Upload folder using huggingface_hub

.gitattributes

@@ -33,3 +33,4 @@ saved_model/**/* filter=lfs diff=lfs merge=lfs -text
 *.zip filter=lfs diff=lfs merge=lfs -text
 *.zst filter=lfs diff=lfs merge=lfs -text
 *tfevents* filter=lfs diff=lfs merge=lfs -text
+tokenizer.json filter=lfs diff=lfs merge=lfs -text

1_Pooling/config.json

@@ -0,0 +1,5 @@
+{
+    "embedding_dimension": 768,
+    "pooling_mode": "mean",
+    "include_prompt": true
+}

2_Dense/config.json

@@ -0,0 +1,8 @@
+{
+    "in_features": 768,
+    "out_features": 3072,
+    "bias": false,
+    "activation_function": "torch.nn.modules.linear.Identity",
+    "module_input_name": "sentence_embedding",
+    "module_output_name": "sentence_embedding"
+}

2_Dense/model.safetensors

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:7741d359e5d2c934ec7f71a69872e3370f47eb36655d262db5607044fcc34000
+size 9437272

3_Dense/config.json

@@ -0,0 +1,8 @@
+{
+    "in_features": 3072,
+    "out_features": 768,
+    "bias": false,
+    "activation_function": "torch.nn.modules.linear.Identity",
+    "module_input_name": "sentence_embedding",
+    "module_output_name": "sentence_embedding"
+}

3_Dense/model.safetensors

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:ac6a3b0991f4677e0e5b34716d6f9a96adad91408691d6c8f01564ed098398e8
+size 9437272

