x2bee/ModernBERT-ecs-GIST

d495c82 verified 6 days ago

36.6 kB

	---
	tags:
	- sentence-transformers
	- sentence-similarity
	- feature-extraction
	- generated_from_trainer
	- dataset_size:1799998
	- loss:CachedGISTEmbedLoss
	base_model: x2bee/KoModernBERT-base-mlm-ecs-simcse
	widget:
	- source_sentence: 공용 다운 재킷은 다양한 체형과 스타일에 맞게 설계된 따뜻하고 편안한 외투이다. 이 재킷은 자연스러운 다운 충전재로
	보온성을 극대화하여 겨울철의 추위를 효과적으로 막아준다. 또한, 방수 기능을 갖춘 외부 소재로 제작되어 비 오는 날씨에도 적합하다. 캐주얼한
	디자인으로 일상생활은 물론 아웃도어 활동에도 잘 어울린다.
	sentences:
	- 소형 세탁기는 작은 공간에서도 사용 가능하며, 빠른 세탁이 가능한 제품이다. 따라서 바쁜 일상 속에서도 쉽게 사용할 수 있다. 이 제품은 환경
	친화적인 소비를 원하는 가정에 알맞은 선택이다.
	- 이 재킷은 다양한 체형에 잘 맞도록 설계되어 편안함을 제공하며, 겨울철에도 따뜻함을 유지해주는 외투이다. 방수 기능이 있어 비 오는 날에도
	착용할 수 있고, 캐주얼한 디자인으로 일상적인 활동과 아웃도어에도 적합하다.
	- 공용 다운 재킷은 모든 체형에 맞지 않으며, 추위를 잘 막아주지 않는다. 방수 기능이 없어서 비 오는 날씨에는 적합하지 않으며, 디자인이 너무
	정장 스타일이라 아웃도어 활동에는 어울리지 않는다.
	- source_sentence: 농구용 무릎 보호대는 농구를 하는 동안 무릎을 보호하고 부상을 예방하기 위한 장비이다. 이 보호대는 탄력 있는 소재로
	제작되어 착용 시 편안함을 주며, 무릎 관절에 가해지는 압력을 줄여준다. 또한, 운동 중에 발생할 수 있는 충격을 흡수하여 선수의 안전을 도모하는
	데 도움을 준다.
	sentences:
	- 농구를 하는 선수들에게 무릎을 안전하게 보호하고 부상을 방지하기 위해 설계된 장비가 바로 농구용 무릎 보호대이다.
	- 농구용 무릎 보호대는 농구를 하는 동안 무릎에 아무런 보호 효과도 주지 않는다.
	- 고농축 세럼은 피부의 주름을 줄이고 탄력성을 높이는 데 효과적이다.
	- source_sentence: 러닝머신은 실내에서 안전하게 달리거나 걷기 위해 설계된 운동 기구이다. 사용자가 원하는 속도와 경사를 설정할 수
	있어 개인의 운동 능력에 맞춰 조정이 가능하다. 다양한 프로그램과 기능이 탑재되어 있어 지루하지 않게 운동할 수 있도록 도와준다. 특히 날씨와
	상관없이 언제든지 운동할 수 있는 장점이 있다.
	sentences:
	- 러닝머신은 사용자가 언제든지 실내에서 운동할 수 있도록 돕는 장비여서, 다양한 설정을 통해 각자의 필요에 맞춰 조절할 수 있다.
	- 레터링 맨투맨은 편안하면서도 세련된 느낌을 주는 캐주얼한 옷으로, 다양한 메시지가 담겨 있다.
	- 러닝머신은 비가 오는 날에만 사용할 수 있는 운동 기구여서, 속도와 경사를 설정할 수 없다.
	- source_sentence: 실내 농구대는 집이나 실내 공간에서 농구를 즐길 수 있도록 설계된 장비로, 공간을 절약하면서도 농구 연습 및 놀이를
	가능하게 해준다.
	sentences:
	- 헬스케어와 웰빙을 주제로 한 봉제 인형은 어린이들에게 스트레스를 해소하고 건강한 생활습관을 배울 수 있는 기회를 제공한다. 또한, 이 인형은
	교육적인 자료가 포함되어 있어 학습 효과를 높인다.
