Add new SentenceTransformer model

1f88efa verified 2 months ago

84.6 kB

	---
	tags:
	- sentence-transformers
	- sentence-similarity
	- feature-extraction
	- generated_from_trainer
	- dataset_size:48868
	- loss:ContrastiveLoss
	base_model: sergeyzh/rubert-tiny-turbo
	widget:
	- source_sentence: 'помоги подобрать игровой смартфон

	с оперативной памятью больше 16 гб и ценой до 10 тысяч рублей'
	sentences:
	- '{''long_web_name'': ''Процессор AMD Ryzen 9 7900X OEM'', ''price'': 39253.0,
	''url'': ''https://megamarket.ru/catalog/details/processor-amd-ryzen-9-7900x-am5-oem-600009583854/'',
	''image_link'': ''https://main-cdn.sbermegamarket.ru/mid9/hlr-system/-12/185/447/212/112/35/600009583854b0.jpeg'',
	''id'': ''600009583854_170473'', ''description'': ''Процессор AMD Ryzen 9 7900X
	– это мощное решение для игровых систем и рабочих станций. В основе модели используются
	высококачественные компоненты и передовые технологии, что в связке с большим числом
	физических ядер и виртуальных потоков может обеспечить непревзойденно высокую
	вычислительную мощность в любых сценариях использования компьютера.Поддерживаемые
	AMD Ryzen 9 7900X частоты могут варьироваться от 4.7 до 5.6 ГГц. Благодаря этому,
	а также свободному множителю данная модель отличается высоким уровнем быстродействия
	и большим потенциалом для его дальнейшего развития.Объем поддерживаемой временной
	памяти может достигать 128 ГБ. Также вычислительный модуль поддерживает работу
	с интерфейсом PCI-E 5 поколения, что открывает широкие возможности для создания
	бескомпромиссной компьютерной системы для работы и развлечений.Помимо высокой
	производительности процессор также отличается тепловыделением, которое не превышает
	170 Вт. Для охлаждения могут использоваться как воздушные, так и водяные системы.
	Установка на материнскую плату производится при помощи сокета AM5.'', ''rating'':
	4.84, ''review_count'': 79}'
	- '{''long_web_name'': ''Аксессуар для видеокарты NVIDIA RTX LOW PROFILE BRACKET
	A2000'', ''price'': 783.0, ''url'': ''https://megamarket.ru/catalog/details/planka-dlya-videokarty-rtx-low-profile-bracket-a2000-12gb-nvidia-100046937787/'',
	''image_link'': ''https://main-cdn.sbermegamarket.ru/mid9/hlr-system/109/972/170/425/191/5/100046937787b0.jpg'',
	''id'': ''100046937787'', ''description'': '''', ''rating'': 0.0, ''review_count'':
	0}'
	- '{''long_web_name'': ''Миксер Kitfort KT-1343-1'', ''price'': 13770.0, ''url'':
	''https://megamarket.ru/catalog/details/mikser-kitfort-kt-1343-1-100024025979/'',
	''image_link'': ''https://main-cdn.sbermegamarket.ru/mid9/hlr-system/1696368414/100024025979b0.jpg'',
	''id'': ''100024025979'', ''description'': ''Ультрасовременный и мощный стационарный
	планетарный миксер Kitfort КТ-1343-1 поможет вам смешать ингредиенты, взбить яйца
	или сливки, приготовить картофельное пюре, соус, крем, мусс, замесить жидкое тесто
	для блинов и тугое тесто для пельменей и пирогов.'', ''rating'': 4.87, ''review_count'':
	168}'
	- source_sentence: Найди смартфон от 50-ти тысяч до 30к рублей
	sentences:
	- '{''long_web_name'': ''Конверт для компакт-дисков, 8 шт'', ''price'': 207.0, ''url'':
	''https://megamarket.ru/catalog/details/konvert-dlya-kompakt-diskov-8-sht-600003175886/'',
	''image_link'': ''https://main-cdn.sbermegamarket.ru/mid9/hlr-system/-13/734/904/142/101/213/600003175886b0.jpeg'',
	''id'': ''600003175886_1022'', ''description'': '''', ''rating'': 4.72, ''review_count'':
	14}'
	- '{''long_web_name'': ''Ультрабук Huawei MateBook D 14 Gray (NbD-WDI9)'', ''price'':
	44940.0, ''url'': ''https://megamarket.ru/catalog/details/i-nb-huawei-nbd-wdi9-1115g4-8-256gb-sg-100055338519/'',
	''image_link'': ''https://main-cdn.sbermegamarket.ru/mid9/hlr-system/870/310/738/102/122/9/100055338519b0.jpg'',
	''id'': ''100055338519'', ''description'': ''<p>Ультрабук Huawei MateBook D 14
	i3 1115G4/8/256Gb DOS Space Gray (NbD-WDI9) — это мощный портативный компьютер,
	который легко помещается в сумку или рюкзак. Его удобно брать с собой в офис,
	университет или путешествие.</p>\n<h2>Помогает работать продуктивнее</h2>\n<p>Устройство
	оснащено процессором Intel Core i3 1115G4 с двумя ядрами и тактовой частотой 4,1
	ГГц. Оперативная память объемом 8 Гб обеспечивает стабильную работу даже при запуске
	нескольких приложений одновременно. Другие технические параметры:</p>\n<ul>\n<li>внутренний
	накопитель SSD на 256 Гб позволяет хранить большое количество файлов;</li>\n<li>матрица
	IPS с разрешением Full HD дает четкое изображение;</li>\n<li>веб-камера 720p HD
	передает качественную картинку;</li>\n<li>емкий аккумулятор на 56 Вт·ч обеспечивает
	автономную работу в течение 10,5 часов.</li>\n</ul>\n<p>Корпус выполнен из алюминия
	— прочного материала, устойчивого к механическим повреждениям. Устройство весит
	всего 1,3 кг, а толщина составляет 1,6 см — оно не занимает много места в сумке.
	На задней панели расположен сканер отпечатков пальцев — для быстрого входа в систему.</p>'',
	''rating'': 4.72, ''review_count'': 50}'
	- '{''long_web_name'': ''Смартфон Xiaomi Redmi 13C 4/128GB Glacier White'', ''price'':
	13490.0, ''description'': '''', ''rating'': 3.9, ''review_count'': 10}'
	- source_sentence: Покажи самсунг до 50к
	sentences:
	- '{''long_web_name'': ''Powerline-адаптер TP-Link TL-WPA4220KIT(EU)'', ''price'':
	6169.0, ''url'': ''https://megamarket.ru/catalog/details/powerline-adapter-tp-link-tl-wpa4220kit-eu--100000031379/'',
	''image_link'': ''https://main-cdn.sbermegamarket.ru/mid9/hlr-system/1696368/100000031379b0.jpg'',
	''id'': ''100000031379'', ''description'': ''<p>TP-Link TL-WPA4220KIT — Powerline-адаптер,
	с помощью которого можно расширить зону охвата интернет-сети в доме или офисе.
	Устройство использует для этого электропроводку. Все, что от вас требуется:</p><ul><li>вставить
	адаптер, подключенный к интернету, в ближайшую розетку;</li><li>подключить дополнительный
	адаптер к компьютеру, телевизору, игровой приставке с помощью кабеля Ethernet
	либо по Wi-Fi.</li></ul><p>Устройство обеспечивает передачу данных на расстояние
	до 300 метров. Скорость при этом достигает 500 Мбит/с: этого достаточно не только
	для проверки электронного почтового ящика или веб-серфинга, но и для просмотра
	HD-видео по сети.</p><h2>Расширяйте сеть простым нажатием кнопки</h2><p>На корпусе
	адаптера находится кнопка Wi-Fi Clone. Нажмите ее, и устройство автоматически
	скопирует имя сети, а также пароль основного роутера. При дальнейшем использовании
	адаптера вам не нужно будет вводить эти данные, он установит соединение с сетью
	автоматически.</p><h2>Быстрый Wi-Fi</h2><p>Адаптер можно использовать для обеспечения
	соединения по Wi-Fi в удаленных от роутера частях дома или офиса. Скорость передачи
	данных при этом может достигать 300 Мбит/с.</p>'', ''rating'': 4.68, ''review_count'':
	28}'
	- '{''long_web_name'': ''Бокс внешний для жесткого диска UGREEN CM400 10903 USB-C
	to M.2 NGFF 5G'', ''price'': 1743.0, ''url'': ''https://megamarket.ru/catalog/details/boks-vneshniy-dlya-zhestkogo-diska-ugreen-cm400-10903-usb-c-to-m2-ngff-5g-s-kabelem-seryy-600010937220/'',
	''image_link'': ''https://main-cdn.sbermegamarket.ru/mid9/hlr-system/141/145/820/231/381/5/600010937220b0.png'',
	''id'': ''600010937220'', ''description'': ''Вход: Micro USB 3.0 (мама). Выход:
	M.2 B-Key(SATA 3.0). SATA 3.0, скорость до 6 Гбит/с, совместимость с SATA 2.0/1.0.
	Micro USB 3.0, скорость до 5 Гбит/с, совместимость с USB 2.0 и 1.1. Поддержка
	4х размеров (2230/2242/2260/2280) M.2 (NGFF)B -KEY твердотельные накопители. До
	2 ТБ. Поддерживает протокол передачи данных UASP. Защита от короткого замыкания.
	Встроенная схема защиты от электростатического разряда, устойчивая к статическому
	напряжению 4 кВ. Поддержка функции обнаружения S.M.A.R.T. Поддержка функции TRIM.
	Установка без инструментов. Кабель Micro USB 3.0 - USB A. Длина кабеля: 50 см.
	Совместимость с Windows, Mac OS, Linux, Chrome OS, PS4, PS3, Xbox, маршрутизатором,