README.md

@@ -0,0 +1,632 @@
+---
+tags:
+- sentence-transformers
+- sentence-similarity
+- feature-extraction
+- generated_from_trainer
+- dataset_size:695
+- loss:MultipleNegativesRankingLoss
+widget:
+- source_sentence: '[03] Документация FS ETL
+
+    [02] Настройки фичей и витрин в features.yaml
+
+    Настройки сохранения на Hive'
+  sentences:
+  - '— schema_name: имя схемы в Hive (если не задано, то автоматически устанавливается
+    как dest_settings → default_schema_name, если таковое выставлено в settings.yaml
+    ).
+
+    — table_name: имя таблицы в Hive (без имени схемы).
+
+    — full_table_name: полное имя таблицы в Hive, схема и имя таблицы, разделённые
+    точкой (например, "l_profiling.dummy_example__documents" ). Если full_table_name
+    выставлено вручную в settings.yaml, то поля table_name и schema_name  заполнять
+    не нужно. Если full_table_name не выставлено, то поле settings.dest_settings[table_name].full_table_name
+    будет автоматически собрано из {schema_name}.{table_name}
+
+    — Если full_table_name выставлено вручную в settings.yaml, то поля table_name
+    и schema_name  заполнять не нужно.
+
+    — Если full_table_name не выставлено, то поле settings.dest_settings[table_name].full_table_name
+    будет автоматически собрано из {schema_name}.{table_name}
+
+    — [опционально] hdfs_file_format: формат файлов, сохраняемых на HDFS. Имеет взможные
+    значения: parquet (по умолчанию) orc
+
+    — parquet (по умолчанию)
+
+    — orc
+
+    — [опционально] partition_date_format: формат даты партиционирования (значение
+    по умолчанию: yyyy-MM-dd ). FS ETL предполагает, что каждая витрина данных должна
+    иметь колонку с датой, по которой будет осуществляться партиционирование. Сейчас
+    поддерживается только партиционирование по одной колонке. Если в этом поле есть
+    строковое значение, то дата будет конвертирована в строку. Если null – то сохранена
+    как дата.
+
+    — [опционально] partition_columns: словарь со столбцами партиционирования вида
+    `{имя столбца_в_таблице: описание_столбца}`.
+
+    — [опционально] date_partition_columns: список столбцов партиционирования, относящихся
+    именно к логической дате (если не установлено, то берём все ключи partition_columns
+    ).'
+  - '1. Получаем задачу на функциональное тестирование автомл батч модели в MMS
+
+    2. В задаче на тестирование смотрим, что требуется для вывода Train и Inference,
+    либо только Inference
+
+    3. Переходим в Jenkins, указываем ссылку на модель в Bitbucket и тег для сборки
+
+    4. Запускаем пайплайн Train/Inference для этой модели
+
+    5. Проверяем работу и отсутствие ошибок процесса Train/Inference в логах Lens
+
+    6. Дожидаемся окончания работы jenkins пайплайна
+
+    7. Параллельно запускается DAG для Train/Inference в Airflow
+
+    Логи исполнения моделей отражаются после завершения работы модели - Логирование
+    кода (обязательный шаг)
+
+    8. Убедиться в успешном завершении пайплайнов:
+
+    Для Train (в случае запуска полноценного обучения):
+
+    После завершения пайплайна и проверки отсутствия ошибок в логах переходим в MLflow
+
+    Ищем в поиске нашу модель и проверяем появление нового артефакта
+
+    Если показатели его эксперимента корректны, то регистрируем модель: выбираем нужную
+    версию и помечаем ее как Production
+
+    После этого можно переходить к тестированию инференса модели в MDP
+
+    Для Inference:
+
+    Во время инференса, модель в статусе Production выкачивается из MLflow в образ
+    (все содержимое из модели,  включая артефакты)
+
+    После успешного завершения инференса заходим заходим в Hadoop и проверяем, появились
+    ли данные (скоры), нет ли аномалий в записях
+
+    9. Заполняем отчет о тестировании в карточку  ММС, при положительном ФТ- толкаем
+    дальше на НТ, при наличии багов- толкаем обратно в dev'
+  - '1.Главная страница:После входа в систему вы увидите главную страницу Jenkins,
+    где находятся все доступные проекты.
+
+    2.Переключение между представлениями:- В верхней части имеется ряд представлений,
+    соответствующее нужному кластеру (например, "MDP-Models", "SIM-INT", "SIM-LT").-
+    После выбора представления вы увидите список папок с группами пайплайнов.'
+- source_sentence: '4.1.2. Руководства по использованию
+
+    [03] Работа с новым JupyterHub CustomSpawner
+
+    Переменные окружения (Envs)'
+  sentences:
+  - 'Как во время сборки образ, так и при запуске контейнера добавляются некоторые
+    переменные окружения.
+
+    Название переменной  |  Значение
+
+    PATH  |  /opt/conda/bin:/usr/local/sbin:/usr/local/bin:/usr/sbin:/usr/bin:/sbin:/bin:/opt/code-server/bin:/opt/cloudera/parcels/CDH-5.13.1-1.cdh5.13.1.p0.2/bin:/usr/local/openjdk-8u312-b07/bin
+
+    ARROW_LIBHDFS_DIR  |  /opt/cloudera/parcels/CDH-5.13.1-1.cdh5.13.1.p0.2/lib64
+
+    HADOOP_CONF_DIR  |  /opt/hadoop_configs
+
+    HADOOP_HOME  |  /opt/cloudera/parcels/CDH-5.13.1-1.cdh5.13.1.p0.2
+
+    SPARK_EVENT_LOG_DIR  |  hdfs://ClusterBDA5-ns/user/spark/applicationHistory
+
+    SPARK_YARN_HISTORY_SERVER_ADDRESS  |  http://bda52node07.bda5.moscow.alfaintra.net:18088
+
+    MLFLOW_S3_ENDPOINT_URL  |  http://minio.minio.svc:9000
+
+    MLFLOW_TRACKING_URI  |  http://mlflow-mlflow-tracking.mlflow.svc
