Add new SentenceTransformer model.

.gitattributes

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

1_Pooling/config.json

@@ -0,0 +1,10 @@
+{
+  "word_embedding_dimension": 1024,
+  "pooling_mode_cls_token": true,
+  "pooling_mode_mean_tokens": false,
+  "pooling_mode_max_tokens": false,
+  "pooling_mode_mean_sqrt_len_tokens": false,
+  "pooling_mode_weightedmean_tokens": false,
+  "pooling_mode_lasttoken": false,
+  "include_prompt": true
+}

README.md

@@ -0,0 +1,600 @@
+---
+base_model: BAAI/bge-m3
+library_name: sentence-transformers
+metrics:
+- negative_mse
+- src2trg_accuracy
+- trg2src_accuracy
+- mean_accuracy
+pipeline_tag: sentence-similarity
+tags:
+- sentence-transformers
+- sentence-similarity
+- feature-extraction
+- generated_from_trainer
+- dataset_size:1630390
+- loss:MSELoss
+widget:
+- source_sentence: After that, it is possible to analyze the charts, price, key numbers
+    of the cryptocurrency. We recommend using technical analysis to determine the
+    best buying or selling price in the chart. Furthermore, most brokers offer you
+    analysis tools and indicators for free.
+  sentences:
+  - Bereket Emeklilik ve Hayat A.Ş. 1 Temmuz 2011 tarihinde kurulmuştur. 2012 yılının
+    Mayıs ayında faiz gelirine duyarlı müşterilerine hizmet verebilmek adına Türkiyenin
+    ilk faizsiz emeklilik şirketi olarak yola çıkan Bereket Emeklilik, 26 Kasım 2016
+    tarihinde açık ihale olarak imzalanan satış ve hisse devir sözleşmesi ile TMSFden
+    devralınmış ve 154 yıllık köklü bir geçmişe dayanan, 17 bölge birliği, 1619 kooperatifi
+    yaklaşık 1 milyon çiftçi ortağı olan Türkiye Tarım Kredi Kooperatiflerine devredilmiştir.
+  - Bundan sonra, kripto para biriminin grafiklerini, fiyatını, anahtar numaralarını
+    analiz etmek mümkündür. Grafikteki en iyi alış veya satış fiyatını belirlemek
+    için teknik analiz kullanmanızı öneririz. Ayrıca, çoğu broker size analiz araçlarını
+    ve göstergelerini ücretsiz olarak sunar.
+  - 'METRO İLE Aynı zamanda Cevahir Alış Veriş Merkezi, Zorlu Center, Kanyon Alış
+    Veriş Merkezine direk bağlantısı bulunmaktadır. İstinye Park Alış Veriş Merkezi
+    ise İstinye durağından yürüyüş mesafesindedir. Tercihinizi Taksim Meydanı ya da
+    İstiklal Caddesinden yana kullanmak isterseniz ve Molton Suites Nişantaşından
+    yürüyüş yerine tercihiniz yine Metro olacaksa sadece bir durak sonra Taksim meydanına
+    ulaşacaksınız. Taksim bölgesinin vazgeçilmezlerini sıralayacak olursak: İstiklal
+    Caddesi, Çiçek Pasajı, Pera Müzesi, Tünel, Atatürk Kültür Merkezi, Eşsiz Haliç,
+    Sinemalar ve yüzlerce Restaurant, Bar seçeneği bunlardan sadece bazılarıdır.'
+- source_sentence: 'Contributor tools: Decrease the manual overhead of maintenance
+    work for teams through better tooling. Scope/Timeline: Varied, and pending additional
+    testing.'
+  sentences:
+  - 'Ekipmanlarımızın güvenilirliği söz konusu olduğunda, bu projenin sonuçları kendini
+    kanıtlıyor: Önlem olarak müşteri, proje sırasında maksimum çalışma süresini garanti
+    etmek için bir adet yedek azot üreten membran kiraladı, diyor Simon. Ancak bu
+    yedek ünite gerekli değildi; ekipmanlarımız beklediğimiz gibi mükemmel bir performans
+    sergiledi.'
+  - Daimi mükemmellik Massey Ferguson RB 3130F Protec (Protection baler & Professional
+    Technology), sabit odalı balya makinesinin tüm avantajlarını entegre paketleme
+    ünitesiyle bir araya getirerek, hareket halindeyken balyalama ve paketleme işlemi
+    yapılabilmesini sağlar. Balyalar değişken hava koşullarına karşı anında korunup
+    silaj kalitesi muhafaza edilerek, operatöre balya dizme veya taşıma ya da başka
+    bir tarlada hasada başlama imkanı sağlanır.
+  - 'İş birliği yapan araçlar: Daha iyi araçlar ile ekiplerin el ile yaptığı bakım
+    çalışmalarının yükünü azaltın. Kapsam/Zaman Çizelgesi: Değişken ve ek denemelerin
+    yapılması bekleniyor.'
+- source_sentence: In addition, free Wi-Fi was provided. Thank you! Thank you for
