Update README.md

362d60c verified 12 months ago

31 kB

	---
	language:
	- tr
	license: apache-2.0
	tags:
	- sentence-transformers
	- sentence-similarity
	- feature-extraction
	- generated_from_trainer
	- dataset_size:215676
	- loss:MatryoshkaLoss
	- loss:CachedMultipleNegativesRankingLoss
	base_model: BAAI/bge-m3
	widget:
	- source_sentence: Ortak Havuz Tarifesi kapsamında her bir hat için aylık sabit ücret
	25,5 TL olarak belirlenmiştir ve bu ücret KDV ile ÖİV dahil olarak hesaplanmıştır.
	sentences:
	- Vodafone'un Ortak Havuz Tarifesi, müşterilere ücretsiz olarak sunulmaktadır ve
	herhangi bir sabit ücret talep edilmemektedir.
	- Her bir hat için Ortak Havuz Tarifesi'nin aylık sabit ücreti, vergiler dahil 25,5
	TL'dir.
	- Geleceğin Karakartalı, Vodafone ve Beşiktaş JK'nin ortak çalışmasıyla genç futbol
	yeteneklerini Türkiye çapında keşfetmeyi hedefleyen bir projedir.
	- source_sentence: Taşınma durumunda, teknik altyapı eksikliği nedeniyle Vodafone
	Evde Fiber İnternet hizmeti sağlanamazsa, cezai işlem uygulanmaz ve alternatif
	hizmetlere geçiş yapılabilir.
	sentences:
	- Vodafone faturasız tarifelerinde, yenileme gününde yeterli bakiye bulunmuyorsa
	içerikler yenilenmez, ancak daha önce yüklenen içerikler bakiye olmadan kullanılabilir.
	- Vodafone Evde Fiber İnternet hizmeti taşınma sırasında altyapı eksikliği nedeniyle
	sağlanamazsa, aboneye ceza uygulanır ve alternatif hizmet sunulmaz.
	- Vodafone Evde Fiber İnternet hizmeti taşınma sırasında altyapı eksikliği nedeniyle
	sağlanamazsa, aboneye cezai işlem uygulanmaz ve ADSL veya Fiber Hız hizmetine
	geçiş yapılabilir.
	- source_sentence: Tarife kapsamında sunulan dakika, SMS ve internet hakları, belirli
	bir limitin aşılması durumunda ek paketlerle ücretlendirilir.
	sentences:
	- Vodafone'un tarifelerinde aşım durumunda ek paketler yerine ücretsiz kullanım
	hakkı sunulmaktadır.
	- Vodafone'un geçmiş kampanyalarında, Samsung Note 3 Neo en pahalı cihazlardan biri
	olarak müşterilere sunulmuştur.
	- Uyumlu 5 Tarifesi'nde verilen dakika, SMS ve internet hakları bittiğinde, ek paketler
	devreye girerek avantajlı fiyatlarla ücretlendirme yapılır.
	- source_sentence: Mobil numara taşınabilirliği olan ülkelerdeki Vodafone operatörlerine
	yapılan aramalarda, diğer mobil operatörlerin prefikslerini içeren numaralar indirimli
	tarifeden yararlanamaz.
	sentences:
	- Vodafone operatörlerine yapılan aramalarda, mobil numara taşınabilirliği olan
	ülkelerdeki diğer operatörlerin prefikslerini içeren numaralar indirimli fiyatlara
	dahil edilmez.
	- Vodafone'un tarifelerinde ücretsiz pass paketi yer almazken, Her Şey Dahil Pasaport