+
+    MLFLOW_TRACKING_USERNAME  |  $(JUPYTERHUB_USER)
+
+    AWS_ACCESS_KEY_ID  |  minio_user
+
+    AWS_SECRET_ACCESS_KEY  |  minio_user
+
+    JAVA_HOME  |  /usr/local/openjdk-8u312-b07
+
+    PYSPARK_PYTHON  |  /opt/anaconda37/bin/python
+
+    NODE_NAME  |  (наименование ноды кластера)
+
+    Все эти переменные стоят по умолчанию и изменять их нет необходимости.'
+  - "Имеется возможность определения дополнительных params для DAG (речь про этот\
+    \ атрибут). Для этого необходимо создать файл, например .mlops/dag_extra_params.py,\
+    \ со следующим содержимым (опять же для примера):\n.\n├── .mlops\n│   └── config.yaml\n\
+    └── scripts\n    ├── __init__.py\n    ├── inference.py\n    ├── requirements.txt\n\
+    \    └── train.py\nВ самом DAG из этого файла извлечется переменная params и передастся\
+    \ в конструктор DAG.\nВсе определенные params доступны внутри SparkApplication\
+    \ в виде json-строки в переменной окружения MLOPS_AIRFLOW_PARAMS."
+  - 'Для возможности использования вольюма предусмотрено автоматическое монтирование
+    ресурса persistent volume в k8s для батчевых моделей и треинов.
+
+    Так как вольюмы являются кластерными ресурсами, то и создавать их должен ответственный
+    администратор среды, поэтому перед тем как воспользоваться pvc, необходимо завести
+    задачу в Jira на Отдел технической экспертизы систем BPM (OTESBPM).
+
+    ВАЖНО !!! При заполнении заявки указать среду (MDP или SIM), наименование PVC
+    и размер необходимого вольюма. Наименование PVC должно быть по аналогии с репозиторием
+    проекта в Bitbucket, но без использования заглавных букв и символов нижнего подчеркив��ния,
+    так как они являются запрещенными в k8s, например если название гит репозитория
+    такое - CORP_MMB_CLTV_models_pipelines_2, то в заявке пишем: "Требуется создать
+    ресурс PVC для проекта (ссылка на репозиторий) с названием corp-mmb-cltv-models-pipelines-2
+    размером 1GiB (условно) и access mode ReadWriteMany".
+
+    PVC на SIM Prom создаются после успешного прохождения тестирования модели.
+
+    В случае необходимости создания отказоустойчивой PVC, то необходимо в заявке указать
+    это в явном виде (может потребовать только в случае если в pvc сохраняются файлы
+    и они должны использоваться в последующих запусках модели)'
+- source_sentence: 'Внутренние взаимодействия
+
+    Стандарты репозитория, кода, модели, выборки разработки v2
+
+    f)README.md'
+  sentences:
+  - 'Краткое описание:
+
+    — структура репозитория,
+
+    — команда запуска обучения,
+
+    — команда для инференса,
+
+    — описание процедуры инференса, если реализация его в виде отдельного класса представляется
+    трудоёмкой.
+
+    — расположение выборок,
+
+    — описание логики преобразования данных из FS (если они перед подачей в модель
+    проходят дополнительные преобразования)
+
+    — требования к окружению.
+
+    Важно: README должен быть минимальный, но информативный — не путать с документацией
+    модели.'
+  - 'Из-за распределенной архитектуры cassandra мы не можем просто запустить SELECT
+    count(*) from my_table, так как это запустит сканирование всех нод кластера, что
+    в случае больших таблиц вызовет деградацию всех запросов в базу данных. Для продовой
+    кассандры мы не можем себе это позволить даже раз в сутки. Тем более запрос работает
+    крайне долго и с нынешними настройками timeout не успевает отработать даже для
+    относительно небольших таблиц (~5 млн строк). Существует ряд инструментов, которые
+    могут позволить сделать это более эффективно
+
+    Инструмент для решения  |  Преимущества  |  Недостатки  |  Пример использования
+
+    nodetool tablestats  |  1) Никак не влияет на производительность кластера 2) Получение
+    большого количества метрик по таблице, в том числе используемой памяти  |  1)
+    Не позволяет получить точное количество строк в таблице, что критично для данной
+    постановки задачи 2) Посчитать можно только примерное количество строк (total
+    size / row size)  |  Подробная документация https://docs.datastax.com/en/cassandra-oss/3.x/cassandra/tools/toolsTablestats.html
+
+    DataStax dsbulk count  |  1) Считает довольно точно 2) Не так сильно нагружает,
+    как обычный COUNT(*) 3) Работает из коробки, не требует слишком тонкой настройки
+    4) Есть интеграция со спарком  |  1) Считает посредством постепенной загрузки
+    батчей таблицы к себе в память, то есть по сути это SELECT по всей таблице, но
+    относительно оптимизированный. 2) На больших таблицах может работать довольно
+    долго  |  Документация: https://docs.datastax.com/en/dsbulk/reference/count-examples.html
+
+    В итоге наиболее подходящим решением для получения точного количества строк будет
+    использование dsbulk в связке со спарком. Эт�� позволит раз в сутки считать количество
+    строк в таблицах и не слишком сильно нагружать кассандру. Делать это будет удобно
+    в даге аирфлоу и запускать его можно ночью, когда нагрузка на кластер меньше.
+    Но dsbulk нужно будет протестировать на mdp кластере и потом также продолжать
+    мониторить, как он влияет на утилизацию ресурсов кластера, чтобы избежать проблем'