	- 실내 농구대는 작은 공간에서도 농구를 할 수 있게 도와주는 매우 유용한 스포츠 장비이다.
	- 실내 농구대는 외부에서만 사용할 수 있는 장비로, 실내에서는 사용할 수 없다.
	- source_sentence: 다지기 기구는 재료를 효과적으로 다지고 혼합할 수 있는 주방 도구이다. 이 기구는 주로 요리 시 재료의 결합과 질감을
	향상시키기 위해 사용된다. 다지기 기구는 다양한 크기와 형태로 제공되어, 사용자의 필요에 맞게 선택할 수 있다. 이를 통해 요리의 품질을 높이고,
	조리 시간을 단축할 수 있다.
	sentences:
	- 다지기 기구는 재료를 혼합하지 않고 오히려 재료를 분리하는 주방 도구이다. 이는 요리를 할 때 전혀 도움이 되지 않는다.
	- 하드캔디는 설탕이나 시럽으로 만든 단단한 과자이며, 여러 가지 맛과 색을 갖고 있어 오랫동안 즐길 수 있다. 이 과자는 간식이나 선물용으로
	많이 사용되며, 아이들과 성인들 모두에게 인기가 있다.
	- 다지기 기구는 음식을 조리할 때 재료를 잘 섞고 부드럽게 만드는 데 도움을 주는 필수 주방 도구이다. 이는 요리의 맛과 질을 개선하고, 요리
	과정을 보다 효율적으로 만들어 준다.
	pipeline_tag: sentence-similarity
	library_name: sentence-transformers
	metrics:
	- cosine_accuracy
	model-index:
	- name: SentenceTransformer based on x2bee/KoModernBERT-base-mlm-ecs-simcse
	results:
	- task:
	type: triplet
	name: Triplet
	dataset:
	name: test triplet
	type: test_triplet
	metrics:
	- type: cosine_accuracy
	value: 0.9791250228881836
	name: Cosine Accuracy
	---

	# SentenceTransformer based on x2bee/KoModernBERT-base-mlm-ecs-simcse

	This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [x2bee/KoModernBERT-base-mlm-ecs-simcse](https://huggingface.co/x2bee/KoModernBERT-base-mlm-ecs-simcse). It maps sentences & paragraphs to a 768-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: [x2bee/KoModernBERT-base-mlm-ecs-simcse](https://huggingface.co/x2bee/KoModernBERT-base-mlm-ecs-simcse) <!-- at revision 0620f5cd999b4ade4e93c107a4edc32067fd7470 -->
	- Maximum Sequence Length: 2048 tokens
	- Output Dimensionality: 768 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: ModernBertModel
	(1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, '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): Dense({'in_features': 768, 'out_features': 768, 'bias': True, 'activation_function': 'torch.nn.modules.activation.Tanh'})
	)
	```

	## 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("x2bee/ModernBERT-ecs-GIST")
	# Run inference
	sentences = [
	'다지기 기구는 재료를 효과적으로 다지고 혼합할 수 있는 주방 도구이다. 이 기구는 주로 요리 시 재료의 결합과 질감을 향상시키기 위해 사용된다. 다지기 기구는 다양한 크기와 형태로 제공되어, 사용자의 필요에 맞게 선택할 수 있다. 이를 통해 요리의 품질을 높이고, 조리 시간을 단축할 수 있다.',
	'다지기 기구는 음식을 조리할 때 재료를 잘 섞고 부드럽게 만드는 데 도움을 주는 필수 주방 도구이다. 이는 요리의 맛과 질을 개선하고, 요리 과정을 보다 효율적으로 만들어 준다.',
	'다지기 기구는 재료를 혼합하지 않고 오히려 재료를 분리하는 주방 도구이다. 이는 요리를 할 때 전혀 도움이 되지 않는다.',
	]
	embeddings = model.encode(sentences)
	print(embeddings.shape)
	# [3, 768]

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

	<!--
	### Direct Usage (Transformers)

	<details><summary>Click to see the direct usage in Transformers</summary>

	</details>
	-->

	<!--
	### Downstream Usage (Sentence Transformers)

	You can finetune this model on your own dataset.