	телефонами OTG. Алюминиевый корпус. Размер:Д119xШ37xВ12 мм'', ''rating'': 4.12,
	''review_count'': 17}'
	- '{''long_web_name'': ''Смартфон Realme RMX3710 C55 128Gb 6Gb черный моноблок'',
	''price'': 14999.0, ''description'': '''', ''rating'': 4.9, ''review_count'':
	230, ''extra_info'': ''''}'
	- source_sentence: Помоги выбрать утюг для мамы до 15к рублей
	sentences:
	- '{''long_web_name'': ''Защитное стекло на Samsung A52 с рамкой'', ''price'': 307.0,
	''url'': ''https://megamarket.ru/catalog/details/zashitnoe-steklo-na-samsung-a52-s-ramkoy-600014092980/'',
	''image_link'': ''https://main-cdn.sbermegamarket.ru/mid9/hlr-system/157/296/486/423/114/1/600014092980b0.jpg'',
	''id'': ''600014092980'', ''description'': ''<p>Закаленное стекло на Samsung A52
	стекло G-Rhino с черной рамкой - вариант усиленной защиты на весь экран, приближенного
	к материалу Gorilla Glass, неотъемлемая деталь для Вашего смартфона. Химически
	упрочнённое бронь-стекло G Rhino с полной проклейкой, способно сохранить гаджет
	при падении от царапин, сколов, трещин, всевозможных случайных механических повреждений,
	а также защитит от износа и загрязнений, отпечатков пальцев и жирных пятен. Подходит
	под любые виды чехлов и не трескается при длительном использовании. Толщина атрибута
	в несколько раз превосходит традиционную пленку. Благодаря тому, что броне-стекло
	равномерно покрывает всю поверхность телефона, оно плотно приклеивается к дисплею
	и не влияет на его сенсорную чувствительность. Мы рекомендуем устанавливать вместе
	с «бронёй» ударопрочный чехол для продления службы вашей техники. Устанавливается
	максимально просто: достаточно расположить ровно бронестекло, провести пальцем
	по центру, и оно само приклеится, также установка продемонстрирована в видео карточки
	данного товара. В набор входят влажные и сухие салфетки, а также специальные наклейки
	для удаления пыли. Благодаря прочной упаковке, ваш заказ будет доставлен в целостности.
	Также предлагаем посмотреть классическую и керамическую бронезащиту, которые можно
	увидеть в рекомендациях. Если задумываетесь о подарке для близкого Вам человека идеально
	будет приобрести у нас в комплекте бампер(накладка) и защитные стёклышки PRO.
	В нашем магазине самый большой ассортимент аксессуаров для любых смартфонов, мы
	оперативно пополняем наш сайт новинками. Если вы не смогли определиться с выбором,
	то мы всегда ответим Вам в разделе Вопросы.</p>'', ''rating'': 4.2, ''review_count'':
	5}'
	- '{''long_web_name'': ''Чехол-накладка для Xiaomi Redmi 12C черный, Microfiber
	Case, BoraSCO'', ''price'': 486.0, ''url'': ''https://megamarket.ru/catalog/details/chehol-nakladka-dlya-xiaomi-redmi-12c-chernyy-microfiber-case-borasco-600011628021/'',
	''image_link'': ''https://main-cdn.sbermegamarket.ru/mid9/hlr-system/210/478/671/542/416/12/600011628021b0.jpeg'',
	''id'': ''600011628021_14552'', ''description'': ''Удобный и эластичный чехол
	Microfiber Case – идеальное решение для Вашего смартфона. Внутренняя сторона чехла
	из мягкой микрофибры защитит корпус устройства, а внешняя силиконовая поверхность
	с покрытием Soft Touch приятна на ощупь. Чехол точно повторяет контуры телефона,
	плотно прилегает к кнопкам, сохраняя максимальное удобство в управлении. Имеет
	все необходимые отверстия для доступа к функциональным портам, и разъемам смартфона.'',
	''rating'': 0.0, ''review_count'': 0}'
	- '{''long_web_name'': ''Смартфон Samsung Galaxy S23 256GB Black'', ''price'': 67800.0,
	''url'': ''https://megamarket.ru/catalog/details/smartfon-samsung-galaxy-s23-256gb-black-100065875645/'',
	''image_link'': ''https://main-cdn.sbermegamarket.ru/mid9/hlr-system/-31/916/659/281/817/100065875645b0.jpg'',
	''id'': ''100065875645'', ''description'': ''Смартфон Samsung Galaxy S23 256GB
	Black. Восьмиядерный процессор Qualcomm Snapdragon 8 Gen 2 с графическим ускорителем
	Adreno 740 и 8 Гб оперативной памяти. Безрамочный экран диагональю 6,1 дюйма,
	выполненный по технологии Dynamic AMOLED 2X. Разрешение — 2340x1080 пикселей,
	частота обновления — 120 Гц. Плотность пикселей 425 ppi. Стекло Corning Gorilla
	Glass Victus 2 — защищает дисплей от ударов и появления царапин. Технология Dolby
	Atmos — объемный звук в фильмах, играх и при прослушивании музыки. Влагозащита
	по стандарту IP68. Трехмодульная основная камера 50/12/10 Мп с автофокусом, светодиодной
	вспышкой и AI распознаванием сцен — снимает фотографии и записывает видео в условиях
	разного освещения. Фронтальная камера — 12 Мп. Внутреннее хранилище объемом 256
	Гб для установки приложений, хранения медиафайлов и документов. Поддержка двух
	nano-SIM и eSIM. Навигационные системы GPS, ГЛОНАСС, Beidou, Galileo и QZSS —
	позволяют быстро сориентироваться в незнакомом месте, проложить маршрут до нужной
	точки. Встроенные модули Wi-Fi, Bluetooth и NFC — для обмена данными с совместимыми
	устройствами. Время автономной работы — до 70 часов. Аккумулятор 3900 мАч с поддержкой
	быстрой и беспроводной зарядки. Биометрическая защита с авторизацией через распознавание
	лица или отпечаток пальца.'', ''rating'': 5.0, ''review_count'': 24}'
	- source_sentence: расскажи о камерах смартфонов
	sentences:
	- '{''long_web_name'': ''Смартфон Samsung Galaxy S23 FE 256GB Graphite (SM-S711B/DS)'',
	''price'': 51540.0, ''description'': ''<p>Смартфон Samsung Galaxy S23 FE 256GB
	Graphite (SM-S711B/DS) — это мощный гаджет с большим экраном, который позволяет
	смотреть фильмы, играть в игры и общаться с друзьями.</p>\n<h2>Продуманная конструкция</h2>\n<p>Смартфон
	оснащен восьмиядерным процессором Exynos 2200, который обеспечивает высокую производительность.
	Оперативной памяти 8 Гб — этого достаточно для одновременного запуска нескольких
	приложений. Другие параметры:</p>\n<ul>\n<li>IPS-дисплей диагональю 6,4 дюймов
	— изображение выглядит четким и ярким;</li>\n<li>три основные камеры с разрешением
	50, 12 и 8 Мп — позволяют делать качественные снимки;</li>\n<li>фронтальная камера
	на 10 Мп — подходит для селфи;</li>\n<li>емкий аккумулятор на 4500 мА·ч — хватает
	на длительное время работы.</li>\n</ul>\n<p>Смартфон защищен от попадания пыли
	и влаги. Корпус выполнен из пластика — он устойчив к царапинам и потертостям.
	На задней панели расположен сканер отпечатков пальцев.</p>'', ''rating'': 4.8,
	''review_count'': 117, ''extra_info'': ''''}'
	- '{''long_web_name'': ''Смартфон Honor 200 Lite 8/256GB голубой (5109BFBH)'', ''price'':
	21290.0, ''description'': '''', ''rating'': 4.83, ''review_count'': 17}'
	- '{''long_web_name'': ''Накладка силикон для Xiaomi Redmi 5 (оригинальный) прозрачный'',
	''price'': 599.0, ''url'': ''https://megamarket.ru/catalog/details/nakladka-silikon-dlya-xiaomi-redmi-5-originalnyy-prozrachnyy-100057155753/'',
	''image_link'': ''https://main-cdn.sbermegamarket.ru/mid9/hlr-system/-24/417/121/310/276/47/100057155753b0.jpg'',
	''id'': ''100057155753_102580'', ''description'': '''', ''rating'': 0.0, ''review_count'':
	0}'
	pipeline_tag: sentence-similarity
	library_name: sentence-transformers
	metrics:
	- cosine_accuracy
	- cosine_accuracy_threshold
	- cosine_f1
	- cosine_f1_threshold
	- cosine_precision
	- cosine_recall
	- cosine_ap
	model-index:
	- name: SentenceTransformer based on sergeyzh/rubert-tiny-turbo
	results:
	- task:
	type: binary-classification
	name: Binary Classification
	dataset:
	name: item classification
	type: item-classification
	metrics:
	- type: cosine_accuracy
	value: 0.9842829076620825
	name: Cosine Accuracy
	- type: cosine_accuracy_threshold
	value: 0.7253406047821045
	name: Cosine Accuracy Threshold
	- type: cosine_f1
	value: 0.949367088607595
	name: Cosine F1
	- type: cosine_f1_threshold
	value: 0.7253406047821045
	name: Cosine F1 Threshold
	- type: cosine_precision
	value: 0.9297520661157025
	name: Cosine Precision
	- type: cosine_recall
	value: 0.9698275862068966
	name: Cosine Recall
	- type: cosine_ap
	value: 0.9839091724445497
	name: Cosine Ap
	---