+  - 'Имеется возможность запустить обучение/инференс ANNA на удалённых ресурсах, не
+    занимая ресурсы собственной машины. Артефакты работы системы будут доступны в
+    MLflow. Замечание: на данный момент реализована очередь исполнения задач на удаленный
+    запуск среди пользователей.'
+- source_sentence: 'Документация пакета
+
+    [08] Работа с MLflow в ARTEML
+
+    5. Как достать любой другой артефакт?'
+  sentences:
+  - 'Допустим нам нужно достать всю папку model_tester, в которой хранятся артефакты
+    метрик модели. Тогда нам нужно указать путь до папки model_tester и метод download_artifacts
+    положит весь путь и эту папку в dst_path
+
+
+    import os
+
+    os.environ[''MLFLOW_TRACKING_URI''] = "http://mlflow-mdp-prod.mlflow-autotrain.svc.cluster.local:5000"'
+  - 'Чтобы создать сразу два конфига, нужно использовать команду (описано подробнее
+    здесь: Формирование конфига одной командой):
+
+    python -m validator_get_config
+
+    Конфиги будут добавлены во wrappers/online/scripts/mlops_validators_config/ с
+    названиями request_validation_config.json и response_validation_config.json. Ворд
+    файлы будут в корневой директории.
+
+    Команда для формирования двух конфигов предполагает запуск validator_get_config
+    в репозитории модели, request.json и response.json лежат в корне модели (или можно
+    указать путь к request.json и response.json флагом –json-dir)'
+  - 'После создания тела каскада можно приступить к добавлению конфигурации в Cascade-developer.
+    Для этого воспользуйтесь функцией cascadeCreate(), в параметр body передайте созданную
+    ранее конфигурацию:
+
+
+    {
+
+    "type": "chain",
+
+    "name": "demo_chain",
+
+    "desc": "Запуск последовательности групп модулей",
+
+    "tags": ["pd", "demo", "test"],
+
+    "nodes": []
+
+    }'
+- source_sentence: '[01] Актуальная инструкция по разработке моделей и выводу их в
+    ПРОМ
+
+    Инструкция по разработке и внедрению каскадных онлайн-моделей
+
+    Get one'
+  sentences:
+  - 'Для получения одного модуля из справочника используйте метод Get By Name (GET
+    /module/{name}). В параметры запроса передайте название интересующего модуля.
+
+    Curl: curl -X ‘GET’ {host}/module/{name} -H ‘accept: application/json’.
+
+    При использовании Swagger:'
+  - 'Для запуска каскада через Cascade API используйте функцию runSync() в рамках
+    сессии с Cascade API. В параметр body передается Input JSON
+
+
+    {
+
+    "type": "chain",
+
+    "name": "demo_chain",
+
+    "desc": "Запуск последовательности групп модулей",
+
+    "tags": ["pd", "demo", "test"],
+
+    "nodes": []
+
+    }
+
+
+    В качестве ответа возвращается результат работы каскада.'
+  - 'Для сборки используется библиотека pyinstaller, она довольно просто позволяет
+    собирать питон код в .exe файлы
+
+    Перед сборкой так же нужно немного модифицировать код библиотеки cookiecutter
+    в venv. В файле venv/Lib/site-packages/cookiecutter/__init__.py заменить код на
+    такой:
+
+    Это н��жно, так как pyinstaller не собирает по стандарту текстовые файлики VERSION.txt
+    в .exe. Возможно это можно как-то пофиксить.
+
+    После этого можно запустить сборку:
+
+    Результат сборки будет .exe файл в ./dist/fstemplater.exe'
+pipeline_tag: sentence-similarity
+library_name: sentence-transformers
+---
+
+# SentenceTransformer
+
+This is a [sentence-transformers](https://www.SBERT.net) model trained. It maps sentences & paragraphs to a 768-dimensional dense vector space and can be used for retrieval.
+
+## Model Details
+
+### Model Description
+- **Model Type:** Sentence Transformer
+<!-- - **Base model:** [Unknown](https://huggingface.co/unknown) -->
+- **Maximum Sequence Length:** 2048 tokens
+- **Output Dimensionality:** 768 dimensions
+- **Similarity Function:** Cosine Similarity
+- **Supported Modality:** Text
+<!-- - **Training Dataset:** Unknown -->
+<!-- - **Language:** Unknown -->
+<!-- - **License:** Unknown -->
+
+### Model Sources
+
+- **Documentation:** [Sentence Transformers Documentation](https://sbert.net)
+- **Repository:** [Sentence Transformers on GitHub](https://github.com/huggingface/sentence-transformers)
+- **Hugging Face:** [Sentence Transformers on Hugging Face](https://huggingface.co/models?library=sentence-transformers)
+
+### Full Model Architecture
+
+```
+SentenceTransformer(
+  (0): Transformer({'transformer_task': 'feature-extraction', 'modality_config': {'text': {'method': 'forward', 'method_output_name': 'last_hidden_state'}}, 'module_output_name': 'token_embeddings', 'architecture': 'Gemma3TextModel'})
+  (1): Pooling({'embedding_dimension': 768, 'pooling_mode': 'mean', 'include_prompt': True})
+  (2): Dense({'in_features': 768, 'out_features': 3072, 'bias': False, 'activation_function': 'torch.nn.modules.linear.Identity', 'module_input_name': 'sentence_embedding', 'module_output_name': 'sentence_embedding'})
+  (3): Dense({'in_features': 3072, 'out_features': 768, 'bias': False, 'activation_function': 'torch.nn.modules.linear.Identity', 'module_input_name': 'sentence_embedding', 'module_output_name': 'sentence_embedding'})
+  (4): Normalize({})
+)
+```
+
+## Usage
+
+### Direct Usage (Sentence Transformers)
+
+First install the Sentence Transformers library:
+
+```bash