	paketi ücretli olarak sunulmaktadır.
	- Dünya Küçük Kurumsal tarifesi, yurtdışı aramalar için tüm numaralara eşit fiyatlandırma
	sunar ve prefiks kısıtlaması içermez.
	- source_sentence: Vodafone hattınızın aktivasyonu sırasında eksik evraklarınızın
	tamamlanması gerektiği belirtilmiştir. Hattınızın iptal olmaması için 3 gün içinde
	Vodafone mağazasını ziyaret etmeniz önemlidir.
	sentences:
	- Vodafone, boşanmış annelerin çocuklarına gençlik tarifesi tanımlaması için kimlik
	doğrulama ve kullanıcı tanımlama süreçlerini Cep Merkezlerinde gerçekleştirmektedir.
	- Vodafone hattınızın aktivasyonu sırasında herhangi bir evrak eksikliği bulunmamaktadır.
	Hattınız otomatik olarak aktif hale gelecektir.
	- Vodafone hattınızın aktif hale gelebilmesi için eksik olan abonelik sözleşmesi
	ve kimlik belgelerinizi tamamlamanız gerekmektedir. Bu işlemi 3 gün içinde Vodafone
	mağazasında gerçekleştirebilirsiniz.
	datasets:
	- seroe/vodex-turkish-triplets-large
	pipeline_tag: sentence-similarity
	library_name: sentence-transformers
	metrics:
	- cosine_accuracy
	model-index:
	- name: BGE-M3 Türkçe Triplet Matryoshka
	results:
	- task:
	type: triplet
	name: Triplet
	dataset:
	name: tr triplet dev 1024d
	type: tr-triplet-dev-1024d
	metrics:
	- type: cosine_accuracy
	value: 0.9979135394096375
	name: Cosine Accuracy
	- task:
	type: triplet
	name: Triplet
	dataset:
	name: tr triplet dev 768d
	type: tr-triplet-dev-768d
	metrics:
	- type: cosine_accuracy
	value: 0.9978300929069519
	name: Cosine Accuracy
	- task:
	type: triplet
	name: Triplet
	dataset:
	name: tr triplet dev 512d
	type: tr-triplet-dev-512d
	metrics:
	- type: cosine_accuracy
	value: 0.9977466464042664
	name: Cosine Accuracy
	- task:
	type: triplet
	name: Triplet
	dataset:
	name: tr triplet dev 256d
	type: tr-triplet-dev-256d
	metrics:
	- type: cosine_accuracy
	value: 0.9974962472915649
	name: Cosine Accuracy
	- task:
	type: triplet
	name: Triplet
	dataset:
	name: all nli test 1024d
	type: all-nli-test-1024d
	metrics:
	- type: cosine_accuracy
	value: 0.9980804324150085
	name: Cosine Accuracy
	- task:
	type: triplet
	name: Triplet
	dataset:
	name: all nli test 768d
	type: all-nli-test-768d
	metrics:
	- type: cosine_accuracy
	value: 0.9980804324150085
	name: Cosine Accuracy
	- task:
	type: triplet
	name: Triplet
	dataset:
	name: all nli test 512d
	type: all-nli-test-512d
	metrics:
	- type: cosine_accuracy
	value: 0.9981639385223389
	name: Cosine Accuracy
	- task:
	type: triplet
	name: Triplet
	dataset:
	name: all nli test 256d
	type: all-nli-test-256d
	metrics:
	- type: cosine_accuracy
	value: 0.997996985912323
	name: Cosine Accuracy
	---