	# SentenceTransformer based on sergeyzh/rubert-tiny-turbo

	This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [sergeyzh/rubert-tiny-turbo](https://huggingface.co/sergeyzh/rubert-tiny-turbo). It maps sentences & paragraphs to a 312-dimensional dense vector space and can be used for semantic textual similarity, semantic search, paraphrase mining, text classification, clustering, and more.

	## Model Details

	### Model Description
	- Model Type: Sentence Transformer
	- Base model: [sergeyzh/rubert-tiny-turbo](https://huggingface.co/sergeyzh/rubert-tiny-turbo) <!-- at revision 93769a3baad2b037e5c2e4312fccf6bcfe082bf1 -->
	- Maximum Sequence Length: 2048 tokens
	- Output Dimensionality: 312 dimensions
	- Similarity Function: Cosine Similarity
	<!-- - Training Dataset: Unknown -->
	<!-- - Language: Unknown -->
	<!-- - License: Unknown -->

	### 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': 2048, 'do_lower_case': False}) with Transformer model: BertModel
	(1): Pooling({'word_embedding_dimension': 312, '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("denis-gordeev/reranker_dialog_items_biencoder_rubert-tiny-turbo-5")
	# Run inference
	sentences = [
	'расскажи о камерах смартфонов',
	"{'long_web_name': 'Смартфон Honor 200 Lite 8/256GB голубой (5109BFBH)', 'price': 21290.0, 'description': '', 'rating': 4.83, 'review_count': 17}",
	"{'long_web_name': 'Накладка силикон для Xiaomi Redmi 5 (оригинальный) прозрачный', 'price': 599.0, 'url': 'https://megamarket.ru/catalog/details/nakladka-silikon-dlya-xiaomi-redmi-5-originalnyy-prozrachnyy-100057155753/', 'image_link': 'https://main-cdn.sbermegamarket.ru/mid9/hlr-system/-24/417/121/310/276/47/100057155753b0.jpg', 'id': '100057155753_102580', 'description': '', 'rating': 0.0, 'review_count': 0}",
	]
	embeddings = model.encode(sentences)
	print(embeddings.shape)
	# [3, 312]

	# 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

	#### Binary Classification

	* Dataset: `item-classification`
	* Evaluated with [<code>BinaryClassificationEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.BinaryClassificationEvaluator)

	\| Metric \| Value \|
	\|:--------------------------\|:-----------\|
	\| cosine_accuracy \| 0.9843 \|
	\| cosine_accuracy_threshold \| 0.7253 \|
	\| cosine_f1 \| 0.9494 \|
	\| cosine_f1_threshold \| 0.7253 \|
	\| cosine_precision \| 0.9298 \|
	\| cosine_recall \| 0.9698 \|
	\| cosine_ap \| 0.9839 \|

	<!--
	## 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: 48,868 training samples
	* Columns: <code>anchor</code>, <code>text</code>, and <code>label</code>
	* Approximate statistics based on the first 1000 samples:
	\| \| anchor \| text \| label \|
	\|:--------\|:-----------------------------------------------------------------------------------\|:--------------------------------------------------------------------------------------\|:------------------------------------------------\|
	\| type \| string \| string \| int \|
	\| details \| <ul><li>min: 5 tokens</li><li>mean: 17.78 tokens</li><li>max: 118 tokens</li></ul> \| <ul><li>min: 57 tokens</li><li>mean: 318.85 tokens</li><li>max: 1182 tokens</li></ul> \| <ul><li>0: ~85.50%</li><li>1: ~14.50%</li></ul> \|
	* Samples:
	\| anchor \| text \| label \|
	\|:----------------------------------------------------------------------------------------------------------------------------------------------------------\|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------\|:---------------\|
	\| <code>помоги подобрать внешний аккумулятор, чтобы получить сбербонусы<br>покажи товары</code> \| <code>{'long_web_name': 'Чехол для Xiaomi Battery Case 10000mAh ver.2 Orange', 'price': 195.0, 'url': 'https://megamarket.ru/catalog/details/xiaomi-battery-case-10000mah-ver2-orange-100043272924/', 'image_link': 'https://main-cdn.sbermegamarket.ru/mid9/hlr-system/202/591/442/682/916/55/100043272924b0.jpg', 'id': '100043272924', 'description': '', 'rating': 0.0, 'review_count': 0}</code> \| <code>0</code> \|
	\| <code>Здравствуйте. Мне нужен недорогой смартфон на Android, чтобы можно было легко звонить и писать сообщения внукам. Можете что-то посоветовать?</code> \| <code>{'long_web_name': 'Чистящее средство Topperr 3037', 'price': 417.0, 'url': 'https://megamarket.ru/catalog/details/chistyashee-sredstvo-dlya-kofemashin-topperr-3037-100022709014/', 'image_link': 'https://main-cdn.sbermegamarket.ru/mid9/hlr-system/-16/699/502/081/231/16/100022709014b0.jpg', 'id': '100022709014', 'description': '', 'rating': 4.94, 'review_count': 222}</code> \| <code>0</code> \|
	\| <code>Samsung Galaxy S24</code> \| <code>{'long_web_name': 'Поворотное металлическое крепление на руль мотоцикла велосипеда для экшн камеры GoPro', 'price': 950.0, 'url': 'https://megamarket.ru/catalog/details/kreplenie-nobrand-00000659-600016461568/', 'image_link': 'https://main-cdn.sbermegamarket.ru/mid9/hlr-system/-66/144/792/042/153/1/600016461568b0.png', 'id': '600016461568_81689', 'description': '<p>Это надежный металлический крепеж для рулей и круглых труб небольшого диаметра, до 33мм. Крепление оснащено стандартным U-образным креплением, которое совместимо с экшн камерами GoPro, SjCam, Xiaomi и иных других оснащенных подобным креплением. Есть возможность поворота камеры вокруг своей оси на 360 градусов с фиксацией.</p><p>Благодаря резиновым уплотнителям внутри, крепление надежно держится и не провернется вокруг трубы.</p><p>Крепление затягивается шестигранником, который идет в комплекте. Также в комплекте идет металлический болт для закрепления экшн камеры в U-образном креплении. </p>', 'rating': 0.0, 'review_count': ...</code> \| <code>0</code> \|
	* Loss: [<code>ContrastiveLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#contrastiveloss) with these parameters:
	```json
	{
	"distance_metric": "SiameseDistanceMetric.COSINE_DISTANCE",
	"margin": 0.5,
	"size_average": true
	}
	```