	<details><summary>Click to expand</summary>

	</details>
	-->

	<!--
	### Out-of-Scope Use

	List how the model may foreseeably be misused and address what users ought not to do with the model.
	-->

	## Evaluation

	### Metrics

	#### Triplet

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

	\| Metric \| Value \|
	\|:--------------------\|:-----------\|
	\| cosine_accuracy \| 0.9791 \|

	<!--
	## 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: 1,799,998 training samples
	* Columns: <code>anchor</code>, <code>positive</code>, and <code>negative</code>
	* Approximate statistics based on the first 1000 samples:
	\| \| anchor \| positive \| negative \|
	\|:--------\|:------------------------------------------------------------------------------------\|:------------------------------------------------------------------------------------\|:------------------------------------------------------------------------------------\|
	\| type \| string \| string \| string \|
	\| details \| <ul><li>min: 17 tokens</li><li>mean: 70.96 tokens</li><li>max: 152 tokens</li></ul> \| <ul><li>min: 15 tokens</li><li>mean: 53.97 tokens</li><li>max: 153 tokens</li></ul> \| <ul><li>min: 14 tokens</li><li>mean: 49.48 tokens</li><li>max: 150 tokens</li></ul> \|
	* Samples:
	\| anchor \| positive \| negative \|
	\|:--------------------------------------------------------------------------------------\|:-------------------------------------------------------------------------------\|:-------------------------------------------------------------\|
	\| <code>주방 수납 용품은 주방 내에서 조리 도구, 식기 및 기타 용품을 효율적으로 정리하고 보관할 수 있도록 도와주는 다양한 제품들이다.</code> \| <code>주방용품은 요리 도구와 식기 같은 물건들을 잘 정리하고 저장하기 위해 여러 가지 방식으로 디자인된 제품이다.</code> \| <code>주방 수납 용품은 조리 도구나 식기를 정리하는 데 전혀 도움이 되지 않는 제품들이다.</code> \|
	\| <code>이염 방지 용품은 다양한 소재의 제품에서 발생할 수 있는 이염을 예방하기 위한 용품이다.</code> \| <code>이염 방지 용품은 여러 가지 재료로 만들어진 제품에서 발생할 수 있는 색이 번지는 현상을 막기 위해 만들어진 것이다.</code> \| <code>이염 방지 용품은 오직 단일한 소재의 제품에서만 사용할 수 있다.</code> \|
	\| <code>차량 핸들 커버는 자동차 핸들을 보호하고 미끄럼을 방지하며, 더욱 편안한 그립감을 제공하는 제품이다.</code> \| <code>자동차 핸들을 덮는 커버는 핸들의 마모를 방지하고, 운전 시 지탱력을 높이며, 쥐는 느낌을 향상시키는 용품이다.</code> \| <code>차량 핸들 커버는 핸들을 보호하지 않으며, 미끄럼을 방지하는 기능이 없다.</code> \|
	* Loss: [<code>CachedGISTEmbedLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#cachedgistembedloss) with these parameters:
	```json
	{'guide': SentenceTransformer(
	(0): Transformer({'max_seq_length': 8192, 'do_lower_case': False}) with Transformer model: XLMRobertaModel
	(1): Pooling({'word_embedding_dimension': 1024, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
	(2): Normalize()
	), 'temperature': 0.01}
	```

	### Evaluation Dataset