	# BGE-M3 Türkçe Triplet Matryoshka

	This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [BAAI/bge-m3](https://huggingface.co/BAAI/bge-m3) on the [vodex-turkish-triplets-large](https://huggingface.co/datasets/seroe/vodex-turkish-triplets-large) dataset. It maps sentences & paragraphs to a 1024-dimensional dense vector space and can be used for semantic textual similarity, semantic search, paraphrase mining, text classification, clustering, and more.

	## Model Details

	## ⚠️ Domain-Specific Warning

	This model was fine-tuned on Turkish data specifically sourced from the telecommunications domain.
	While it performs well on telecom-related tasks such as mobile services, billing, campaigns, and subscription details, it may not generalize well to other domains.
	Please assess its performance carefully before applying it outside of telecommunications use cases.


	### Model Description
	- Model Type: Sentence Transformer
	- Base model: [BAAI/bge-m3](https://huggingface.co/BAAI/bge-m3) <!-- at revision 5617a9f61b028005a4858fdac845db406aefb181 -->
	- Maximum Sequence Length: 8192 tokens
	- Output Dimensionality: 1024 dimensions
	- Similarity Function: Cosine Similarity
	- Training Dataset:
	- [vodex-turkish-triplets-large](https://huggingface.co/datasets/seroe/vodex-turkish-triplets-large)
	- Language: tr
	- License: apache-2.0

	### Model Sources

	- Documentation: [Sentence Transformers Documentation](https://sbert.net)
	- Repository: [Sentence Transformers on GitHub](https://github.com/UKPLab/sentence-transformers)
	- Hugging Face: [Sentence Transformers on Hugging Face](https://huggingface.co/models?library=sentence-transformers)

	### Full Model Architecture

	```
	SentenceTransformer(
	(0): Transformer({'max_seq_length': 8192, 'do_lower_case': False}) with Transformer model: XLMRobertaModel
	(1): Pooling({'word_embedding_dimension': 1024, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
	(2): Normalize()
	)
	```