	### Evaluation Dataset

	#### Unnamed Dataset


	* Size: 6,108 evaluation samples
	* Columns: <code>anchor</code>, <code>text</code>, and <code>label</code>
	* Approximate statistics based on the first 1000 samples:
	\| \| anchor \| text \| label \|
	\|:--------\|:------------------------------------------------------------------------------------\|:--------------------------------------------------------------------------------------\|:------------------------------------------------\|
	\| type \| string \| string \| int \|
	\| details \| <ul><li>min: 5 tokens</li><li>mean: 20.51 tokens</li><li>max: 1716 tokens</li></ul> \| <ul><li>min: 53 tokens</li><li>mean: 326.79 tokens</li><li>max: 1182 tokens</li></ul> \| <ul><li>0: ~84.50%</li><li>1: ~15.50%</li></ul> \|
	* Samples:
	\| anchor \| text \| label \|
	\|:--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------\|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------\|:---------------\|
	\| <code>Привет, помоги подобрать ноутбук, на что обратить внимание?<br>Диагональ дисплея хочу 15<br>оеративка от 16гб<br>ссд хотя бы 0.5 тб<br><br>Порекомендуй конкртные товары</code> \| <code>{'long_web_name': 'Ноутбук Azerty RB-1550 Silver (120-0513)', 'price': 25470.0, 'description': 'Ноутбук Azerty RB-1550 обладает достаточной производительностью для решения учебных задач, таких как работа с документами, просмотр веб-страниц, использование электронных учебников и презентаций. Конечно, ведь именно для этого он и предназначен, являясь представителем серии моделей для учёбы Story. - Корпус ноутбука выполнен из твердого полимерного пластика, придающего легкости и прочности. Этот материал обладает высокой устойчивостью к механическим воздействиям, царапинам и потёртостям, а также снижает вес устройства, что делает его удобным для переноски. - Экран ноутбука имеет размер 15,6 дюйма выполнен по технологии IPS, которая обеспечивает хорошее качество изображения, с высокой контрастностью и широким углом обзора. Разрешение экрана составляет 1920x1080 пикселей, что обеспечивает высокую детальность. Антибликовое покрытие экрана помогает снизить нагрузку на зрение при работе в ярко ос...</code> \| <code>0</code> \|
	\| <code>расскажи как выбрать смартфон игровой<br>расскажи о разнице между андроидом и айос подробнее<br>расскажи подробнее об операционной системе</code> \| <code>{'long_web_name': 'Смартфон Honor Honor 90 12/512GB изумрудный зеленый (5109ATRU)', 'price': 33990.0, 'description': '', 'rating': 4.73, 'review_count': 37}</code> \| <code>1</code> \|
	\| <code>Найди самсунг белого цвета в республике башкортостан. Меня зовут Алексей, кстати<br>И до 50к с 8 гб оперативы</code> \| <code>{'long_web_name': 'Защитное стекло Remax Medicine Glass GL-27 3D для iPhone 15, черная рамка 0,3 мм', 'price': 247.0, 'url': 'https://megamarket.ru/catalog/details/zashitnoe-steklo-remax-medicine-glass-gl-27-3d-dlya-iphone-15-chernaya-ramka-03-mm-600013601251/', 'image_link': 'https://main-cdn.sbermegamarket.ru/mid9/hlr-system/811/370/081/107/016/600013601251b0.jpeg', 'id': '600013601251', 'description': 'Защитное стекло для Apple iPhone 15/ Айфон 15, противоударное стекло от сколов и царапин на экран айфона Защитное стекло повторяет контуры экрана на 100% и закрывает его полностью от края до края, не оставляя зазоров. Благодаря наличию цветной рамки оно полностью копирует дизайн лицевой панели телефона и не портит его внешний вид. Комплектация Защитное стекло для iPhone 15/ Айфон 15 Спиртовая салфетка Салфетка из микрофибры Стикеры для удаления пыли Инструкция по наклеиванию Надежная упаковка', 'rating': 4.9, 'review_count': 229}</code> \| <code>0</code> \|
	* Loss: [<code>ContrastiveLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#contrastiveloss) with these parameters:
	```json
	{
	"distance_metric": "SiameseDistanceMetric.COSINE_DISTANCE",
	"margin": 0.5,
	"size_average": true
	}
	```

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

	- `eval_strategy`: steps
	- `num_train_epochs`: 5
	- `warmup_ratio`: 0.1
	- `fp16`: True
	- `load_best_model_at_end`: 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`: 8
	- `per_device_eval_batch_size`: 8
	- `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`: 0.0
	- `adam_beta1`: 0.9
	- `adam_beta2`: 0.999
	- `adam_epsilon`: 1e-08
	- `max_grad_norm`: 1.0
	- `num_train_epochs`: 5
	- `max_steps`: -1
	- `lr_scheduler_type`: linear
	- `lr_scheduler_kwargs`: {}
	- `warmup_ratio`: 0.1
	- `warmup_steps`: 0
	- `log_level`: passive
	- `log_level_replica`: warning
	- `log_on_each_node`: True
	- `logging_nan_inf_filter`: True
	- `save_safetensors`: True
	- `save_on_each_node`: False
	- `save_only_model`: False
	- `restore_callback_states_from_checkpoint`: False
	- `no_cuda`: False
	- `use_cpu`: False
	- `use_mps_device`: False
	- `seed`: 42
	- `data_seed`: None
	- `jit_mode_eval`: False
	- `use_ipex`: False
	- `bf16`: False
	- `fp16`: True
	- `fp16_opt_level`: O1
	- `half_precision_backend`: auto
	- `bf16_full_eval`: False
	- `fp16_full_eval`: False
	- `tf32`: None
	- `local_rank`: 0
	- `ddp_backend`: None
	- `tpu_num_cores`: None
	- `tpu_metrics_debug`: False
	- `debug`: []
	- `dataloader_drop_last`: False
	- `dataloader_num_workers`: 0
	- `dataloader_prefetch_factor`: None
	- `past_index`: -1
	- `disable_tqdm`: False
	- `remove_unused_columns`: True
	- `label_names`: None
	- `load_best_model_at_end`: True
	- `ignore_data_skip`: False
	- `fsdp`: []
	- `fsdp_min_num_params`: 0
	- `fsdp_config`: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
	- `fsdp_transformer_layer_cls_to_wrap`: None
	- `accelerator_config`: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
	- `deepspeed`: None
	- `label_smoothing_factor`: 0.0
	- `optim`: adamw_torch
	- `optim_args`: None
	- `adafactor`: False
	- `group_by_length`: False
	- `length_column_name`: length
	- `ddp_find_unused_parameters`: None
	- `ddp_bucket_cap_mb`: None
	- `ddp_broadcast_buffers`: False
	- `dataloader_pin_memory`: True
	- `dataloader_persistent_workers`: False
	- `skip_memory_metrics`: True
	- `use_legacy_prediction_loop`: False
	- `push_to_hub`: False
	- `resume_from_checkpoint`: None
	- `hub_model_id`: None
	- `hub_strategy`: every_save
	- `hub_private_repo`: None
	- `hub_always_push`: False
	- `gradient_checkpointing`: False
	- `gradient_checkpointing_kwargs`: None
	- `include_inputs_for_metrics`: False
	- `include_for_metrics`: []
	- `eval_do_concat_batches`: True
	- `fp16_backend`: auto
	- `push_to_hub_model_id`: None
	- `push_to_hub_organization`: None
	- `mp_parameters`:
	- `auto_find_batch_size`: False
	- `full_determinism`: False
	- `torchdynamo`: None
	- `ray_scope`: last
	- `ddp_timeout`: 1800
	- `torch_compile`: False
	- `torch_compile_backend`: None
	- `torch_compile_mode`: None
	- `dispatch_batches`: None
	- `split_batches`: None
	- `include_tokens_per_second`: False
	- `include_num_input_tokens_seen`: False
	- `neftune_noise_alpha`: None
	- `optim_target_modules`: None
	- `batch_eval_metrics`: False
	- `eval_on_start`: False
	- `use_liger_kernel`: False
	- `eval_use_gather_object`: False
	- `average_tokens_across_devices`: False
	- `prompts`: None
	- `batch_sampler`: no_duplicates
	- `multi_dataset_batch_sampler`: proportional