	#### Unnamed Dataset

	* Size: 200,000 evaluation samples
	* Columns: <code>anchor</code>, <code>positive</code>, and <code>negative</code>
	* Approximate statistics based on the first 1000 samples:
	\| \| anchor \| positive \| negative \|
	\|:--------\|:------------------------------------------------------------------------------------\|:------------------------------------------------------------------------------------\|:------------------------------------------------------------------------------------\|
	\| type \| string \| string \| string \|
	\| details \| <ul><li>min: 18 tokens</li><li>mean: 70.19 tokens</li><li>max: 151 tokens</li></ul> \| <ul><li>min: 15 tokens</li><li>mean: 53.27 tokens</li><li>max: 155 tokens</li></ul> \| <ul><li>min: 15 tokens</li><li>mean: 48.68 tokens</li><li>max: 138 tokens</li></ul> \|
	* Samples:
	\| anchor \| positive \| negative \|
	\|:---------------------------------------------------------------------------------------------------\|:------------------------------------------------------------------------------------------\|:-------------------------------------------------------------------------------\|
	\| <code>다중지능 평가 도구는 개인의 다양한 지능 유형을 평가하여 강점과 약점을 파악하는 데 도움을 주는 도구이다.</code> \| <code>다중지능 평가 도구는 각 개인이 가진 여러 지능의 특징을 분석하여 이들의 장단점을 이해하도록 도와주는 기구다.</code> \| <code>다중지능 평가 도구는 개인의 지능 유형을 전혀 평가하지 못하는 도구이다.</code> \|
	\| <code>데이터베이스 설계에 관한 책은 데이터베이스 구조와 설계 원칙을 설명하는 참고서로, 효과적인 데이터 저장 및 관리 방법을 제시한다.</code> \| <code>책에 담긴 내용은 데이터베이스의 설계 및 구조화 방식에 대한 정보를 제공하며, 이는 데이터의 효율적인 저장과 관리를 위한 기초 지식이다.</code> \| <code>이 책은 데이터베이스 설계와 관련된 내용을 포함하고 있지 않으며, 효과적인 데이터 저장 방법을 전혀 언급하지 않는다.</code> \|
	\| <code>14K, 18K 코티체 사각 컷팅 귀걸이는 고급스러운 14K 또는 18K 금으로 제작된 귀걸이로, 사각 형태의 컷팅 디자인이 특징인 세련된 액세서리이다.</code> \| <code>세련된 디자인과 고급 재료로 만들어진 귀걸이는 14K 또는 18K 금으로 제작된 사각 컷 악세서리이다.</code> \| <code>14K 또는 18K 금으로 만들어진 컷팅이 없는 귀걸이는 고급스럽지 않다.</code> \|
	* Loss: [<code>CachedGISTEmbedLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#cachedgistembedloss) with these parameters:
	```json
	{'guide': SentenceTransformer(
	(0): Transformer({'max_seq_length': 8192, 'do_lower_case': False}) with Transformer model: XLMRobertaModel
	(1): Pooling({'word_embedding_dimension': 1024, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
	(2): Normalize()
	), 'temperature': 0.01}
	```

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

	- `overwrite_output_dir`: True
	- `eval_strategy`: steps
	- `per_device_train_batch_size`: 4096
	- `per_device_eval_batch_size`: 16
	- `learning_rate`: 1e-05
	- `warmup_ratio`: 0.2
	- `push_to_hub`: True
	- `hub_model_id`: x2bee/ModernBERT-ecs-GIST
	- `hub_strategy`: checkpoint
	- `batch_sampler`: no_duplicates