+    taking the time to share your experience.
+  sentences:
+  - Bir arkadaş, akraba veya iş arkadaşı için doğru hediyeyi bulmak gerçek bir kâbus
+    olabilir. Bir zincir mağazada kitlesel olarak üretilmiş bir hediye satın almak
+    yerine, Online Star Registerda bir yıldıza isim vererek, asla unutmayacakları
+    bir hediye verin.
+  - Shareazanın Kütüphanesinde dosyalarınızı zekice düzenleme kapasitesine sahip olun.
+  - Teşekkürler! Deneyiminizi paylaşmak için zaman ayırdığınız için teşekkür ederiz.
+    Yorumunuz kısa süre içinde yayınlanacaktır.
+- source_sentence: When considering what storage hardware to use in your device, dont
+    look only at the hardwares storage capacity. Often, the speed of the storage is
+    more important than its size. Devices with slow storage hardware, such as those
+    labeled HDD are typically slower to use than those using faster storage hardware,
+    such as those labeled SSD or eMMC.
+  sentences:
+  - Politika analizine giriş; temel politika yapım süreçleri modellerı; farklı politika
+    alanlarından seçilmiş problemlerin yapılandırılması, analizi, ve yeni politika
+    önerilerinin geliştirilmesi.
+  - Cihazınızda kullanılacak depolama donanımını düşünürken yalnızca donanımın depolama
+    kapasitesine bakmayın. Genellikle depolamanın hızı, boyutundan daha önemlidir.
+    HDD etiketli olanlar gibi yavaş depolama donanımına sahip cihazlar genellikle
+    SSD veya eMMC etiketli olanlar gibi daha hızlı depolama donanımı kullananlara
+    göre daha yavaştır.
+  - NETAŞ, müşterilerine geniş bant erişimi, tümleşik iletişim, ağ, siber güvenlik,
+    sanallaştırma, bulut bilişim, optik ve taşıyıcı Ethernet, BT entegrasyon hizmetleri,
+    stratejik dış kaynak kullanımı ve özel tasarlanmış yazılım geliştirme çözümleri
+    sağlamaktadır.
+- source_sentence: Nippon Paint Garden Furniture Maintenance Oil is a high quality
+    maintenance oil produced with a mixture of specially selected natural oils, specially
+    developed for the care of hard woods such as teak, and can be applied to other
+    wood types.
+  sentences:
+  - HGCD kodlu Çelik bıçaklı değirmenlerimizin, HGCD 20 kodlu olanı 1993 senesinden
+    günümüze üretimi devam eden, Türk kahvesine ve Espresso ve Filitre öğütümüne uygun
+    masa üstü bir kompak, seri makinesidir. Yakın zamanda imalatına başladığımız HGCD/New-20
+    kodlu değirmeniz Türk kahvesi, filtre kahve ve espresso imalat ya da kullanımı
+    olan tüm işletmeler için uygundur. Espresso ve Filtre öğütmede kullanmak amaçlı,
+    yüksek kapasitede HGCD 30 kodlu ürünümüzde daha yüksek kapasitelere yöneliktir.
+  - Stover Gönüllü Faaliyet Ödülüne layık görülenlerin her biri, kâr amacı gütmeyen
+    kendi seçtiği bir kuruluşa ödenmek üzere verilen 5000 Amerikan doları değerinde
+    bir çeki içeren bir hatıra ödülünün yanı sıra, resmi bir törende genel başkan
+    ve CEO tarafından verilen özel bir takdirnameye hak kazanacaktır.
+  - Nippon Paint Bahçe Mobilyası Bakım Yağı, özel olarak seçilen doğal yağların karışımı
+    ile üretilen, özellikle teak gibi sert ahşapların bakımı için özel olarak geliştirilmiş,
+    diğer ahşap türlerine de uygulanabilen üstün nitelikli bakım yağıdır.
+model-index:
+- name: SentenceTransformer based on BAAI/bge-m3
+  results:
+  - task:
+      type: knowledge-distillation
+      name: Knowledge Distillation
+    dataset:
+      name: eval
+      type: eval
+    metrics:
+    - type: negative_mse
+      value: -0.03902269236277789
+      name: Negative Mse
+  - task:
+      type: translation
+      name: Translation
+    dataset:
+      name: eval
+      type: eval
+    metrics:
+    - type: src2trg_accuracy
+      value: 0.89505
+      name: Src2Trg Accuracy
+    - type: trg2src_accuracy
+      value: 0.8837
+      name: Trg2Src Accuracy
+    - type: mean_accuracy
+      value: 0.889375
+      name: Mean Accuracy
+---
+
+# SentenceTransformer based on BAAI/bge-m3
+