	</details>

	### Training Logs
	<details><summary>Click to expand</summary>

	\| Epoch \| Step \| Training Loss \| Validation Loss \| item-classification_cosine_ap \|
	\|:----------:\|:---------:\|:-------------:\|:---------------:\|:-----------------------------:\|
	\| 0 \| 0 \| - \| 0.0241 \| 0.3377 \|
	\| 0.0164 \| 100 \| 0.0182 \| - \| - \|
	\| 0.0327 \| 200 \| 0.0137 \| - \| - \|
	\| 0.0409 \| 250 \| - \| 0.0128 \| 0.4945 \|
	\| 0.0491 \| 300 \| 0.0135 \| - \| - \|
	\| 0.0655 \| 400 \| 0.0132 \| - \| - \|
	\| 0.0818 \| 500 \| 0.0098 \| 0.0092 \| 0.7161 \|
	\| 0.0982 \| 600 \| 0.0084 \| - \| - \|
	\| 0.1146 \| 700 \| 0.0084 \| - \| - \|
	\| 0.1228 \| 750 \| - \| 0.0059 \| 0.7971 \|
	\| 0.1310 \| 800 \| 0.0074 \| - \| - \|
	\| 0.1473 \| 900 \| 0.0072 \| - \| - \|
	\| 0.1637 \| 1000 \| 0.0059 \| 0.0050 \| 0.8319 \|
	\| 0.1801 \| 1100 \| 0.0054 \| - \| - \|
	\| 0.1964 \| 1200 \| 0.0052 \| - \| - \|
	\| 0.2046 \| 1250 \| - \| 0.0046 \| 0.8753 \|
	\| 0.2128 \| 1300 \| 0.0048 \| - \| - \|
	\| 0.2292 \| 1400 \| 0.0046 \| - \| - \|
	\| 0.2455 \| 1500 \| 0.0049 \| 0.0043 \| 0.9045 \|
	\| 0.2619 \| 1600 \| 0.0049 \| - \| - \|
	\| 0.2783 \| 1700 \| 0.0046 \| - \| - \|
	\| 0.2865 \| 1750 \| - \| 0.0039 \| 0.9027 \|
	\| 0.2946 \| 1800 \| 0.0046 \| - \| - \|
	\| 0.3110 \| 1900 \| 0.0045 \| - \| - \|
	\| 0.3274 \| 2000 \| 0.0046 \| 0.0035 \| 0.9127 \|
	\| 0.3438 \| 2100 \| 0.0043 \| - \| - \|
	\| 0.3601 \| 2200 \| 0.0049 \| - \| - \|
	\| 0.3683 \| 2250 \| - \| 0.0033 \| 0.9300 \|
	\| 0.3765 \| 2300 \| 0.0042 \| - \| - \|
	\| 0.3929 \| 2400 \| 0.0032 \| - \| - \|
	\| 0.4092 \| 2500 \| 0.0038 \| 0.0031 \| 0.9393 \|
	\| 0.4256 \| 2600 \| 0.0034 \| - \| - \|
	\| 0.4420 \| 2700 \| 0.0042 \| - \| - \|
	\| 0.4502 \| 2750 \| - \| 0.0030 \| 0.9418 \|
	\| 0.4583 \| 2800 \| 0.004 \| - \| - \|
	\| 0.4747 \| 2900 \| 0.0042 \| - \| - \|
	\| 0.4911 \| 3000 \| 0.004 \| 0.0031 \| 0.9551 \|
	\| 0.5074 \| 3100 \| 0.0038 \| - \| - \|
	\| 0.5238 \| 3200 \| 0.0041 \| - \| - \|
	\| 0.5320 \| 3250 \| - \| 0.0032 \| 0.9451 \|
	\| 0.5402 \| 3300 \| 0.0041 \| - \| - \|
	\| 0.5566 \| 3400 \| 0.0037 \| - \| - \|
	\| 0.5729 \| 3500 \| 0.0032 \| 0.0028 \| 0.9585 \|
	\| 0.5893 \| 3600 \| 0.0032 \| - \| - \|
	\| 0.6057 \| 3700 \| 0.003 \| - \| - \|
	\| 0.6138 \| 3750 \| - \| 0.0029 \| 0.9531 \|
	\| 0.6220 \| 3800 \| 0.0031 \| - \| - \|
	\| 0.6384 \| 3900 \| 0.0027 \| - \| - \|
	\| 0.6548 \| 4000 \| 0.0024 \| 0.0027 \| 0.9559 \|
	\| 0.6711 \| 4100 \| 0.0031 \| - \| - \|
	\| 0.6875 \| 4200 \| 0.0025 \| - \| - \|
	\| 0.6957 \| 4250 \| - \| 0.0027 \| 0.9637 \|
	\| 0.7039 \| 4300 \| 0.0032 \| - \| - \|
	\| 0.7202 \| 4400 \| 0.0034 \| - \| - \|
	\| 0.7366 \| 4500 \| 0.0026 \| 0.0024 \| 0.9679 \|
	\| 0.7530 \| 4600 \| 0.0025 \| - \| - \|
	\| 0.7694 \| 4700 \| 0.0034 \| - \| - \|
	\| 0.7775 \| 4750 \| - \| 0.0024 \| 0.9699 \|
	\| 0.7857 \| 4800 \| 0.0024 \| - \| - \|
	\| 0.8021 \| 4900 \| 0.0034 \| - \| - \|
	\| 0.8185 \| 5000 \| 0.0028 \| 0.0025 \| 0.9624 \|
	\| 0.8348 \| 5100 \| 0.0036 \| - \| - \|
	\| 0.8512 \| 5200 \| 0.0025 \| - \| - \|
	\| 0.8594 \| 5250 \| - \| 0.0024 \| 0.9666 \|
	\| 0.8676 \| 5300 \| 0.0034 \| - \| - \|
	\| 0.8839 \| 5400 \| 0.0026 \| - \| - \|
	\| 0.9003 \| 5500 \| 0.0032 \| 0.0024 \| 0.9673 \|
	\| 0.9167 \| 5600 \| 0.0032 \| - \| - \|
	\| 0.9330 \| 5700 \| 0.0043 \| - \| - \|
	\| 0.9412 \| 5750 \| - \| 0.0026 \| 0.9662 \|
	\| 0.9494 \| 5800 \| 0.0027 \| - \| - \|
	\| 0.9658 \| 5900 \| 0.0024 \| - \| - \|
	\| 0.9822 \| 6000 \| 0.0037 \| 0.0025 \| 0.9691 \|
	\| 0.9985 \| 6100 \| 0.0028 \| - \| - \|
	\| 1.0149 \| 6200 \| 0.0031 \| - \| - \|
	\| 1.0231 \| 6250 \| - \| 0.0023 \| 0.9671 \|
	\| 1.0313 \| 6300 \| 0.0029 \| - \| - \|
	\| 1.0476 \| 6400 \| 0.003 \| - \| - \|
	\| 1.0640 \| 6500 \| 0.0027 \| 0.0021 \| 0.9689 \|
	\| 1.0804 \| 6600 \| 0.0033 \| - \| - \|
	\| 1.0967 \| 6700 \| 0.0027 \| - \| - \|
	\| 1.1049 \| 6750 \| - \| 0.0021 \| 0.9735 \|
	\| 1.1131 \| 6800 \| 0.0029 \| - \| - \|
	\| 1.1295 \| 6900 \| 0.0023 \| - \| - \|
	\| 1.1459 \| 7000 \| 0.0026 \| 0.0020 \| 0.9733 \|
	\| 1.1622 \| 7100 \| 0.0024 \| - \| - \|
	\| 1.1786 \| 7200 \| 0.0029 \| - \| - \|
	\| 1.1868 \| 7250 \| - \| 0.0021 \| 0.9711 \|
	\| 1.1950 \| 7300 \| 0.0023 \| - \| - \|
	\| 1.2113 \| 7400 \| 0.0024 \| - \| - \|
	\| 1.2277 \| 7500 \| 0.0031 \| 0.0021 \| 0.9753 \|
	\| 1.2441 \| 7600 \| 0.0026 \| - \| - \|
	\| 1.2604 \| 7700 \| 0.0019 \| - \| - \|
	\| 1.2686 \| 7750 \| - \| 0.0020 \| 0.9713 \|
	\| 1.2768 \| 7800 \| 0.0029 \| - \| - \|