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

	- `overwrite_output_dir`: True
	- `do_predict`: False
	- `eval_strategy`: steps
	- `prediction_loss_only`: True
	- `per_device_train_batch_size`: 4096
	- `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`: 1e-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`: 3.0
	- `max_steps`: -1
	- `lr_scheduler_type`: linear
	- `lr_scheduler_kwargs`: {}
	- `warmup_ratio`: 0.2
	- `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`: False
	- `fp16_opt_level`: O1
	- `half_precision_backend`: auto
	- `bf16_full_eval`: False
	- `fp16_full_eval`: False
	- `tf32`: None
	- `local_rank`: 0
	- `ddp_backend`: None
	- `tpu_num_cores`: None
	- `tpu_metrics_debug`: False
	- `debug`: []
	- `dataloader_drop_last`: True
	- `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`: True
	- `resume_from_checkpoint`: None
	- `hub_model_id`: x2bee/ModernBERT-ecs-GIST
	- `hub_strategy`: checkpoint
	- `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 \| test_triplet_cosine_accuracy \|
	\|:------:\|:----:\|:-------------:\|:---------------:\|:----------------------------:\|
	\| 0.0185 \| 1 \| 2.3684 \| - \| - \|
	\| 0.0370 \| 2 \| 2.3889 \| - \| - \|
	\| 0.0556 \| 3 \| 2.3838 \| - \| - \|
	\| 0.0741 \| 4 \| 2.3771 \| - \| - \|
	\| 0.0926 \| 5 \| 2.3611 \| - \| - \|
	\| 0.1111 \| 6 \| 2.3567 \| - \| - \|
	\| 0.1296 \| 7 \| 2.3447 \| - \| - \|
	\| 0.1481 \| 8 \| 2.3366 \| - \| - \|
	\| 0.1667 \| 9 \| 2.2655 \| - \| - \|
	\| 0.1852 \| 10 \| 2.2951 \| - \| - \|
	\| 0.2037 \| 11 \| 2.2416 \| - \| - \|
	\| 0.2222 \| 12 \| 2.2242 \| - \| - \|
	\| 0.2407 \| 13 \| 2.1981 \| - \| - \|
	\| 0.2593 \| 14 \| 2.1923 \| - \| - \|
	\| 0.2778 \| 15 \| 2.0876 \| - \| - \|
	\| 0.2963 \| 16 \| 2.0796 \| - \| - \|
	\| 0.3148 \| 17 \| 2.0372 \| - \| - \|
	\| 0.3333 \| 18 \| 1.9932 \| - \| - \|
	\| 0.3519 \| 19 \| 1.9682 \| - \| - \|
	\| 0.3704 \| 20 \| 1.9146 \| - \| - \|
	\| 0.3889 \| 21 \| 1.8736 \| - \| - \|
	\| 0.4074 \| 22 \| 1.8396 \| - \| - \|
	\| 0.4259 \| 23 \| 1.7937 \| - \| - \|
	\| 0.4444 \| 24 \| 1.7365 \| - \| - \|
	\| 0.4630 \| 25 \| 1.6928 \| 0.1195 \| 0.9867 \|
	\| 0.4815 \| 26 \| 1.6248 \| - \| - \|
	\| 0.5 \| 27 \| 1.5888 \| - \| - \|
	\| 0.5185 \| 28 \| 1.5364 \| - \| - \|
	\| 0.5370 \| 29 \| 1.4799 \| - \| - \|
	\| 0.5556 \| 30 \| 1.4308 \| - \| - \|
	\| 0.5741 \| 31 \| 1.3976 \| - \| - \|
	\| 0.5926 \| 32 \| 1.3449 \| - \| - \|
	\| 0.6111 \| 33 \| 1.3078 \| - \| - \|
	\| 0.6296 \| 34 \| 1.2954 \| - \| - \|
	\| 0.6481 \| 35 \| 1.2216 \| - \| - \|
	\| 0.6667 \| 36 \| 1.15 \| - \| - \|
	\| 0.6852 \| 37 \| 1.1438 \| - \| - \|
	\| 0.7037 \| 38 \| 1.1094 \| - \| - \|
	\| 0.7222 \| 39 \| 1.0956 \| - \| - \|