+This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [BAAI/bge-m3](https://huggingface.co/BAAI/bge-m3). It maps sentences & paragraphs to a 1024-dimensional dense vector space and can be used for semantic textual similarity, semantic search, paraphrase mining, text classification, clustering, and more.
+
+## Model Details
+
+### Model Description
+- **Model Type:** Sentence Transformer
+- **Base model:** [BAAI/bge-m3](https://huggingface.co/BAAI/bge-m3) <!-- at revision 5617a9f61b028005a4858fdac845db406aefb181 -->
+- **Maximum Sequence Length:** 128 tokens
+- **Output Dimensionality:** 1024 tokens
+- **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': 128, 'do_lower_case': False}) with Transformer model: XLMRobertaModel 
+  (1): Pooling({'word_embedding_dimension': 1024, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
+  (2): Normalize()
+)
+```
+
+## Usage
+
+### Direct Usage (Sentence Transformers)
+
+First install the Sentence Transformers library:
+
+```bash
+pip install -U sentence-transformers
+```
+
+Then you can load this model and run inference.
+```python
+from sentence_transformers import SentenceTransformer
+
+# Download from the 🤗 Hub
+model = SentenceTransformer("alperctnkaya/bge-m3-distilled-en-tr")
+# Run inference
+sentences = [
+    'Nippon Paint Garden Furniture Maintenance Oil is a high quality maintenance oil produced with a mixture of specially selected natural oils, specially developed for the care of hard woods such as teak, and can be applied to other wood types.',
+    'Nippon Paint Bahçe Mobilyası Bakım Yağı, özel olarak seçilen doğal yağların karışımı ile üretilen, özellikle teak gibi sert ahşapların bakımı için özel olarak geliştirilmiş, diğer ahşap türlerine de uygulanabilen üstün nitelikli bakım yağıdır.',
+    'Stover Gönüllü Faaliyet Ödülüne layık görülenlerin her biri, kâr amacı gütmeyen kendi seçtiği bir kuruluşa ödenmek üzere verilen 5000 Amerikan doları değerinde bir çeki içeren bir hatıra ödülünün yanı sıra, resmi bir törende genel başkan ve CEO tarafından verilen özel bir takdirnameye hak kazanacaktır.',
+]
+embeddings = model.encode(sentences)
+print(embeddings.shape)
+# [3, 1024]
+
+# Get the similarity scores for the embeddings
+similarities = model.similarity(embeddings, embeddings)
+print(similarities.shape)
+# [3, 3]
+```
+
+<!--
+### Direct Usage (Transformers)
+
+<details><summary>Click to see the direct usage in Transformers</summary>
+
+</details>
+-->
+
+<!--
+### Downstream Usage (Sentence Transformers)
+
+You can finetune this model on your own dataset.
+
+<details><summary>Click to expand</summary>
+
+</details>
+-->
+
+<!--
+### Out-of-Scope Use
+
+*List how the model may foreseeably be misused and address what users ought not to do with the model.*
+-->
+
+## Evaluation
+
+### Metrics
+
+#### Knowledge Distillation
+* Dataset: `eval`
+* Evaluated with [<code>MSEEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.MSEEvaluator)
+
+| Metric           | Value      |
+|:-----------------|:-----------|
+| **negative_mse** | **-0.039** |
+
+#### Translation
+* Dataset: `eval`
+* Evaluated with [<code>TranslationEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.TranslationEvaluator)
+
+| Metric            | Value      |
+|:------------------|:-----------|
+| src2trg_accuracy  | 0.8951     |
+| trg2src_accuracy  | 0.8837     |
+| **mean_accuracy** | **0.8894** |
+
+<!--
+## 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 Hyperparameters
+#### Non-Default Hyperparameters
+
+- `eval_strategy`: epoch
+- `per_device_train_batch_size`: 16
+- `per_device_eval_batch_size`: 16
+- `learning_rate`: 2e-05
+- `warmup_ratio`: 0.1
+- `fp16`: True
+
+#### All Hyperparameters
+<details><summary>Click to expand</summary>
+
+- `overwrite_output_dir`: False
+- `do_predict`: False
+- `eval_strategy`: epoch
+- `prediction_loss_only`: True
+- `per_device_train_batch_size`: 16
+- `per_device_eval_batch_size`: 16
+- `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`: 2e-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`: 3
