SentenceTransformer based on FacebookAI/xlm-roberta-base

This is a sentence-transformers model finetuned from FacebookAI/xlm-roberta-base on the en-sa dataset. 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: FacebookAI/xlm-roberta-base
Maximum Sequence Length: 128 tokens
Output Dimensionality: 768 dimensions
Similarity Function: Cosine Similarity
Training Dataset:
- en-sa

Model Sources

Documentation: Sentence Transformers Documentation
Repository: Sentence Transformers on GitHub
Hugging Face: Sentence Transformers on Hugging Face

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 128, 'do_lower_case': False}) with Transformer model: XLMRobertaModel 
  (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})
)

Usage

Direct Usage (Sentence Transformers)

First install the Sentence Transformers library:

pip install -U sentence-transformers

Then you can load this model and run inference.

from sentence_transformers import SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("saikasyap/xlm-roberta-base-multilingual-en-sa")
# Run inference
sentences = [
    'Magazines and Periodicals   that are published periodically.',
    'पत्रिकाणां (Magazines) तथा नियतकालिकानां च (Periodicals) ग्राहकत्वस्य निर्वहणार्थम् उपयुज्यन्ते ।',
    '"अस्योपरि नुदामश्चेत्, इदं पेन्-ड्रैव् मध्ये, विद्यमानानि सर्वाणि फैल्स् फोल्डर्स् च दर्शयति ।"',
]
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]

Evaluation

Metrics

Knowledge Distillation

Dataset: en-sa
Evaluated with MSEEvaluator

Metric	Value
negative_mse	-13.0248

Translation

Dataset: en-sa
Evaluated with TranslationEvaluator

Metric	Value
src2trg_accuracy	0.927
trg2src_accuracy	0.903
mean_accuracy	0.915

Training Details

Training Dataset

en-sa

Dataset: en-sa
Size: 257,886 training samples
Columns: english, non_english, and label
Approximate statistics based on the first 1000 samples:
english non_english label
type string string list
details
min: 12 tokens
mean: 34.23 tokens
max: 113 tokens

min: 14 tokens
mean: 49.72 tokens
max: 128 tokens

size: 768 elements

	english	non_english	label
type	string	string	list
details	min: 12 tokens mean: 34.23 tokens max: 113 tokens	min: 14 tokens mean: 49.72 tokens max: 128 tokens	size: 768 elements

Samples:

english	non_english	label
`There was no Mughal tradition of primogeniture, the systematic passing of rule, upon an emperor's death, to his eldest son.`	`चक्रवर्तिनः मृत्योः अनन्तरं तस्य शासनस्य व्यवस्थितरूपेण सङ्क्रमणस्य, मुघलपरम्परायाः ज्येष्ठपुत्राधिकारपद्धतिः नासीत्।`	`[-0.5880301594734192, -0.20026817917823792, 0.372330904006958, -0.9807565808296204, -0.35607191920280457, ...]`
`The four sons of Shah Jahan all held governorships during their father's reign.`	`शाह्-जहाँ-नामकस्य चत्वारः पुत्राः, सर्वे पितुः शासनकाले शासकपदम् अधारयन्।`	`[-0.5090229511260986, 0.33517003059387207, 0.27507224678993225, -0.05707915127277374, -0.5126022100448608, ...]`
`In this regard he discusses the correlation between social opportunities of education and health and how both of these complement economic and political freedoms as a healthy and well-educated person is better suited to make informed economic decisions and be involved in fruitful political demonstrations etc.`	अस्मिन् विषये सः शिक्षणस्य स्वास्थ्यस्य च सामाजिकावकाशानाम् अन्योन्य-सम्बन्धस्य, तथा च एतद्द्वयम् अपि आर्थिक-राजनैतिक-स्वातन्त्र्ययोः कथं पूरकं भवतः इति च चर्चां करोति, यतोहि स्वस्था सुशिक्षिता च व्यक्तिः ज्ञानपूर्वम् आर्थिकविषयान् निर्णेतुं तथा फलप्रदेषु राजनैतिकेषु प्रतिपादनादिषु संलग्नः भवितुं च अधिकारी भवति इति।	`[0.16507332026958466, -0.1722974181175232, 0.02585001103579998, 0.36087149381637573, -0.6401643753051758, ...]`

Loss: MSELoss

Evaluation Dataset

en-sa

Dataset: en-sa
Size: 1,000 evaluation samples
Columns: english, non_english, and label
Approximate statistics based on the first 1000 samples:
english non_english label
type string string list
details
min: 4 tokens
mean: 21.38 tokens
max: 68 tokens

min: 4 tokens
mean: 27.89 tokens
max: 91 tokens

size: 768 elements

	english	non_english	label
type	string	string	list
details	min: 4 tokens mean: 21.38 tokens max: 68 tokens	min: 4 tokens mean: 27.89 tokens max: 91 tokens	size: 768 elements

Samples:

english	non_english	label
`"""So they cast him out of the vineyard, and killed him. What therefore shall the lord of the vineyard do unto them?"""`	`ततस्ते तं क्षेत्राद् बहि र्निपात्य जघ्नुस्तस्मात् स क्षेत्रपतिस्तान् प्रति किं करिष्यति?`	`[-0.06878167390823364, -0.5150429606437683, -0.09011576324701309, -0.7458725571632385, 0.050420328974723816, ...]`
`Avogadro application window opens.`	`Avogadro एप्लिकेशन् विण्डो उद्घट्यते ।`	`[0.9054689407348633, -0.2203768789768219, -0.19827595353126526, 0.23870715498924255, -0.3162331283092499, ...]`
`Svangah: One whose limbs are beautiful.`	`स्वंग:यस्य अङ्गानि सुन्दराणि सन्ति`	`[0.6443825960159302, 0.4850354492664337, -0.4563218355178833, -0.4771449863910675, 0.6588209867477417, ...]`

