--- 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'': ''

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.

\n

Помогает работать продуктивнее

\n

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:

\n\n

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.

'', ''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'': ''

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:

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.

Расширяйте сеть простым нажатием кнопки

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.

Быстрый Wi-Fi

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.

'', ''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'': ''

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.

'', ''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'': ''

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.

\n

Продуманная конструкция

\n

Смартфон оснащен восьмиядерным процессором Exynos 2200, который обеспечивает высокую производительность. Оперативной памяти 8 Гб — этого достаточно для одновременного запуска нескольких приложений. Другие параметры:

\n\n

Смартфон защищен от попадания пыли и влаги. Корпус выполнен из пластика — он устойчив к царапинам и потертостям. На задней панели расположен сканер отпечатков пальцев.

'', ''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) - **Maximum Sequence Length:** 2048 tokens - **Output Dimensionality:** 312 dimensions - **Similarity Function:** Cosine Similarity ### 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] ``` ## Evaluation ### Metrics #### Binary Classification * Dataset: `item-classification` * Evaluated with [BinaryClassificationEvaluator](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** | ## Training Details ### Training Dataset #### Unnamed Dataset * Size: 48,868 training samples * Columns: anchor, text, and label * Approximate statistics based on the first 1000 samples: | | anchor | text | label | |:--------|:-----------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------|:------------------------------------------------| | type | string | string | int | | details | | | | * Samples: | anchor | text | label | |:----------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------| | помоги подобрать внешний аккумулятор, чтобы получить сбербонусы
покажи товары
| {'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} | 0 | | Здравствуйте. Мне нужен недорогой смартфон на Android, чтобы можно было легко звонить и писать сообщения внукам. Можете что-то посоветовать? | {'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} | 0 | | Samsung Galaxy S24 | {'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': '

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.

Благодаря резиновым уплотнителям внутри, крепление надежно держится и не провернется вокруг трубы.

Крепление затягивается шестигранником, который идет в комплекте. Также в комплекте идет металлический болт для закрепления экшн камеры в U-образном креплении.

', 'rating': 0.0, 'review_count': ...
| 0 | * Loss: [ContrastiveLoss](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: anchor, text, and label * Approximate statistics based on the first 1000 samples: | | anchor | text | label | |:--------|:------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------|:------------------------------------------------| | type | string | string | int | | details | | | | * Samples: | anchor | text | label | |:--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------| | Привет, помоги подобрать ноутбук, на что обратить внимание?
Диагональ дисплея хочу 15
оеративка от 16гб
ссд хотя бы 0.5 тб

Порекомендуй конкртные товары
| {'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... | 0 | | расскажи как выбрать смартфон игровой
расскажи о разнице между андроидом и айос подробнее
расскажи подробнее об операционной системе
| {'long_web_name': 'Смартфон Honor Honor 90 12/512GB изумрудный зеленый (5109ATRU)', 'price': 33990.0, 'description': '', 'rating': 4.73, 'review_count': 37} | 1 | | Найди самсунг белого цвета в республике башкортостан. Меня зовут Алексей, кстати
И до 50к с 8 гб оперативы
| {'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} | 0 | * Loss: [ContrastiveLoss](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
Click to expand - `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
### Training Logs
Click to expand | 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.
### 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} } ```