+- `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`: False
+- `ignore_data_skip`: False
+- `fsdp`: []
+- `fsdp_min_num_params`: 0
+- `fsdp_config`: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
+- `fsdp_transformer_layer_cls_to_wrap`: None
+- `accelerator_config`: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
+- `deepspeed`: None
+- `label_smoothing_factor`: 0.0
+- `optim`: adamw_torch
+- `optim_args`: None
+- `adafactor`: False
+- `group_by_length`: False
+- `length_column_name`: length
+- `ddp_find_unused_parameters`: None
+- `ddp_bucket_cap_mb`: None
+- `ddp_broadcast_buffers`: False
+- `dataloader_pin_memory`: True
+- `dataloader_persistent_workers`: False
+- `skip_memory_metrics`: True
+- `use_legacy_prediction_loop`: False
+- `push_to_hub`: False
+- `resume_from_checkpoint`: None
+- `hub_model_id`: None
+- `hub_strategy`: every_save
+- `hub_private_repo`: False
+- `hub_always_push`: False
+- `gradient_checkpointing`: False
+- `gradient_checkpointing_kwargs`: None
+- `include_inputs_for_metrics`: False
+- `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
+- `eval_use_gather_object`: False
+- `batch_sampler`: batch_sampler
+- `multi_dataset_batch_sampler`: proportional
+
+</details>
+
+### Training Logs
+<details><summary>Click to expand</summary>
+
+| Epoch  | Step  | Training Loss | loss   | eval_mean_accuracy | eval_negative_mse |
+|:------:|:-----:|:-------------:|:------:|:------------------:|:-----------------:|
+| 0.02   | 100   | 0.0019        | -      | -                  | -                 |
+| 0.04   | 200   | 0.0013        | -      | -                  | -                 |
+| 0.06   | 300   | 0.0008        | -      | -                  | -                 |
+| 0.08   | 400   | 0.0008        | -      | -                  | -                 |
+| 0.1    | 500   | 0.0008        | -      | -                  | -                 |
+| 0.12   | 600   | 0.0007        | -      | -                  | -                 |
+| 0.14   | 700   | 0.0007        | -      | -                  | -                 |
+| 0.16   | 800   | 0.0007        | -      | -                  | -                 |
+| 0.18   | 900   | 0.0007        | -      | -                  | -                 |
+| 0.2    | 1000  | 0.0007        | -      | -                  | -                 |
+| 0.22   | 1100  | 0.0007        | -      | -                  | -                 |
+| 0.24   | 1200  | 0.0006        | -      | -                  | -                 |
+| 0.26   | 1300  | 0.0006        | -      | -                  | -                 |
+| 0.28   | 1400  | 0.0006        | -      | -                  | -                 |
+| 0.3    | 1500  | 0.0006        | -      | -                  | -                 |
+| 0.32   | 1600  | 0.0006        | -      | -                  | -                 |
+| 0.34   | 1700  | 0.0006        | -      | -                  | -                 |
+| 0.36   | 1800  | 0.0006        | -      | -                  | -                 |
+| 0.38   | 1900  | 0.0006        | -      | -                  | -                 |
+| 0.4    | 2000  | 0.0006        | -      | -                  | -                 |
+| 0.42   | 2100  | 0.0006        | -      | -                  | -                 |
+| 0.44   | 2200  | 0.0006        | -      | -                  | -                 |
+| 0.46   | 2300  | 0.0005        | -      | -                  | -                 |
+| 0.48   | 2400  | 0.0005        | -      | -                  | -                 |
+| 0.5    | 2500  | 0.0005        | -      | -                  | -                 |
+| 0.52   | 2600  | 0.0005        | -      | -                  | -                 |
+| 0.54   | 2700  | 0.0005        | -      | -                  | -                 |
+| 0.56   | 2800  | 0.0005        | -      | -                  | -                 |
+| 0.58   | 2900  | 0.0005        | -      | -                  | -                 |