	## Usage

	### Direct Usage (Sentence Transformers)

	First install the Sentence Transformers library:

	```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("seroe/bge-m3-turkish-triplet-matryoshka-v2")
	# Run inference
	sentences = [
	'Vodafone hattınızın aktivasyonu sırasında eksik evraklarınızın tamamlanması gerektiği belirtilmiştir. Hattınızın iptal olmaması için 3 gün içinde Vodafone mağazasını ziyaret etmeniz önemlidir.',
	'Vodafone hattınızın aktif hale gelebilmesi için eksik olan abonelik sözleşmesi ve kimlik belgelerinizi tamamlamanız gerekmektedir. Bu işlemi 3 gün içinde Vodafone mağazasında gerçekleştirebilirsiniz.',
	'Vodafone hattınızın aktivasyonu sırasında herhangi bir evrak eksikliği bulunmamaktadır. Hattınız otomatik olarak aktif hale gelecektir.',
	]
	embeddings = model.encode(sentences)
	print(embeddings.shape)
	# [3, 1024]

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

	<!--
	### 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.
	-->

	## Evaluation

	### Metrics

	#### Triplet

	* Datasets: `tr-triplet-dev-1024d` and `all-nli-test-1024d`
	* Evaluated with [<code>TripletEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.TripletEvaluator) with these parameters:
	```json
	{
	"truncate_dim": 1024
	}
	```

	\| Metric \| tr-triplet-dev-1024d \| all-nli-test-1024d \|
	\|:--------------------\|:---------------------\|:-------------------\|
	\| cosine_accuracy \| 0.9979 \| 0.9981 \|

	#### Triplet

	* Datasets: `tr-triplet-dev-768d` and `all-nli-test-768d`
	* Evaluated with [<code>TripletEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.TripletEvaluator) with these parameters:
	```json
	{
	"truncate_dim": 768
	}
	```

	\| Metric \| tr-triplet-dev-768d \| all-nli-test-768d \|
	\|:--------------------\|:--------------------\|:------------------\|
	\| cosine_accuracy \| 0.9978 \| 0.9981 \|

	#### Triplet

	* Datasets: `tr-triplet-dev-512d` and `all-nli-test-512d`
	* Evaluated with [<code>TripletEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.TripletEvaluator) with these parameters:
	```json
	{
	"truncate_dim": 512
	}
	```

	\| Metric \| tr-triplet-dev-512d \| all-nli-test-512d \|
	\|:--------------------\|:--------------------\|:------------------\|
	\| cosine_accuracy \| 0.9977 \| 0.9982 \|

	#### Triplet

	* Datasets: `tr-triplet-dev-256d` and `all-nli-test-256d`
	* Evaluated with [<code>TripletEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.TripletEvaluator) with these parameters:
	```json
	{
	"truncate_dim": 256
	}
	```

	\| Metric \| tr-triplet-dev-256d \| all-nli-test-256d \|
	\|:--------------------\|:--------------------\|:------------------\|
	\| cosine_accuracy \| 0.9975 \| 0.998 \|

	<!--
	## 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

	#### vodex-turkish-triplets-large

	* Dataset: [vodex-turkish-triplets-large](https://huggingface.co/datasets/seroe/vodex-turkish-triplets-large) at [1fe9d63](https://huggingface.co/datasets/seroe/vodex-turkish-triplets-large/tree/1fe9d63490a69cb96da6b76f4bff1a43c48cbdee)
	* Size: 215,676 training samples
	* Columns: <code>query</code>, <code>positive</code>, and <code>negative</code>
	* Approximate statistics based on the first 1000 samples:
	\| \| query \| positive \| negative \|
	\|:--------\|:-----------------------------------------------------------------------------------\|:-----------------------------------------------------------------------------------\|:-----------------------------------------------------------------------------------\|
	\| type \| string \| string \| string \|
	\| details \| <ul><li>min: 15 tokens</li><li>mean: 30.74 tokens</li><li>max: 61 tokens</li></ul> \| <ul><li>min: 16 tokens</li><li>mean: 31.79 tokens</li><li>max: 62 tokens</li></ul> \| <ul><li>min: 12 tokens</li><li>mean: 25.79 tokens</li><li>max: 53 tokens</li></ul> \|