+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
+queries = [
+    '[01] Актуальная инструкция по разработке моделей и выводу их в ПРОМ\nИнструкция по разработке и внедрению каскадных онлайн-моделей\nGet one',
+]
+documents = [
+    'Для получения одного модуля из справочника используйте метод Get By Name (GET /module/{name}). В параметры запроса передайте название интересующего модуля.\nCurl: curl -X ‘GET’ {host}/module/{name} -H ‘accept: application/json’.\nПри использовании Swagger:',
+    'Для запуска каскада через Cascade API используйте функцию runSync() в рамках сессии с Cascade API. В параметр body передается Input JSON\n\n{\n"type": "chain",\n"name": "demo_chain",\n"desc": "Запуск последовательности групп модулей",\n"tags": ["pd", "demo", "test"],\n"nodes": []\n}\n\nВ качестве ответа возвращается результат работы каскада.',
+    'Для сборки используется библиотека pyinstaller, она довольно просто позволяет собирать питон код в .exe файлы\nПеред сборкой так же нужно немного модифицировать код библиотеки cookiecutter в venv. В файле venv/Lib/site-packages/cookiecutter/__init__.py заменить код на такой:\nЭто нужно, так как pyinstaller не собирает по стандарту текстовые файлики VERSION.txt в .exe. Возможно это можно как-то пофиксить.\nПосле этого можно запустить сборку:\nРезультат сборки будет .exe файл в ./dist/fstemplater.exe',
+]
+query_embeddings = model.encode_query(queries)
+document_embeddings = model.encode_document(documents)
+print(query_embeddings.shape, document_embeddings.shape)
+# [1, 768] [3, 768]
+
+# Get the similarity scores for the embeddings
+similarities = model.similarity(query_embeddings, document_embeddings)
+print(similarities)
+# tensor([[0.7531, 0.0722, 0.0281]])
+```
+<!--
+### Direct Usage (Transformers)
+
+<details><summary>Click to see the direct usage in Transformers</summary>
+
+</details>
+-->
+
+<!--
+### Downstream Usage (Sentence Transformers)
+
+You can finetune this model on your own dataset.
+
+<details><summary>Click to expand</summary>
+
+</details>
+-->
+
+<!--
+### Out-of-Scope Use
+
+*List how the model may foreseeably be misused and address what users ought not to do with the model.*
+-->
+
+<!--
+## Bias, Risks and Limitations
+
+*What are the known or foreseeable issues stemming from this model? You could also flag here known failure cases or weaknesses of the model.*
+-->
+
+<!--
+### Recommendations
+
+*What are recommendations with respect to the foreseeable issues? For example, filtering explicit content.*
+-->
+
+## Training Details
+
+### Training Dataset
+
+#### Unnamed Dataset
+
+* Size: 695 training samples
+* Columns: <code>sentence_0</code> and <code>sentence_1</code>
+* Approximate statistics based on the first 100 samples:
+  |          | sentence_0                                                                         | sentence_1                                                                            |
+  |:---------|:-----------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------|
+  | type     | string                                                                             | string                                                                                |
+  | modality | text                                                                               | text                                                                                  |
+  | details  | <ul><li>min: 16 tokens</li><li>mean: 35.18 tokens</li><li>max: 73 tokens</li></ul> | <ul><li>min: 16 tokens</li><li>mean: 145.51 tokens</li><li>max: 2048 tokens</li></ul> |
+* Samples:
+  | sentence_0                                                                                                                        | sentence_1                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                     |
+  |:----------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
+  | <code>[04] Сервисы Feature Store<br>FS-ETL Templater<br>Разработка</code>                                                         | <code>Разработка утилиты возможна только на машине с Windows 10+</code>                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                        |
+  | <code>5.1.2. Архитектурные решения по пайплайнам<br>[01] MLOPS-Pipelines<br>Конфигурация<br>Структура проекта</code>              | <code>Рассмотрим, как выглядит типичный проект модели (здесь и далее будет делаться акцент именно на конфигурацию запуска и минимально необходимый набор файлов).<br>.<br>├── .mlops<br>│   └── config.yaml<br>└── scripts<br>    ├── __init__.py<br>    ├── inference.py<br>    ├── requirements.txt<br>    └── train.py</code>                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                               |