+| 0.6    | 3000  | 0.0005        | -      | -                  | -                 |
+| 0.62   | 3100  | 0.0005        | -      | -                  | -                 |
+| 0.64   | 3200  | 0.0005        | -      | -                  | -                 |
+| 0.66   | 3300  | 0.0005        | -      | -                  | -                 |
+| 0.68   | 3400  | 0.0005        | -      | -                  | -                 |
+| 0.7    | 3500  | 0.0005        | -      | -                  | -                 |
+| 0.72   | 3600  | 0.0005        | -      | -                  | -                 |
+| 0.74   | 3700  | 0.0005        | -      | -                  | -                 |
+| 0.76   | 3800  | 0.0005        | -      | -                  | -                 |
+| 0.78   | 3900  | 0.0005        | -      | -                  | -                 |
+| 0.8    | 4000  | 0.0005        | -      | -                  | -                 |
+| 0.82   | 4100  | 0.0005        | -      | -                  | -                 |
+| 0.84   | 4200  | 0.0005        | -      | -                  | -                 |
+| 0.86   | 4300  | 0.0005        | -      | -                  | -                 |
+| 0.88   | 4400  | 0.0005        | -      | -                  | -                 |
+| 0.9    | 4500  | 0.0005        | -      | -                  | -                 |
+| 0.92   | 4600  | 0.0005        | -      | -                  | -                 |
+| 0.94   | 4700  | 0.0005        | -      | -                  | -                 |
+| 0.96   | 4800  | 0.0005        | -      | -                  | -                 |
+| 0.98   | 4900  | 0.0005        | -      | -                  | -                 |
+| 1.0    | 5000  | 0.0005        | 0.0004 | 0.8591             | -0.0453           |
+| 1.02   | 5100  | 0.0005        | -      | -                  | -                 |
+| 1.04   | 5200  | 0.0005        | -      | -                  | -                 |
+| 1.06   | 5300  | 0.0004        | -      | -                  | -                 |
+| 1.08   | 5400  | 0.0004        | -      | -                  | -                 |
+| 1.1    | 5500  | 0.0004        | -      | -                  | -                 |
+| 1.12   | 5600  | 0.0004        | -      | -                  | -                 |
+| 1.1400 | 5700  | 0.0004        | -      | -                  | -                 |
+| 1.16   | 5800  | 0.0004        | -      | -                  | -                 |
+| 1.18   | 5900  | 0.0004        | -      | -                  | -                 |
+| 1.2    | 6000  | 0.0004        | -      | -                  | -                 |
+| 1.22   | 6100  | 0.0004        | -      | -                  | -                 |
+| 1.24   | 6200  | 0.0004        | -      | -                  | -                 |
+| 1.26   | 6300  | 0.0004        | -      | -                  | -                 |
+| 1.28   | 6400  | 0.0004        | -      | -                  | -                 |
+| 1.3    | 6500  | 0.0004        | -      | -                  | -                 |
+| 1.32   | 6600  | 0.0004        | -      | -                  | -                 |
+| 1.34   | 6700  | 0.0004        | -      | -                  | -                 |
+| 1.3600 | 6800  | 0.0004        | -      | -                  | -                 |
+| 1.38   | 6900  | 0.0004        | -      | -                  | -                 |
+| 1.4    | 7000  | 0.0004        | -      | -                  | -                 |
+| 1.42   | 7100  | 0.0004        | -      | -                  | -                 |
+| 1.44   | 7200  | 0.0004        | -      | -                  | -                 |
+| 1.46   | 7300  | 0.0004        | -      | -                  | -                 |
+| 1.48   | 7400  | 0.0004        | -      | -                  | -                 |
+| 1.5    | 7500  | 0.0004        | -      | -                  | -                 |