	* Samples:
	\| query \| positive \| negative \|
	\|:--------------------------------------------------------------------------------------------------------------------------------\|:--------------------------------------------------------------------------------------------------------------------------------\|:-------------------------------------------------------------------------------------------------------------------------------------------\|
	\| <code>Vodafone'un Mobil Form Servisi, 12 Şubat 2021 itibarıyla yeni müşteri alımına kapatılmıştır.</code> \| <code>12 Şubat 2021 tarihinden itibaren Vodafone'un Mobil Form Servisi yeni kullanıcılar için erişime kapatılmıştır.</code> \| <code>Mobil Form Servisi, 2022 yılında yeni müşterilere açılmıştır ve aktif olarak kullanılmaktadır.</code> \|
	\| <code>Paket, VOIP ve P2P gibi hizmetleri desteklemez ve cihazın 4.5G/3G ayarlarının yapılmış olması gereklidir.</code> \| <code>Vodafone'un paketi, VOIP ve P2P hizmetlerini içermez ve cihazın 4.5G/3G bağlantı ayarlarının aktif olması gerekir.</code> \| <code>Paket, VOIP ve P2P hizmetlerini tamamen destekler ve cihaz ayarlarına gerek olmadan kullanılabilir.</code> \|
	\| <code>Vodafone'un bireysel esnaf tarifeleri, farklı meslek gruplarına özel paket seçenekleriyle geniş bir yelpaze sunar.</code> \| <code>Bireysel esnaf tarifeleri, Vodafone tarafından çeşitli meslek gruplarına uygun paketlerle desteklenmektedir.</code> \| <code>Vodafone'un bireysel esnaf tarifeleri, yalnızca belirli bir meslek grubuna hitap eder ve diğer meslekler için uygun değildir.</code> \|
	* Loss: [<code>MatryoshkaLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#matryoshkaloss) with these parameters:
	```json
	{
	"loss": "CachedMultipleNegativesRankingLoss",
	"matryoshka_dims": [
	1024,
	768,
	512,
	256
	],
	"matryoshka_weights": [
	1,
	1,
	1,
	1
	],
	"n_dims_per_step": -1
	}
	```

	### Evaluation Dataset

	#### vodex-turkish-triplets-large

	* Dataset: [vodex-turkish-triplets-large](https://huggingface.co/datasets/seroe/vodex-turkish-triplets-large) at [1fe9d63](https://huggingface.co/datasets/seroe/vodex-turkish-triplets-large/tree/1fe9d63490a69cb96da6b76f4bff1a43c48cbdee)
	* Size: 11,982 evaluation samples
	* Columns: <code>query</code>, <code>positive</code>, and <code>negative</code>
	* Approximate statistics based on the first 1000 samples:
	\| \| query \| positive \| negative \|
	\|:--------\|:-----------------------------------------------------------------------------------\|:-----------------------------------------------------------------------------------\|:-----------------------------------------------------------------------------------\|
	\| type \| string \| string \| string \|
	\| details \| <ul><li>min: 16 tokens</li><li>mean: 31.25 tokens</li><li>max: 62 tokens</li></ul> \| <ul><li>min: 15 tokens</li><li>mean: 32.27 tokens</li><li>max: 63 tokens</li></ul> \| <ul><li>min: 13 tokens</li><li>mean: 25.83 tokens</li><li>max: 60 tokens</li></ul> \|
	* Samples:
	\| query \| positive \| negative \|
	\|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------\|:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------\|:----------------------------------------------------------------------------------------------------------------------------------------------------------------\|
	\| <code>Vodafone'un 'Yarına Hazır Cihaz Kampanyaları' kapsamında farklı marka ve modellerde cihazlar, çeşitli depolama seçenekleri ve renk alternatifleriyle sunulmaktadır.</code> \| <code>Vodafone'un cihaz kampanyaları, geniş ürün yelpazesiyle farklı depolama kapasiteleri ve renk seçenekleri sunarak kullanıcıların ihtiyaçlarına hitap etmektedir.</code> \| <code>Vodafone'un cihaz kampanyaları yalnızca belirli bir marka ve modelle sınırlıdır, diğer seçenekler sunulmamaktadır.</code> \|