	\| 0.7407 \| 40 \| 1.0417 \| - \| - \|
	\| 0.7593 \| 41 \| 1.0168 \| - \| - \|
	\| 0.7778 \| 42 \| 0.9877 \| - \| - \|
	\| 0.7963 \| 43 \| 0.98 \| - \| - \|
	\| 0.8148 \| 44 \| 0.9519 \| - \| - \|
	\| 0.8333 \| 45 \| 0.9394 \| - \| - \|
	\| 0.8519 \| 46 \| 0.9178 \| - \| - \|
	\| 0.8704 \| 47 \| 0.8871 \| - \| - \|
	\| 0.8889 \| 48 \| 0.8571 \| - \| - \|
	\| 0.9074 \| 49 \| 0.8474 \| - \| - \|
	\| 0.9259 \| 50 \| 0.8474 \| 0.0262 \| 0.9856 \|
	\| 0.9444 \| 51 \| 0.8348 \| - \| - \|
	\| 0.9630 \| 52 \| 0.8005 \| - \| - \|
	\| 0.9815 \| 53 \| 0.7889 \| - \| - \|
	\| 1.0 \| 54 \| 0.7706 \| - \| - \|
	\| 1.0185 \| 55 \| 0.7546 \| - \| - \|
	\| 1.0370 \| 56 \| 0.7205 \| - \| - \|
	\| 1.0556 \| 57 \| 0.7285 \| - \| - \|
	\| 1.0741 \| 58 \| 0.7147 \| - \| - \|
	\| 1.0926 \| 59 \| 0.6896 \| - \| - \|
	\| 1.1111 \| 60 \| 0.6798 \| - \| - \|
	\| 1.1296 \| 61 \| 0.6816 \| - \| - \|
	\| 1.1481 \| 62 \| 0.6665 \| - \| - \|
	\| 1.1667 \| 63 \| 0.6676 \| - \| - \|
	\| 1.1852 \| 64 \| 0.6518 \| - \| - \|
	\| 1.2037 \| 65 \| 0.6523 \| - \| - \|
	\| 1.2222 \| 66 \| 0.6249 \| - \| - \|
	\| 1.2407 \| 67 \| 0.6133 \| - \| - \|
	\| 1.2593 \| 68 \| 0.6274 \| - \| - \|
	\| 1.2778 \| 69 \| 0.6034 \| - \| - \|
	\| 1.2963 \| 70 \| 0.5967 \| - \| - \|
	\| 1.3148 \| 71 \| 0.5882 \| - \| - \|
	\| 1.3333 \| 72 \| 0.5757 \| - \| - \|
	\| 1.3519 \| 73 \| 0.5616 \| - \| - \|
	\| 1.3704 \| 74 \| 0.5584 \| - \| - \|
	\| 1.3889 \| 75 \| 0.5554 \| 0.0191 \| 0.9775 \|
	\| 1.4074 \| 76 \| 0.5543 \| - \| - \|
	\| 1.4259 \| 77 \| 0.5404 \| - \| - \|
	\| 1.4444 \| 78 \| 0.5539 \| - \| - \|
	\| 1.4630 \| 79 \| 0.5371 \| - \| - \|
	\| 1.4815 \| 80 \| 0.5338 \| - \| - \|
	\| 1.5 \| 81 \| 0.5098 \| - \| - \|
	\| 1.5185 \| 82 \| 0.5045 \| - \| - \|
	\| 1.5370 \| 83 \| 0.5008 \| - \| - \|
	\| 1.5556 \| 84 \| 0.4976 \| - \| - \|
	\| 1.5741 \| 85 \| 0.4865 \| - \| - \|
	\| 1.5926 \| 86 \| 0.4706 \| - \| - \|
	\| 1.6111 \| 87 \| 0.465 \| - \| - \|
	\| 1.6296 \| 88 \| 0.4729 \| - \| - \|
	\| 1.6481 \| 89 \| 0.4575 \| - \| - \|
	\| 1.6667 \| 90 \| 0.4516 \| - \| - \|
	\| 1.6852 \| 91 \| 0.453 \| - \| - \|
	\| 1.7037 \| 92 \| 0.4306 \| - \| - \|
	\| 1.7222 \| 93 \| 0.434 \| - \| - \|
	\| 1.7407 \| 94 \| 0.4321 \| - \| - \|
	\| 1.7593 \| 95 \| 0.4227 \| - \| - \|
	\| 1.7778 \| 96 \| 0.4186 \| - \| - \|
	\| 1.7963 \| 97 \| 0.4022 \| - \| - \|
	\| 1.8148 \| 98 \| 0.4057 \| - \| - \|
	\| 1.8333 \| 99 \| 0.4018 \| - \| - \|
	\| 1.8519 \| 100 \| 0.3852 \| 0.0139 \| 0.9753 \|
	\| 1.8704 \| 101 \| 0.389 \| - \| - \|
	\| 1.8889 \| 102 \| 0.3801 \| - \| - \|
	\| 1.9074 \| 103 \| 0.3896 \| - \| - \|
	\| 1.9259 \| 104 \| 0.3759 \| - \| - \|
	\| 1.9444 \| 105 \| 0.3614 \| - \| - \|