+  | <code>[01] Актуальная инструкция по разработке моделей и выводу их в ПРОМ<br>Работа с Kafka при Online inference<br>Методы</code> | <code>def __init__(self) -> None:<br>Этот метод загружает модель и инициализирует экземпляр класса StorageManager, подготавливая его для работы. Метод устанавливает флаг self.loaded в True.<br><br>def __init__(self) -> None:<br>Этот метод принимает request_body - тело запроса, который содержит данные для предсказания отправленные по HTTP.<br>Метод выполняет следующие шаги:<br>1. Проверка, была ли модель загружена. Если нет, то происходит загрузка модели вызовом метода load. 2. Валидация тела запроса. 3. Предобработка данных, полученных из request_body. 4. Выполнение предсказания на основе предобработанных данных. 5. Постобработка полученных предсказаний. 6. Сохранение результатов в систему хранения. 7. Возвращение ответа на запрос.<br><br>def __init__(self) -> None:<br>Этот статический метод обрабатывает исключения типа InternalServerError, преобразуя их в JSON-ответ с соответствующим кодом состояния HTTP.</code> |
+* Loss: [<code>MultipleNegativesRankingLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters:
+  ```json
+  {
+      "scale": 20.0,
+      "similarity_fct": "cos_sim",
+      "gather_across_devices": false,
+      "directions": [
+          "query_to_doc"
+      ],
+      "partition_mode": "joint",
+      "hardness_mode": null,
+      "hardness_strength": 0.0
+  }
+  ```
+
+### Training Hyperparameters
+#### Non-Default Hyperparameters
+
+- `per_device_train_batch_size`: 4
+- `num_train_epochs`: 1
+- `per_device_eval_batch_size`: 4
+- `multi_dataset_batch_sampler`: round_robin
+
+#### All Hyperparameters
+<details><summary>Click to expand</summary>
+
+- `per_device_train_batch_size`: 4
+- `num_train_epochs`: 1
+- `max_steps`: -1
+- `learning_rate`: 5e-05
+- `lr_scheduler_type`: linear
+- `lr_scheduler_kwargs`: None
+- `warmup_steps`: 0
+- `optim`: adamw_torch
+- `optim_args`: None
+- `weight_decay`: 0.0
+- `adam_beta1`: 0.9
+- `adam_beta2`: 0.999
+- `adam_epsilon`: 1e-08
+- `optim_target_modules`: None
+- `gradient_accumulation_steps`: 1
+- `average_tokens_across_devices`: True
+- `max_grad_norm`: 1
+- `label_smoothing_factor`: 0.0
+- `bf16`: False
+- `fp16`: False
+- `bf16_full_eval`: False
+- `fp16_full_eval`: False
+- `tf32`: None
+- `gradient_checkpointing`: False
+- `gradient_checkpointing_kwargs`: None
+- `torch_compile`: False
+- `torch_compile_backend`: None
+- `torch_compile_mode`: None
+- `use_liger_kernel`: False
+- `liger_kernel_config`: None
+- `use_cache`: False
+- `neftune_noise_alpha`: None
+- `torch_empty_cache_steps`: None
+- `auto_find_batch_size`: False
+- `log_on_each_node`: True
+- `logging_nan_inf_filter`: True
+- `include_num_input_tokens_seen`: no
+- `log_level`: passive
+- `log_level_replica`: warning
+- `disable_tqdm`: False
+- `project`: huggingface
+- `trackio_space_id`: None
+- `trackio_bucket_id`: None
+- `trackio_static_space_id`: None
+- `per_device_eval_batch_size`: 4
+- `prediction_loss_only`: True
+- `eval_on_start`: False
+- `eval_do_concat_batches`: True
+- `eval_use_gather_object`: False
+- `eval_accumulation_steps`: None
+- `include_for_metrics`: []
+- `batch_eval_metrics`: False
+- `save_only_model`: False
+- `save_on_each_node`: False
+- `enable_jit_checkpoint`: False
+- `push_to_hub`: False
+- `hub_private_repo`: None
+- `hub_model_id`: None
+- `hub_strategy`: every_save
+- `hub_always_push`: False
+- `hub_revision`: None
+- `load_best_model_at_end`: False
+- `ignore_data_skip`: False
+- `restore_callback_states_from_checkpoint`: False
+- `full_determinism`: False
+- `seed`: 42
+- `data_seed`: None
+- `use_cpu`: False
+- `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
+- `dataloader_drop_last`: False
+- `dataloader_num_workers`: 0
+- `dataloader_pin_memory`: True
+- `dataloader_persistent_workers`: False
+- `dataloader_prefetch_factor`: None
+- `remove_unused_columns`: True
+- `label_names`: None
+- `train_sampling_strategy`: random
+- `length_column_name`: length
+- `ddp_find_unused_parameters`: None
+- `ddp_bucket_cap_mb`: None
+- `ddp_broadcast_buffers`: False
+- `ddp_static_graph`: None
+- `ddp_backend`: None
+- `ddp_timeout`: 1800
+- `fsdp`: []
+- `fsdp_config`: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
+- `deepspeed`: None
+- `debug`: []
+- `skip_memory_metrics`: True
+- `do_predict`: False
+- `resume_from_checkpoint`: None
+- `warmup_ratio`: None
+- `local_rank`: -1
+- `prompts`: None
+- `batch_sampler`: batch_sampler
+- `multi_dataset_batch_sampler`: round_robin
+- `router_mapping`: {}
+- `learning_rate_mapping`: {}
+
+</details>
+
+### Training Time
+- **Training**: 2.3 hours
+
+### Framework Versions
+- Python: 3.12.12
+- Sentence Transformers: 5.5.1
+- Transformers: 5.9.0
+- PyTorch: 2.7.1+cu118
+- Accelerate: 1.13.0
+- Datasets: 4.8.5
+- Tokenizers: 0.22.2
+
+## 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{oord2019representationlearningcontrastivepredictive,
+      title={Representation Learning with Contrastive Predictive Coding},
+      author={Aaron van den Oord and Yazhe Li and Oriol Vinyals},
+      year={2019},
+      eprint={1807.03748},
+      archivePrefix={arXiv},
+      primaryClass={cs.LG},
+      url={https://arxiv.org/abs/1807.03748},
+}
+```
+
+<!--
+## Glossary
+
+*Clearly define terms in order to be accessible across audiences.*
+-->
+
+<!--
+## Model Card Authors
+
+*Lists the people who create the model card, providing recognition and accountability for the detailed work that goes into its construction.*
+-->
+
+<!--
+## Model Card Contact
+
+*Provides a way for people who have updates to the Model Card, suggestions, or questions, to contact the Model Card authors.*
+-->