	\| <code>Devreden ve duran tarifeler, kullanıcıların kullanılmayan internet haklarını bir sonraki döneme taşımasına olanak tanır ve ek paketlerle bu haklar genişletilebilir.</code> \| <code>Kullanıcılar, devreden ve duran tarifeler sayesinde kullanılmayan internet haklarını bir sonraki aya aktarabilir ve ek paketlerle bu haklarını artırabilir.</code> \| <code>Devreden ve duran tarifeler, kullanıcıların internet haklarını bir sonraki döneme taşımasına izin vermez, yalnızca mevcut dönemde kullanım sağlar.</code> \|
	\| <code>Cebinize Uyan İnternet kampanyası, numara taşıma, yeni hat tesisi veya tarifeler arası geçiş yapan abonelere otomatik olarak tanımlanır. Bu haklar, diğer promosyonlardan sonra kullanılabilir.</code> \| <code>Vodafone'un kampanyası, numara taşıma, yeni hat açma veya tarifeler arası geçiş yapan abonelere otomatik olarak tanımlanır ve kullanım sırası diğer promosyonlardan sonra gelir.</code> \| <code>Evcil hayvan sahiplenme kampanyasında, yeni bir evcil hayvan edinen kişilere ücretsiz mama ve bakım hizmeti sunulur.</code> \|
	* Loss: [<code>MatryoshkaLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#matryoshkaloss) with these parameters:
	```json
	{
	"loss": "CachedMultipleNegativesRankingLoss",
	"matryoshka_dims": [
	1024,
	768,
	512,
	256
	],
	"matryoshka_weights": [
	1,
	1,
	1,
	1
	],
	"n_dims_per_step": -1
	}
	```

	### Training Hyperparameters
	#### Non-Default Hyperparameters

	- `eval_strategy`: steps
	- `per_device_train_batch_size`: 2048
	- `per_device_eval_batch_size`: 256
	- `weight_decay`: 0.01
	- `num_train_epochs`: 1
	- `lr_scheduler_type`: cosine
	- `warmup_ratio`: 0.05
	- `save_only_model`: True
	- `bf16`: True
	- `batch_sampler`: no_duplicates

	#### All Hyperparameters
	<details><summary>Click to expand</summary>

	- `overwrite_output_dir`: False
	- `do_predict`: False
	- `eval_strategy`: steps
	- `prediction_loss_only`: True
	- `per_device_train_batch_size`: 2048
	- `per_device_eval_batch_size`: 256
	- `per_gpu_train_batch_size`: None
	- `per_gpu_eval_batch_size`: None
	- `gradient_accumulation_steps`: 1
	- `eval_accumulation_steps`: None
	- `torch_empty_cache_steps`: None
	- `learning_rate`: 5e-05
	- `weight_decay`: 0.01
	- `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`: cosine
	- `lr_scheduler_kwargs`: {}
	- `warmup_ratio`: 0.05
	- `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`: True
	- `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`: True
	- `fp16`: False
	- `fp16_opt_level`: O1
	- `half_precision_backend`: auto
	- `bf16_full_eval`: False
	- `fp16_full_eval`: False
	- `tf32`: None
	- `local_rank`: 0
	- `ddp_backend`: None
	- `tpu_num_cores`: None
	- `tpu_metrics_debug`: False
	- `debug`: []
	- `dataloader_drop_last`: False
	- `dataloader_num_workers`: 0
	- `dataloader_prefetch_factor`: None
	- `past_index`: -1
	- `disable_tqdm`: False
	- `remove_unused_columns`: True
	- `label_names`: None
	- `load_best_model_at_end`: False
	- `ignore_data_skip`: False
	- `fsdp`: []
	- `fsdp_min_num_params`: 0
	- `fsdp_config`: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
	- `fsdp_transformer_layer_cls_to_wrap`: None
	- `accelerator_config`: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
	- `deepspeed`: None
	- `label_smoothing_factor`: 0.0
	- `optim`: adamw_torch
	- `optim_args`: None
	- `adafactor`: False
	- `group_by_length`: False
	- `length_column_name`: length
	- `ddp_find_unused_parameters`: None
	- `ddp_bucket_cap_mb`: None
	- `ddp_broadcast_buffers`: False
	- `dataloader_pin_memory`: True
	- `dataloader_persistent_workers`: False
	- `skip_memory_metrics`: True
	- `use_legacy_prediction_loop`: False
	- `push_to_hub`: False
	- `resume_from_checkpoint`: None
	- `hub_model_id`: None