+| 1.52   | 7600  | 0.0004        | -      | -                  | -                 |
+| 1.54   | 7700  | 0.0004        | -      | -                  | -                 |
+| 1.56   | 7800  | 0.0004        | -      | -                  | -                 |
+| 1.58   | 7900  | 0.0004        | -      | -                  | -                 |
+| 1.6    | 8000  | 0.0004        | -      | -                  | -                 |
+| 1.62   | 8100  | 0.0004        | -      | -                  | -                 |
+| 1.6400 | 8200  | 0.0004        | -      | -                  | -                 |
+| 1.6600 | 8300  | 0.0004        | -      | -                  | -                 |
+| 1.6800 | 8400  | 0.0004        | -      | -                  | -                 |
+| 1.7    | 8500  | 0.0004        | -      | -                  | -                 |
+| 1.72   | 8600  | 0.0004        | -      | -                  | -                 |
+| 1.74   | 8700  | 0.0004        | -      | -                  | -                 |
+| 1.76   | 8800  | 0.0004        | -      | -                  | -                 |
+| 1.78   | 8900  | 0.0004        | -      | -                  | -                 |
+| 1.8    | 9000  | 0.0004        | -      | -                  | -                 |
+| 1.8200 | 9100  | 0.0004        | -      | -                  | -                 |
+| 1.8400 | 9200  | 0.0004        | -      | -                  | -                 |
+| 1.8600 | 9300  | 0.0004        | -      | -                  | -                 |
+| 1.88   | 9400  | 0.0004        | -      | -                  | -                 |
+| 1.9    | 9500  | 0.0004        | -      | -                  | -                 |
+| 1.92   | 9600  | 0.0004        | -      | -                  | -                 |
+| 1.94   | 9700  | 0.0004        | -      | -                  | -                 |
+| 1.96   | 9800  | 0.0004        | -      | -                  | -                 |
+| 1.98   | 9900  | 0.0004        | -      | -                  | -                 |
+| 2.0    | 10000 | 0.0004        | 0.0004 | 0.8837             | -0.0405           |
+| 2.02   | 10100 | 0.0004        | -      | -                  | -                 |
+| 2.04   | 10200 | 0.0004        | -      | -                  | -                 |
+| 2.06   | 10300 | 0.0004        | -      | -                  | -                 |
+| 2.08   | 10400 | 0.0004        | -      | -                  | -                 |
+| 2.1    | 10500 | 0.0004        | -      | -                  | -                 |
+| 2.12   | 10600 | 0.0004        | -      | -                  | -                 |
+| 2.14   | 10700 | 0.0004        | -      | -                  | -                 |
+| 2.16   | 10800 | 0.0004        | -      | -                  | -                 |
+| 2.18   | 10900 | 0.0004        | -      | -                  | -                 |
+| 2.2    | 11000 | 0.0004        | -      | -                  | -                 |
+| 2.22   | 11100 | 0.0004        | -      | -                  | -                 |
+| 2.24   | 11200 | 0.0004        | -      | -                  | -                 |
+| 2.26   | 11300 | 0.0004        | -      | -                  | -                 |
+| 2.2800 | 11400 | 0.0004        | -      | -                  | -                 |
+| 2.3    | 11500 | 0.0004        | -      | -                  | -                 |
+| 2.32   | 11600 | 0.0004        | -      | -                  | -                 |
+| 2.34   | 11700 | 0.0004        | -      | -                  | -                 |
+| 2.36   | 11800 | 0.0004        | -      | -                  | -                 |
+| 2.38   | 11900 | 0.0004        | -      | -                  | -                 |
+| 2.4    | 12000 | 0.0004        | -      | -                  | -                 |
+| 2.42   | 12100 | 0.0004        | -      | -                  | -                 |
+| 2.44   | 12200 | 0.0004        | -      | -                  | -                 |