	\| 1.2932 \| 7900 \| 0.0022 \| - \| - \|
	\| 1.3095 \| 8000 \| 0.0032 \| 0.0020 \| 0.9753 \|
	\| 1.3259 \| 8100 \| 0.0021 \| - \| - \|
	\| 1.3423 \| 8200 \| 0.002 \| - \| - \|
	\| 1.3505 \| 8250 \| - \| 0.0020 \| 0.9744 \|
	\| 1.3587 \| 8300 \| 0.003 \| - \| - \|
	\| 1.3750 \| 8400 \| 0.0027 \| - \| - \|
	\| 1.3914 \| 8500 \| 0.0019 \| 0.0020 \| 0.9752 \|
	\| 1.4078 \| 8600 \| 0.0022 \| - \| - \|
	\| 1.4241 \| 8700 \| 0.002 \| - \| - \|
	\| 1.4323 \| 8750 \| - \| 0.0020 \| 0.9742 \|
	\| 1.4405 \| 8800 \| 0.0021 \| - \| - \|
	\| 1.4569 \| 8900 \| 0.0023 \| - \| - \|
	\| 1.4732 \| 9000 \| 0.0026 \| 0.0019 \| 0.9749 \|
	\| 1.4896 \| 9100 \| 0.0018 \| - \| - \|
	\| 1.5060 \| 9200 \| 0.0023 \| - \| - \|
	\| 1.5142 \| 9250 \| - \| 0.0019 \| 0.9753 \|
	\| 1.5223 \| 9300 \| 0.0026 \| - \| - \|
	\| 1.5387 \| 9400 \| 0.0022 \| - \| - \|
	\| 1.5551 \| 9500 \| 0.0027 \| 0.0020 \| 0.9772 \|
	\| 1.5715 \| 9600 \| 0.002 \| - \| - \|
	\| 1.5878 \| 9700 \| 0.0019 \| - \| - \|
	\| 1.5960 \| 9750 \| - \| 0.0020 \| 0.9776 \|
	\| 1.6042 \| 9800 \| 0.0018 \| - \| - \|
	\| 1.6206 \| 9900 \| 0.0019 \| - \| - \|
	\| 1.6369 \| 10000 \| 0.0016 \| 0.0020 \| 0.9775 \|
	\| 1.6533 \| 10100 \| 0.0017 \| - \| - \|
	\| 1.6697 \| 10200 \| 0.0017 \| - \| - \|
	\| 1.6779 \| 10250 \| - \| 0.0019 \| 0.9766 \|
	\| 1.6860 \| 10300 \| 0.0014 \| - \| - \|
	\| 1.7024 \| 10400 \| 0.0019 \| - \| - \|
	\| 1.7188 \| 10500 \| 0.0023 \| 0.0020 \| 0.9769 \|
	\| 1.7351 \| 10600 \| 0.0023 \| - \| - \|
	\| 1.7515 \| 10700 \| 0.0017 \| - \| - \|
	\| 1.7597 \| 10750 \| - \| 0.0019 \| 0.9760 \|
	\| 1.7679 \| 10800 \| 0.0022 \| - \| - \|
	\| 1.7843 \| 10900 \| 0.0017 \| - \| - \|
	\| 1.8006 \| 11000 \| 0.0023 \| 0.0019 \| 0.9820 \|
	\| 1.8170 \| 11100 \| 0.0018 \| - \| - \|
	\| 1.8334 \| 11200 \| 0.0024 \| - \| - \|
	\| 1.8415 \| 11250 \| - \| 0.0020 \| 0.9797 \|
	\| 1.8497 \| 11300 \| 0.0016 \| - \| - \|
	\| 1.8661 \| 11400 \| 0.0023 \| - \| - \|
	\| 1.8825 \| 11500 \| 0.002 \| 0.0020 \| 0.9799 \|
	\| 1.8988 \| 11600 \| 0.0022 \| - \| - \|
	\| 1.9152 \| 11700 \| 0.0018 \| - \| - \|
	\| 1.9234 \| 11750 \| - \| 0.0021 \| 0.9797 \|
	\| 1.9316 \| 11800 \| 0.0028 \| - \| - \|
	\| 1.9479 \| 11900 \| 0.0022 \| - \| - \|
	\| 1.9643 \| 12000 \| 0.0015 \| 0.0021 \| 0.9799 \|
	\| 1.9807 \| 12100 \| 0.0026 \| - \| - \|
	\| 1.9971 \| 12200 \| 0.0019 \| - \| - \|
	\| 2.0052 \| 12250 \| - \| 0.0020 \| 0.9807 \|
	\| 2.0134 \| 12300 \| 0.0022 \| - \| - \|
	\| 2.0298 \| 12400 \| 0.0022 \| - \| - \|
	\| 2.0462 \| 12500 \| 0.0023 \| 0.0019 \| 0.9773 \|
	\| 2.0625 \| 12600 \| 0.0022 \| - \| - \|
	\| 2.0789 \| 12700 \| 0.0024 \| - \| - \|
	\| 2.0871 \| 12750 \| - \| 0.0019 \| 0.9802 \|
	\| 2.0953 \| 12800 \| 0.0018 \| - \| - \|
	\| 2.1116 \| 12900 \| 0.0019 \| - \| - \|
	\| 2.1280 \| 13000 \| 0.0019 \| 0.0018 \| 0.9815 \|
	\| 2.1444 \| 13100 \| 0.0019 \| - \| - \|
	\| 2.1607 \| 13200 \| 0.0019 \| - \| - \|
	\| 2.1689 \| 13250 \| - \| 0.0018 \| 0.9818 \|
	\| 2.1771 \| 13300 \| 0.0023 \| - \| - \|
	\| 2.1935 \| 13400 \| 0.0016 \| - \| - \|
	\| 2.2099 \| 13500 \| 0.0014 \| 0.0019 \| 0.9811 \|
	\| 2.2262 \| 13600 \| 0.0022 \| - \| - \|
	\| 2.2426 \| 13700 \| 0.002 \| - \| - \|
	\| 2.2508 \| 13750 \| - \| 0.0018 \| 0.9817 \|
	\| 2.2590 \| 13800 \| 0.0015 \| - \| - \|
	\| 2.2753 \| 13900 \| 0.0023 \| - \| - \|
	\| 2.2917 \| 14000 \| 0.0017 \| 0.0019 \| 0.9795 \|
	\| 2.3081 \| 14100 \| 0.0025 \| - \| - \|
	\| 2.3244 \| 14200 \| 0.0017 \| - \| - \|
	\| 2.3326 \| 14250 \| - \| 0.0018 \| 0.9818 \|
	\| 2.3408 \| 14300 \| 0.0016 \| - \| - \|
	\| 2.3572 \| 14400 \| 0.0019 \| - \| - \|
	\| 2.3735 \| 14500 \| 0.0019 \| 0.0018 \| 0.9825 \|
	\| 2.3899 \| 14600 \| 0.0018 \| - \| - \|
	\| 2.4063 \| 14700 \| 0.0015 \| - \| - \|
	\| 2.4145 \| 14750 \| - \| 0.0018 \| 0.9829 \|
	\| 2.4227 \| 14800 \| 0.0017 \| - \| - \|
	\| 2.4390 \| 14900 \| 0.0019 \| - \| - \|
	\| 2.4554 \| 15000 \| 0.0019 \| 0.0018 \| 0.9795 \|
	\| 2.4718 \| 15100 \| 0.0018 \| - \| - \|
	\| 2.4881 \| 15200 \| 0.0012 \| - \| - \|
	\| 2.4963 \| 15250 \| - \| 0.0018 \| 0.9795 \|
	\| 2.5045 \| 15300 \| 0.0017 \| - \| - \|
	\| 2.5209 \| 15400 \| 0.0019 \| - \| - \|
	\| 2.5372 \| 15500 \| 0.0018 \| 0.0019 \| 0.9801 \|
	\| 2.5536 \| 15600 \| 0.0018 \| - \| - \|
	\| 2.5700 \| 15700 \| 0.0018 \| - \| - \|
	\| 2.5782 \| 15750 \| - \| 0.0018 \| 0.9805 \|
	\| 2.5863 \| 15800 \| 0.0014 \| - \| - \|
	\| 2.6027 \| 15900 \| 0.0013 \| - \| - \|
	\| 2.6191 \| 16000 \| 0.0012 \| 0.0017 \| 0.9817 \|
	\| 2.6355 \| 16100 \| 0.0013 \| - \| - \|
	\| 2.6518 \| 16200 \| 0.0011 \| - \| - \|