config.json

@@ -0,0 +1,68 @@
+{
+  "_sliding_window_pattern": 6,
+  "architectures": [
+    "Gemma3TextModel"
+  ],
+  "attention_bias": false,
+  "attention_dropout": 0.0,
+  "attn_logit_softcapping": null,
+  "bos_token_id": 2,
+  "dtype": "float32",
+  "eos_token_id": 1,
+  "final_logit_softcapping": null,
+  "head_dim": 256,
+  "hidden_activation": "gelu_pytorch_tanh",
+  "hidden_size": 768,
+  "initializer_range": 0.02,
+  "intermediate_size": 1152,
+  "layer_types": [
+    "sliding_attention",
+    "sliding_attention",
+    "sliding_attention",
+    "sliding_attention",
+    "sliding_attention",
+    "full_attention",
+    "sliding_attention",
+    "sliding_attention",
+    "sliding_attention",
+    "sliding_attention",
+    "sliding_attention",
+    "full_attention",
+    "sliding_attention",
+    "sliding_attention",
+    "sliding_attention",
+    "sliding_attention",
+    "sliding_attention",
+    "full_attention",
+    "sliding_attention",
+    "sliding_attention",
+    "sliding_attention",
+    "sliding_attention",
+    "sliding_attention",
+    "full_attention"
+  ],
+  "max_position_embeddings": 2048,
+  "model_type": "gemma3_text",
+  "num_attention_heads": 3,
+  "num_hidden_layers": 24,
+  "num_key_value_heads": 1,
+  "pad_token_id": 0,
+  "query_pre_attn_scalar": 256,
+  "rms_norm_eps": 1e-06,
+  "rope_parameters": {
+    "full_attention": {
+      "rope_theta": 1000000.0,
+      "rope_type": "default"
+    },
+    "sliding_attention": {
+      "rope_theta": 10000.0,
+      "rope_type": "default"
+    }
+  },
+  "sliding_window": 65,
+  "tie_word_embeddings": true,
+  "transformers_version": "5.9.0",
+  "use_bidirectional_attention": true,
+  "use_cache": false,
+  "vocab_size": 262144
+}

