-
0.9372	41500	3.7742	-	-	-	-
0.9395	41600	3.5916	-	-	-	-
0.9418	41700	3.5955	-	-	-	-
0.9440	41800	3.774	-	-	-	-
0.9463	41900	3.1536	-	-	-	-
0.9485	42000	3.7355	0.0126	5.4282	5.4282	0.6147
0.9508	42100	3.7409	-	-	-	-
0.9530	42200	3.7755	-	-	-	-
0.9553	42300	3.8308	-	-	-	-
0.9576	42400	3.614	-	-	-	-
0.9598	42500	3.569	-	-	-	-
0.9621	42600	3.8802	-	-	-	-
0.9643	42700	4.0452	-	-	-	-
0.9666	42800	3.6673	-	-	-	-
0.9689	42900	3.4478	-	-	-	-
0.9711	43000	3.2422	0.0129	5.4306	5.4306	0.6147
0.9734	43100	3.785	-	-	-	-
0.9756	43200	3.9302	-	-	-	-
0.9779	43300	3.9351	-	-	-	-
0.9801	43400	3.6119	-	-	-	-
0.9824	43500	3.5131	-	-	-	-
0.9847	43600	3.6468	-	-	-	-
0.9869	43700	3.4787	-	-	-	-
0.9892	43800	3.7133	-	-	-	-
0.9914	43900	3.6943	-	-	-	-
0.9937	44000	3.6415	0.0129	5.4266	5.4266	0.6151
0.9960	44100	3.7864	-	-	-	-
0.9982	44200	3.9463	-	-	-	-

Framework Versions

Python: 3.11.11
Sentence Transformers: 3.4.0
Transformers: 4.47.1
PyTorch: 2.5.1+cu121
Accelerate: 1.2.1
Datasets: 3.2.0
Tokenizers: 0.21.0

Citation

BibTeX

Sentence Transformers and SoftmaxLoss

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",
}

CoSENTLoss

bibtex

@online{kexuefm-8847,
    title={CoSENT: A more efficient sentence vector scheme than Sentence-BERT},
    author={Su Jianlin},
    year={2022},
    month={Jan},
    url={https://kexue.fm/archives/8847},
}

	premise	hypothesis	label
type	string	string	int
details	min: 19 tokens mean: 419.29 tokens max: 512 tokens	min: 40 tokens mean: 401.34 tokens max: 512 tokens	0: ~40.80% 1: ~42.60% 2: ~16.60%