	\| 1.9630 \| 106 \| 0.3616 \| - \| - \|
	\| 1.9815 \| 107 \| 0.3422 \| - \| - \|
	\| 2.0 \| 108 \| 0.3516 \| - \| - \|
	\| 2.0185 \| 109 \| 0.3507 \| - \| - \|
	\| 2.0370 \| 110 \| 0.3387 \| - \| - \|
	\| 2.0556 \| 111 \| 0.343 \| - \| - \|
	\| 2.0741 \| 112 \| 0.3335 \| - \| - \|
	\| 2.0926 \| 113 \| 0.3356 \| - \| - \|
	\| 2.1111 \| 114 \| 0.3262 \| - \| - \|
	\| 2.1296 \| 115 \| 0.3236 \| - \| - \|
	\| 2.1481 \| 116 \| 0.3201 \| - \| - \|
	\| 2.1667 \| 117 \| 0.3267 \| - \| - \|
	\| 2.1852 \| 118 \| 0.3148 \| - \| - \|
	\| 2.2037 \| 119 \| 0.3106 \| - \| - \|
	\| 2.2222 \| 120 \| 0.3033 \| - \| - \|
	\| 2.2407 \| 121 \| 0.3065 \| - \| - \|
	\| 2.2593 \| 122 \| 0.3144 \| - \| - \|
	\| 2.2778 \| 123 \| 0.3038 \| - \| - \|
	\| 2.2963 \| 124 \| 0.2964 \| - \| - \|
	\| 2.3148 \| 125 \| 0.2815 \| 0.0107 \| 0.9766 \|
	\| 2.3333 \| 126 \| 0.2997 \| - \| - \|
	\| 2.3519 \| 127 \| 0.2863 \| - \| - \|
	\| 2.3704 \| 128 \| 0.2809 \| - \| - \|
	\| 2.3889 \| 129 \| 0.2786 \| - \| - \|
	\| 2.4074 \| 130 \| 0.2878 \| - \| - \|
	\| 2.4259 \| 131 \| 0.2736 \| - \| - \|
	\| 2.4444 \| 132 \| 0.2786 \| - \| - \|
	\| 2.4630 \| 133 \| 0.2695 \| - \| - \|
	\| 2.4815 \| 134 \| 0.2731 \| - \| - \|
	\| 2.5 \| 135 \| 0.2721 \| - \| - \|
	\| 2.5185 \| 136 \| 0.2681 \| - \| - \|
	\| 2.5370 \| 137 \| 0.2689 \| - \| - \|
	\| 2.5556 \| 138 \| 0.2545 \| - \| - \|
	\| 2.5741 \| 139 \| 0.2617 \| - \| - \|
	\| 2.5926 \| 140 \| 0.2633 \| - \| - \|
	\| 2.6111 \| 141 \| 0.2523 \| - \| - \|
	\| 2.6296 \| 142 \| 0.2518 \| - \| - \|
	\| 2.6481 \| 143 \| 0.2576 \| - \| - \|
	\| 2.6667 \| 144 \| 0.2596 \| - \| - \|
	\| 2.6852 \| 145 \| 0.2537 \| - \| - \|
	\| 2.7037 \| 146 \| 0.2542 \| - \| - \|
	\| 2.7222 \| 147 \| 0.2476 \| - \| - \|
	\| 2.7407 \| 148 \| 0.2397 \| - \| - \|
	\| 2.7593 \| 149 \| 0.2448 \| - \| - \|
	\| 2.7778 \| 150 \| 0.2431 \| 0.0084 \| 0.9791 \|
	\| 2.7963 \| 151 \| 0.2408 \| - \| - \|
	\| 2.8148 \| 152 \| 0.2394 \| - \| - \|
	\| 2.8333 \| 153 \| 0.2317 \| - \| - \|
	\| 2.8519 \| 154 \| 0.2367 \| - \| - \|
	\| 2.8704 \| 155 \| 0.2375 \| - \| - \|
	\| 2.8889 \| 156 \| 0.2351 \| - \| - \|
	\| 2.9074 \| 157 \| 0.2448 \| - \| - \|
	\| 2.9259 \| 158 \| 0.229 \| - \| - \|
	\| 2.9444 \| 159 \| 0.2274 \| - \| - \|
	\| 2.9630 \| 160 \| 0.2313 \| - \| - \|
	\| 2.9815 \| 161 \| 0.2269 \| - \| - \|
	\| 3.0 \| 162 \| 0.2298 \| - \| - \|

	</details>

	### Framework Versions
	- Python: 3.11.10
	- Sentence Transformers: 3.4.1
	- Transformers: 4.49.0
	- PyTorch: 2.5.1+cu124
	- Accelerate: 1.4.0
	- Datasets: 3.3.2
	- 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",
	}
	```

	<!--
	## 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.
	-->