config_sentence_transformers.json

@@ -0,0 +1,26 @@
+{
+  "__version__": {
+    "pytorch": "2.7.1+cu118",
+    "sentence_transformers": "5.5.1",
+    "transformers": "5.9.0"
+  },
+  "default_prompt_name": null,
+  "model_type": "SentenceTransformer",
+  "prompts": {
+    "BitextMining": "task: search result | query: ",
+    "Classification": "task: classification | query: ",
+    "Clustering": "task: clustering | query: ",
+    "InstructionRetrieval": "task: code retrieval | query: ",
+    "MultilabelClassification": "task: classification | query: ",
+    "PairClassification": "task: sentence similarity | query: ",
+    "Reranking": "task: search result | query: ",
+    "Retrieval": "task: search result | query: ",
+    "Retrieval-document": "title: none | text: ",
+    "Retrieval-query": "task: search result | query: ",
+    "STS": "task: sentence similarity | query: ",
+    "Summarization": "task: summarization | query: ",
+    "document": "title: none | text: ",
+    "query": "task: search result | query: "
+  },
+  "similarity_fn_name": "cosine"
+}

model.safetensors

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:b374e341b9061f63de00365465c23db8df2b6c861ea6b97a0bfe7933109d7088
+size 1211486072

modules.json

@@ -0,0 +1,32 @@
+[
+  {
+    "idx": 0,
+    "name": "0",
+    "path": "",
+    "type": "sentence_transformers.base.modules.transformer.Transformer"
+  },
+  {
+    "idx": 1,
+    "name": "1",
+    "path": "1_Pooling",
+    "type": "sentence_transformers.sentence_transformer.modules.pooling.Pooling"
+  },
+  {
+    "idx": 2,
+    "name": "2",
+    "path": "2_Dense",
+    "type": "sentence_transformers.base.modules.dense.Dense"
+  },
+  {
+    "idx": 3,
+    "name": "3",
+    "path": "3_Dense",
+    "type": "sentence_transformers.base.modules.dense.Dense"
+  },
+  {
+    "idx": 4,
+    "name": "4",
+    "path": "4_Normalize",
+    "type": "sentence_transformers.sentence_transformer.modules.normalize.Normalize"
+  }
+]

sentence_bert_config.json

@@ -0,0 +1,10 @@
+{
+    "transformer_task": "feature-extraction",
+    "modality_config": {
+        "text": {
+            "method": "forward",
+            "method_output_name": "last_hidden_state"
+        }
+    },
+    "module_output_name": "token_embeddings"
+}

tokenizer.json

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:3f797e7e336523ba3845bf09a648fd87c14bf357f26beb091d8284dff48ea27c
+size 33385261

tokenizer_config.json

@@ -0,0 +1,31 @@
+{
+  "backend": "tokenizers",
+  "boi_token": "<start_of_image>",
+  "bos_token": "<bos>",
+  "clean_up_tokenization_spaces": false,
+  "eoi_token": "<end_of_image>",
+  "eos_token": "<eos>",
+  "image_token": "<image_soft_token>",
+  "is_local": true,
+  "local_files_only": false,
+  "mask_token": "<mask>",
+  "max_length": 2048,
+  "model_max_length": 2048,
+  "model_specific_special_tokens": {
+    "boi_token": "<start_of_image>",
+    "eoi_token": "<end_of_image>",
+    "image_token": "<image_soft_token>"
+  },
+  "pad_to_multiple_of": null,
+  "pad_token": "<pad>",
+  "pad_token_type_id": 0,
+  "padding_side": "right",
+  "sp_model_kwargs": null,
+  "spaces_between_special_tokens": false,
+  "stride": 0,
+  "tokenizer_class": "GemmaTokenizer",
+  "truncation_side": "right",
+  "truncation_strategy": "longest_first",
+  "unk_token": "<unk>",
+  "use_default_system_prompt": false
+}