	- `hub_strategy`: every_save
	- `hub_private_repo`: None
	- `hub_always_push`: False
	- `gradient_checkpointing`: False
	- `gradient_checkpointing_kwargs`: None
	- `include_inputs_for_metrics`: False
	- `include_for_metrics`: []
	- `eval_do_concat_batches`: True
	- `fp16_backend`: auto
	- `push_to_hub_model_id`: None
	- `push_to_hub_organization`: None
	- `mp_parameters`:
	- `auto_find_batch_size`: False
	- `full_determinism`: False
	- `torchdynamo`: None
	- `ray_scope`: last
	- `ddp_timeout`: 1800
	- `torch_compile`: False
	- `torch_compile_backend`: None
	- `torch_compile_mode`: None
	- `include_tokens_per_second`: False
	- `include_num_input_tokens_seen`: False
	- `neftune_noise_alpha`: None
	- `optim_target_modules`: None
	- `batch_eval_metrics`: False
	- `eval_on_start`: False
	- `use_liger_kernel`: False
	- `eval_use_gather_object`: False
	- `average_tokens_across_devices`: False
	- `prompts`: None
	- `batch_sampler`: no_duplicates
	- `multi_dataset_batch_sampler`: proportional

	</details>

	### Training Logs
	\| Epoch \| Step \| Training Loss \| Validation Loss \| tr-triplet-dev-1024d_cosine_accuracy \| tr-triplet-dev-768d_cosine_accuracy \| tr-triplet-dev-512d_cosine_accuracy \| tr-triplet-dev-256d_cosine_accuracy \| all-nli-test-1024d_cosine_accuracy \| all-nli-test-768d_cosine_accuracy \| all-nli-test-512d_cosine_accuracy \| all-nli-test-256d_cosine_accuracy \|
	\|:------:\|:----:\|:-------------:\|:---------------:\|:------------------------------------:\|:-----------------------------------:\|:-----------------------------------:\|:-----------------------------------:\|:----------------------------------:\|:---------------------------------:\|:---------------------------------:\|:---------------------------------:\|
	\| -1 \| -1 \| - \| - \| 0.9642 \| 0.9639 \| 0.9632 \| 0.9601 \| - \| - \| - \| - \|
	\| 0.1132 \| 12 \| 3.8771 \| 0.2379 \| 0.9933 \| 0.9932 \| 0.9930 \| 0.9915 \| - \| - \| - \| - \|
	\| 0.2264 \| 24 \| 1.0195 \| 0.1654 \| 0.9960 \| 0.9957 \| 0.9958 \| 0.9952 \| - \| - \| - \| - \|
	\| 0.3396 \| 36 \| 0.8059 \| 0.1331 \| 0.9972 \| 0.9972 \| 0.9971 \| 0.9971 \| - \| - \| - \| - \|
	\| 0.4528 \| 48 \| 0.7153 \| 0.1198 \| 0.9978 \| 0.9977 \| 0.9977 \| 0.9973 \| - \| - \| - \| - \|
	\| 0.5660 \| 60 \| 0.6498 \| 0.1131 \| 0.9980 \| 0.9977 \| 0.9977 \| 0.9975 \| - \| - \| - \| - \|
	\| 0.6792 \| 72 \| 0.6456 \| 0.1091 \| 0.9977 \| 0.9976 \| 0.9977 \| 0.9975 \| - \| - \| - \| - \|
	\| 0.7925 \| 84 \| 0.6407 \| 0.1077 \| 0.9977 \| 0.9977 \| 0.9977 \| 0.9974 \| - \| - \| - \| - \|
	\| 0.9057 \| 96 \| 0.6055 \| 0.1056 \| 0.9979 \| 0.9978 \| 0.9977 \| 0.9975 \| - \| - \| - \| - \|
	\| -1 \| -1 \| - \| - \| - \| - \| - \| - \| 0.9981 \| 0.9981 \| 0.9982 \| 0.9980 \|


	### Framework Versions
	- Python: 3.10.12
	- Sentence Transformers: 4.2.0.dev0
	- Transformers: 4.52.3
	- PyTorch: 2.7.0+cu126
	- Accelerate: 1.7.0
	- Datasets: 3.6.0
	- Tokenizers: 0.21.1

	## 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",
	}
	```

	#### MatryoshkaLoss
	```bibtex
	@misc{kusupati2024matryoshka,
	title={Matryoshka Representation Learning},
	author={Aditya Kusupati and Gantavya Bhatt and Aniket Rege and Matthew Wallingford and Aditya Sinha and Vivek Ramanujan and William Howard-Snyder and Kaifeng Chen and Sham Kakade and Prateek Jain and Ali Farhadi},
	year={2024},
	eprint={2205.13147},
	archivePrefix={arXiv},
	primaryClass={cs.LG}
	}
	```

	#### CachedMultipleNegativesRankingLoss
	```bibtex
	@misc{gao2021scaling,
	title={Scaling Deep Contrastive Learning Batch Size under Memory Limited Setup},
	author={Luyu Gao and Yunyi Zhang and Jiawei Han and Jamie Callan},
	year={2021},
	eprint={2101.06983},
	archivePrefix={arXiv},
	primaryClass={cs.LG}
	}
	```

	<!--
	## 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.
	-->