+| 2.46   | 12300 | 0.0004        | -      | -                  | -                 |
+| 2.48   | 12400 | 0.0004        | -      | -                  | -                 |
+| 2.5    | 12500 | 0.0004        | -      | -                  | -                 |
+| 2.52   | 12600 | 0.0004        | -      | -                  | -                 |
+| 2.54   | 12700 | 0.0004        | -      | -                  | -                 |
+| 2.56   | 12800 | 0.0004        | -      | -                  | -                 |
+| 2.58   | 12900 | 0.0004        | -      | -                  | -                 |
+| 2.6    | 13000 | 0.0004        | -      | -                  | -                 |
+| 2.62   | 13100 | 0.0004        | -      | -                  | -                 |
+| 2.64   | 13200 | 0.0004        | -      | -                  | -                 |
+| 2.66   | 13300 | 0.0004        | -      | -                  | -                 |
+| 2.68   | 13400 | 0.0004        | -      | -                  | -                 |
+| 2.7    | 13500 | 0.0004        | -      | -                  | -                 |
+| 2.7200 | 13600 | 0.0004        | -      | -                  | -                 |
+| 2.74   | 13700 | 0.0004        | -      | -                  | -                 |
+| 2.76   | 13800 | 0.0004        | -      | -                  | -                 |
+| 2.7800 | 13900 | 0.0004        | -      | -                  | -                 |
+| 2.8    | 14000 | 0.0004        | -      | -                  | -                 |
+| 2.82   | 14100 | 0.0004        | -      | -                  | -                 |
+| 2.84   | 14200 | 0.0004        | -      | -                  | -                 |
+| 2.86   | 14300 | 0.0004        | -      | -                  | -                 |
+| 2.88   | 14400 | 0.0004        | -      | -                  | -                 |
+| 2.9    | 14500 | 0.0004        | -      | -                  | -                 |
+| 2.92   | 14600 | 0.0004        | -      | -                  | -                 |
+| 2.94   | 14700 | 0.0004        | -      | -                  | -                 |
+| 2.96   | 14800 | 0.0004        | -      | -                  | -                 |
+| 2.98   | 14900 | 0.0004        | -      | -                  | -                 |
+| 3.0    | 15000 | 0.0004        | 0.0004 | 0.8894             | -0.0390           |
+
+</details>
+
+### Framework Versions
+- Python: 3.10.12
+- Sentence Transformers: 3.1.1
+- Transformers: 4.44.2
+- PyTorch: 2.4.1+cu121
+- Accelerate: 0.34.2
+- Datasets: 2.21.0
+- Tokenizers: 0.19.1
+
+## Citation
+
+### BibTeX
+
+#### Sentence Transformers
+```bibtex
+@inproceedings{reimers-2019-sentence-bert,
+    title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",
+    author = "Reimers, Nils and Gurevych, Iryna",
+    booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing",
+    month = "11",
+    year = "2019",
+    publisher = "Association for Computational Linguistics",
+    url = "https://arxiv.org/abs/1908.10084",
+}
+```
+
+#### MSELoss
+```bibtex
+@inproceedings{reimers-2020-multilingual-sentence-bert,
+    title = "Making Monolingual Sentence Embeddings Multilingual using Knowledge Distillation",
+    author = "Reimers, Nils and Gurevych, Iryna",
+    booktitle = "Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing",
+    month = "11",
+    year = "2020",
+    publisher = "Association for Computational Linguistics",
+    url = "https://arxiv.org/abs/2004.09813",
+}
+```
+
+<!--
+## Glossary
+
+*Clearly define terms in order to be accessible across audiences.*
+-->
+
+<!--
+## Model Card Authors
+
+*Lists the people who create the model card, providing recognition and accountability for the detailed work that goes into its construction.*
+-->
+
+<!--
+## Model Card Contact
+
+*Provides a way for people who have updates to the Model Card, suggestions, or questions, to contact the Model Card authors.*
+-->