	\| 2.6600 \| 16250 \| - \| 0.0018 \| 0.9812 \|
	\| 2.6682 \| 16300 \| 0.0012 \| - \| - \|
	\| 2.6846 \| 16400 \| 0.0009 \| - \| - \|
	\| 2.7009 \| 16500 \| 0.0015 \| 0.0018 \| 0.9809 \|
	\| 2.7173 \| 16600 \| 0.0015 \| - \| - \|
	\| 2.7337 \| 16700 \| 0.0019 \| - \| - \|
	\| 2.7419 \| 16750 \| - \| 0.0018 \| 0.9811 \|
	\| 2.7500 \| 16800 \| 0.0014 \| - \| - \|
	\| 2.7664 \| 16900 \| 0.0017 \| - \| - \|
	\| 2.7828 \| 17000 \| 0.001 \| 0.0018 \| 0.9817 \|
	\| 2.7991 \| 17100 \| 0.0016 \| - \| - \|
	\| 2.8155 \| 17200 \| 0.0014 \| - \| - \|
	\| 2.8237 \| 17250 \| - \| 0.0019 \| 0.9829 \|
	\| 2.8319 \| 17300 \| 0.0017 \| - \| - \|
	\| 2.8483 \| 17400 \| 0.0012 \| - \| - \|
	\| 2.8646 \| 17500 \| 0.0014 \| 0.0018 \| 0.9820 \|
	\| 2.8810 \| 17600 \| 0.0014 \| - \| - \|
	\| 2.8974 \| 17700 \| 0.0017 \| - \| - \|
	\| 2.9055 \| 17750 \| - \| 0.0018 \| 0.9822 \|
	\| 2.9137 \| 17800 \| 0.0016 \| - \| - \|
	\| 2.9301 \| 17900 \| 0.0017 \| - \| - \|
	\| 2.9465 \| 18000 \| 0.0018 \| 0.0018 \| 0.9818 \|
	\| 2.9628 \| 18100 \| 0.0011 \| - \| - \|
	\| 2.9792 \| 18200 \| 0.0019 \| - \| - \|
	\| 2.9874 \| 18250 \| - \| 0.0018 \| 0.9817 \|
	\| 2.9956 \| 18300 \| 0.0014 \| - \| - \|
	\| 3.0119 \| 18400 \| 0.0017 \| - \| - \|
	\| 3.0283 \| 18500 \| 0.0016 \| 0.0017 \| 0.9827 \|
	\| 3.0447 \| 18600 \| 0.0015 \| - \| - \|
	\| 3.0611 \| 18700 \| 0.0014 \| - \| - \|
	\| 3.0692 \| 18750 \| - \| 0.0017 \| 0.9833 \|
	\| 3.0774 \| 18800 \| 0.0021 \| - \| - \|
	\| 3.0938 \| 18900 \| 0.0013 \| - \| - \|
	\| 3.1102 \| 19000 \| 0.0012 \| 0.0018 \| 0.9844 \|
	\| 3.1265 \| 19100 \| 0.0017 \| - \| - \|
	\| 3.1429 \| 19200 \| 0.0015 \| - \| - \|
	\| 3.1511 \| 19250 \| - \| 0.0017 \| 0.9840 \|
	\| 3.1593 \| 19300 \| 0.0015 \| - \| - \|
	\| 3.1756 \| 19400 \| 0.0017 \| - \| - \|
	\| 3.1920 \| 19500 \| 0.0011 \| 0.0017 \| 0.9831 \|
	\| 3.2084 \| 19600 \| 0.001 \| - \| - \|
	\| 3.2248 \| 19700 \| 0.0014 \| - \| - \|
	\| 3.2329 \| 19750 \| - \| 0.0017 \| 0.9836 \|
	\| 3.2411 \| 19800 \| 0.0016 \| - \| - \|
	\| 3.2575 \| 19900 \| 0.0013 \| - \| - \|
	\| 3.2739 \| 20000 \| 0.0017 \| 0.0017 \| 0.9824 \|
	\| 3.2902 \| 20100 \| 0.0013 \| - \| - \|
	\| 3.3066 \| 20200 \| 0.002 \| - \| - \|
	\| 3.3148 \| 20250 \| - \| 0.0017 \| 0.9813 \|
	\| 3.3230 \| 20300 \| 0.0015 \| - \| - \|
	\| 3.3393 \| 20400 \| 0.0011 \| - \| - \|
	\| 3.3557 \| 20500 \| 0.0016 \| 0.0017 \| 0.9812 \|
	\| 3.3721 \| 20600 \| 0.0016 \| - \| - \|
	\| 3.3884 \| 20700 \| 0.0015 \| - \| - \|
	\| 3.3966 \| 20750 \| - \| 0.0017 \| 0.9825 \|
	\| 3.4048 \| 20800 \| 0.0012 \| - \| - \|
	\| 3.4212 \| 20900 \| 0.0012 \| - \| - \|
	\| 3.4376 \| 21000 \| 0.001 \| 0.0017 \| 0.9812 \|
	\| 3.4539 \| 21100 \| 0.0019 \| - \| - \|
	\| 3.4703 \| 21200 \| 0.0014 \| - \| - \|
	\| 3.4785 \| 21250 \| - \| 0.0017 \| 0.9816 \|
	\| 3.4867 \| 21300 \| 0.0009 \| - \| - \|
	\| 3.5030 \| 21400 \| 0.0012 \| - \| - \|
	\| 3.5194 \| 21500 \| 0.0015 \| 0.0018 \| 0.9823 \|
	\| 3.5358 \| 21600 \| 0.0014 \| - \| - \|
	\| 3.5521 \| 21700 \| 0.0015 \| - \| - \|
	\| 3.5603 \| 21750 \| - \| 0.0018 \| 0.9814 \|
	\| 3.5685 \| 21800 \| 0.0011 \| - \| - \|
	\| 3.5849 \| 21900 \| 0.0012 \| - \| - \|
	\| 3.6012 \| 22000 \| 0.001 \| 0.0017 \| 0.9822 \|
	\| 3.6176 \| 22100 \| 0.0012 \| - \| - \|
	\| 3.6340 \| 22200 \| 0.0009 \| - \| - \|
	\| 3.6422 \| 22250 \| - \| 0.0017 \| 0.9823 \|
	\| 3.6504 \| 22300 \| 0.0011 \| - \| - \|
	\| 3.6667 \| 22400 \| 0.001 \| - \| - \|
	\| 3.6831 \| 22500 \| 0.0008 \| 0.0016 \| 0.9825 \|
	\| 3.6995 \| 22600 \| 0.0011 \| - \| - \|
	\| 3.7158 \| 22700 \| 0.0014 \| - \| - \|
	\| 3.7240 \| 22750 \| - \| 0.0017 \| 0.9826 \|
	\| 3.7322 \| 22800 \| 0.0015 \| - \| - \|
	\| 3.7486 \| 22900 \| 0.001 \| - \| - \|
	\| 3.7649 \| 23000 \| 0.001 \| 0.0017 \| 0.9822 \|
	\| 3.7813 \| 23100 \| 0.001 \| - \| - \|
	\| 3.7977 \| 23200 \| 0.0014 \| - \| - \|
	\| 3.8059 \| 23250 \| - \| 0.0017 \| 0.9836 \|
	\| 3.8140 \| 23300 \| 0.0009 \| - \| - \|
	\| 3.8304 \| 23400 \| 0.0013 \| - \| - \|
	\| 3.8468 \| 23500 \| 0.001 \| 0.0017 \| 0.9845 \|
	\| 3.8632 \| 23600 \| 0.001 \| - \| - \|
	\| 3.8795 \| 23700 \| 0.001 \| - \| - \|
	\| 3.8877 \| 23750 \| - \| 0.0017 \| 0.9848 \|
	\| 3.8959 \| 23800 \| 0.0014 \| - \| - \|
	\| 3.9123 \| 23900 \| 0.0017 \| - \| - \|
	\| 3.9286 \| 24000 \| 0.0011 \| 0.0017 \| 0.9845 \|
	\| 3.9450 \| 24100 \| 0.0014 \| - \| - \|
	\| 3.9614 \| 24200 \| 0.0009 \| - \| - \|
	\| 3.9696 \| 24250 \| - \| 0.0019 \| 0.9851 \|
	\| 3.9777 \| 24300 \| 0.0015 \| - \| - \|
	\| 3.9941 \| 24400 \| 0.0014 \| - \| - \|
