ruslan137
/

embed-model

Safetensors

gemma3_text

Model card Files Files and versions

xet

Community

ruslan137 commited on Jun 1

Commit

cdc1e9d

verified ·

1 Parent(s): 780adda

Delete README.md

Browse files

Files changed (1) hide show

README.md +0 -632

README.md DELETED Viewed

@@ -1,632 +0,0 @@
----
-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.*
--->