config.json

@@ -0,0 +1,28 @@
+{
+  "_name_or_path": "BAAI/bge-m3",
+  "architectures": [
+    "XLMRobertaModel"
+  ],
+  "attention_probs_dropout_prob": 0.1,
+  "bos_token_id": 0,
+  "classifier_dropout": null,
+  "eos_token_id": 2,
+  "hidden_act": "gelu",
+  "hidden_dropout_prob": 0.1,
+  "hidden_size": 1024,
+  "initializer_range": 0.02,
+  "intermediate_size": 4096,
+  "layer_norm_eps": 1e-05,
+  "max_position_embeddings": 8194,
+  "model_type": "xlm-roberta",
+  "num_attention_heads": 16,
+  "num_hidden_layers": 24,
+  "output_past": true,
+  "pad_token_id": 1,
+  "position_embedding_type": "absolute",
+  "torch_dtype": "float32",
+  "transformers_version": "4.44.2",
+  "type_vocab_size": 1,
+  "use_cache": true,
+  "vocab_size": 250002
+}

config_sentence_transformers.json

@@ -0,0 +1,10 @@
+{
+  "__version__": {
+    "sentence_transformers": "3.1.1",
+    "transformers": "4.44.2",
+    "pytorch": "2.4.1+cu121"
+  },
+  "prompts": {},
+  "default_prompt_name": null,
+  "similarity_fn_name": null
+}

model.safetensors

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:f9dc459214276167920cad90d7e5e1b06871117a66e5d7e6f5804ac02ff4b607
+size 2271064456

modules.json

@@ -0,0 +1,20 @@
+[
+  {
+    "idx": 0,
+    "name": "0",
+    "path": "",
+    "type": "sentence_transformers.models.Transformer"
+  },
+  {
+    "idx": 1,
+    "name": "1",
+    "path": "1_Pooling",
+    "type": "sentence_transformers.models.Pooling"
+  },
+  {
+    "idx": 2,
+    "name": "2",
+    "path": "2_Normalize",
+    "type": "sentence_transformers.models.Normalize"
+  }
+]

sentence_bert_config.json

@@ -0,0 +1,4 @@
+{
+  "max_seq_length": 128,
+  "do_lower_case": false
+}

sentencepiece.bpe.model

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:cfc8146abe2a0488e9e2a0c56de7952f7c11ab059eca145a0a727afce0db2865
+size 5069051

special_tokens_map.json

@@ -0,0 +1,51 @@
+{
+  "bos_token": {
+    "content": "<s>",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "cls_token": {
+    "content": "<s>",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "eos_token": {
+    "content": "</s>",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "mask_token": {
+    "content": "<mask>",
+    "lstrip": true,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "pad_token": {
+    "content": "<pad>",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "sep_token": {
+    "content": "</s>",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "unk_token": {
+    "content": "<unk>",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  }
+}

tokenizer.json

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:c119aa9bc83a5d76efbbc831b23e5790727c12fde474f6519dd96cde6550ffd7
+size 17083052

tokenizer_config.json

@@ -0,0 +1,55 @@
+{
+  "added_tokens_decoder": {
+    "0": {
+      "content": "<s>",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "1": {
+      "content": "<pad>",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "2": {
+      "content": "</s>",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "3": {
+      "content": "<unk>",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "250001": {
+      "content": "<mask>",
+      "lstrip": true,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    }
+  },
+  "bos_token": "<s>",
+  "clean_up_tokenization_spaces": true,
+  "cls_token": "<s>",
+  "eos_token": "</s>",
+  "mask_token": "<mask>",
+  "model_max_length": 8192,
+  "pad_token": "<pad>",
+  "sep_token": "</s>",
+  "sp_model_kwargs": {},
+  "tokenizer_class": "XLMRobertaTokenizer",
+  "unk_token": "<unk>"
+}