	\| 4.0105 \| 24500 \| 0.0013 \| 0.0017 \| 0.9862 \|
	\| 4.0268 \| 24600 \| 0.0011 \| - \| - \|
	\| 4.0432 \| 24700 \| 0.0014 \| - \| - \|
	\| 4.0514 \| 24750 \| - \| 0.0016 \| 0.9848 \|
	\| 4.0596 \| 24800 \| 0.0012 \| - \| - \|
	\| 4.0760 \| 24900 \| 0.0014 \| - \| - \|
	\| 4.0923 \| 25000 \| 0.0013 \| 0.0017 \| 0.9857 \|
	\| 4.1087 \| 25100 \| 0.0008 \| - \| - \|
	\| 4.1251 \| 25200 \| 0.0011 \| - \| - \|
	\| 4.1332 \| 25250 \| - \| 0.0017 \| 0.9858 \|
	\| 4.1414 \| 25300 \| 0.0013 \| - \| - \|
	\| 4.1578 \| 25400 \| 0.0012 \| - \| - \|
	\| 4.1742 \| 25500 \| 0.0012 \| 0.0017 \| 0.9858 \|
	\| 4.1905 \| 25600 \| 0.0013 \| - \| - \|
	\| 4.2069 \| 25700 \| 0.0008 \| - \| - \|
	\| 4.2151 \| 25750 \| - \| 0.0017 \| 0.9855 \|
	\| 4.2233 \| 25800 \| 0.0009 \| - \| - \|
	\| 4.2396 \| 25900 \| 0.0012 \| - \| - \|
	\| 4.2560 \| 26000 \| 0.0011 \| 0.0016 \| 0.9849 \|
	\| 4.2724 \| 26100 \| 0.0015 \| - \| - \|
	\| 4.2888 \| 26200 \| 0.0009 \| - \| - \|
	\| 4.2969 \| 26250 \| - \| 0.0017 \| 0.9844 \|
	\| 4.3051 \| 26300 \| 0.0013 \| - \| - \|
	\| 4.3215 \| 26400 \| 0.0011 \| - \| - \|
	\| 4.3379 \| 26500 \| 0.001 \| 0.0017 \| 0.9844 \|
	\| 4.3542 \| 26600 \| 0.0014 \| - \| - \|
	\| 4.3706 \| 26700 \| 0.0012 \| - \| - \|
	\| 4.3788 \| 26750 \| - \| 0.0016 \| 0.9841 \|
	\| 4.3870 \| 26800 \| 0.0013 \| - \| - \|
	\| 4.4033 \| 26900 \| 0.0011 \| - \| - \|
	\| 4.4197 \| 27000 \| 0.001 \| 0.0016 \| 0.9845 \|
	\| 4.4361 \| 27100 \| 0.0008 \| - \| - \|
	\| 4.4524 \| 27200 \| 0.0016 \| - \| - \|
	\| 4.4606 \| 27250 \| - \| 0.0016 \| 0.9839 \|
	\| 4.4688 \| 27300 \| 0.0011 \| - \| - \|
	\| 4.4852 \| 27400 \| 0.0008 \| - \| - \|
	\| 4.5016 \| 27500 \| 0.0009 \| 0.0016 \| 0.9847 \|
	\| 4.5179 \| 27600 \| 0.0014 \| - \| - \|
	\| 4.5343 \| 27700 \| 0.0011 \| - \| - \|
	\| 4.5425 \| 27750 \| - \| 0.0017 \| 0.9849 \|
	\| 4.5507 \| 27800 \| 0.0011 \| - \| - \|
	\| 4.5670 \| 27900 \| 0.0008 \| - \| - \|
	\| 4.5834 \| 28000 \| 0.001 \| 0.0016 \| 0.9846 \|
	\| 4.5998 \| 28100 \| 0.0008 \| - \| - \|
	\| 4.6161 \| 28200 \| 0.0008 \| - \| - \|
	\| 4.6243 \| 28250 \| - \| 0.0016 \| 0.9839 \|
	\| 4.6325 \| 28300 \| 0.0008 \| - \| - \|
	\| 4.6489 \| 28400 \| 0.0007 \| - \| - \|
	\| 4.6652 \| 28500 \| 0.0007 \| 0.0016 \| 0.9843 \|
	\| 4.6816 \| 28600 \| 0.0008 \| - \| - \|
	\| 4.6980 \| 28700 \| 0.0008 \| - \| - \|
	\| 4.7062 \| 28750 \| - \| 0.0016 \| 0.9843 \|
	\| 4.7144 \| 28800 \| 0.0011 \| - \| - \|
	\| 4.7307 \| 28900 \| 0.0014 \| - \| - \|
	\| 4.7471 \| 29000 \| 0.0008 \| 0.0016 \| 0.9841 \|
	\| 4.7635 \| 29100 \| 0.0009 \| - \| - \|
	\| 4.7798 \| 29200 \| 0.0006 \| - \| - \|
	\| 4.7880 \| 29250 \| - \| 0.0016 \| 0.9840 \|
	\| 4.7962 \| 29300 \| 0.001 \| - \| - \|
	\| 4.8126 \| 29400 \| 0.0006 \| - \| - \|
	\| 4.8289 \| 29500 \| 0.0013 \| 0.0016 \| 0.9843 \|
	\| 4.8453 \| 29600 \| 0.0007 \| - \| - \|
	\| 4.8617 \| 29700 \| 0.0008 \| - \| - \|
	\| 4.8699 \| 29750 \| - \| 0.0016 \| 0.9844 \|
	\| 4.8780 \| 29800 \| 0.001 \| - \| - \|
	\| 4.8944 \| 29900 \| 0.0011 \| - \| - \|
	\| 4.9108 \| 30000 \| 0.0013 \| 0.0016 \| 0.9846 \|
	\| 4.9272 \| 30100 \| 0.001 \| - \| - \|
	\| 4.9435 \| 30200 \| 0.0012 \| - \| - \|
	\| 4.9517 \| 30250 \| - \| 0.0017 \| 0.9848 \|
	\| 4.9599 \| 30300 \| 0.0007 \| - \| - \|
	\| 4.9763 \| 30400 \| 0.001 \| - \| - \|
	\| 4.9926 \| 30500 \| 0.0011 \| 0.0017 \| 0.9849 \|
	\| 5.0 \| 30545 \| - \| 0.0016 \| 0.9839 \|

	* The bold row denotes the saved checkpoint.
	</details>

	### Framework Versions
	- Python: 3.10.13
	- Sentence Transformers: 3.3.1
	- Transformers: 4.47.1
	- PyTorch: 2.2.1
	- Accelerate: 1.2.1
	- Datasets: 3.2.0
	- Tokenizers: 0.21.0

	## Citation

	### BibTeX

	#### Sentence Transformers
	```bibtex
	@inproceedings{reimers-2019-sentence-bert,
	title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",
	author = "Reimers, Nils and Gurevych, Iryna",
	booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing",
	month = "11",
	year = "2019",
	publisher = "Association for Computational Linguistics",
	url = "https://arxiv.org/abs/1908.10084",
	}
	```

	#### ContrastiveLoss
	```bibtex
	@inproceedings{hadsell2006dimensionality,
	author={Hadsell, R. and Chopra, S. and LeCun, Y.},
	booktitle={2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'06)},
	title={Dimensionality Reduction by Learning an Invariant Mapping},
	year={2006},
	volume={2},
	number={},
	pages={1735-1742},
	doi={10.1109/CVPR.2006.100}
	}
	```

	<!--
	## 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.
	-->