Loss: MSELoss

Training Hyperparameters

Non-Default Hyperparameters

eval_strategy: steps
learning_rate: 2e-05
num_train_epochs: 10
warmup_ratio: 0.1

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: 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: 10
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: False
fp16_opt_level: O1
half_precision_backend: auto
bf16_full_eval: False
fp16_full_eval: False
tf32: None
local_rank: 0
ddp_backend: None
tpu_num_cores: None
tpu_metrics_debug: False
debug: []
dataloader_drop_last: False
dataloader_num_workers: 0
dataloader_prefetch_factor: None
past_index: -1
disable_tqdm: False
remove_unused_columns: True
label_names: None
load_best_model_at_end: False
ignore_data_skip: False
fsdp: []
fsdp_min_num_params: 0
fsdp_config: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
fsdp_transformer_layer_cls_to_wrap: None
accelerator_config: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
deepspeed: None
label_smoothing_factor: 0.0
optim: adamw_torch
optim_args: None
adafactor: False
group_by_length: False
length_column_name: length
ddp_find_unused_parameters: None
ddp_bucket_cap_mb: None
ddp_broadcast_buffers: False
dataloader_pin_memory: True
dataloader_persistent_workers: False
skip_memory_metrics: True
use_legacy_prediction_loop: False
push_to_hub: False
resume_from_checkpoint: None
hub_model_id: None
hub_strategy: every_save
hub_private_repo: False
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: batch_sampler
multi_dataset_batch_sampler: proportional

Training Logs

Click to expand

Epoch	Step	Training Loss	en-sa loss	en-sa_negative_mse	en-sa_mean_accuracy
0.0124	100	0.6774	-	-	-
0.0248	200	0.6328	-	-	-
0.0372	300	0.5541	-	-	-
0.0496	400	0.4007	-	-	-
0.0620	500	0.3031	-	-	-
0.0745	600	0.2789	-	-	-
0.0869	700	0.2674	-	-	-
0.0993	800	0.2603	-	-	-
0.1117	900	0.2564	-	-	-
0.1241	1000	0.254	-	-	-
0.1365	1100	0.2496	-	-	-
0.1489	1200	0.2486	-	-	-
0.1613	1300	0.2476	-	-	-
0.1737	1400	0.2487	-	-	-
0.1861	1500	0.2439	-	-	-
0.1985	1600	0.2441	-	-	-
0.2109	1700	0.2427	-	-	-
0.2234	1800	0.2414	-	-	-
0.2358	1900	0.2395	-	-	-
0.2482	2000	0.2395	-	-	-
0.2606	2100	0.2383	-	-	-
0.2730	2200	0.2363	-	-	-
0.2854	2300	0.2348	-	-	-
0.2978	2400	0.2316	-	-	-
0.3102	2500	0.235	-	-	-
0.3226	2600	0.2328	-	-	-
0.3350	2700	0.2307	-	-	-
0.3474	2800	0.2295	-	-	-
0.3598	2900	0.2267	-	-	-
0.3723	3000	0.2246	-	-	-
0.3847	3100	0.225	-	-	-
0.3971	3200	0.2239	-	-	-
0.4095	3300	0.2201	-	-	-
0.4219	3400	0.2149	-	-	-
0.4343	3500	0.2161	-	-	-
0.4467	3600	0.2168	-	-	-
0.4591	3700	0.212	-	-	-
0.4715	3800	0.2135	-	-	-
0.4839	3900	0.2087	-	-	-
0.4963	4000	0.2083	-	-	-
0.5087	4100	0.2061	-	-	-
0.5212	4200	0.2084	-	-	-
0.5336	4300	0.2011	-	-	-
0.5460	4400	0.2023	-	-	-
0.5584	4500	0.2	-	-	-
0.5708	4600	0.2006	-	-	-
0.5832	4700	0.1987	-	-	-
0.5956	4800	0.1946	-	-	-
0.6080	4900	0.197	-	-	-
0.6204	5000	0.1962	-	-	-
0.6328	5100	0.192	-	-	-
0.6452	5200	0.1931	-	-	-
0.6576	5300	0.1928	-	-	-
0.6701	5400	0.1896	-	-	-
0.6825	5500	0.1906	-	-	-
0.6949	5600	0.1882	-	-	-
0.7073	5700	0.1867	-	-	-
0.7197	5800	0.1867	-	-	-
0.7321	5900	0.1847	-	-	-
0.7445	6000	0.186	-	-	-
0.7569	6100	0.1843	-	-	-
0.7693	6200	0.1806	-	-	-
0.7817	6300	0.1812	-	-	-
0.7941	6400	0.1779	-	-	-
0.8066	6500	0.178	-	-	-
0.8190	6600	0.1778	-	-	-
0.8314	6700	0.1769	-	-	-
0.8438	6800	0.1768	-	-	-
0.8562	6900	0.1753	-	-	-
0.8686	7000	0.1749	-	-	-
0.8810	7100	0.1722	-	-	-
0.8934	7200	0.1727	-	-	-
0.9058	7300	0.1736	-	-	-
0.9182	7400	0.1717	-	-	-
0.9306	7500	0.1691	-	-	-
0.9430	7600	0.1678	-	-	-
0.9555	7700	0.1709	-	-	-
0.9679	7800	0.168	-	-	-
0.9803	7900	0.167	-	-	-
0.9927	8000	0.1647	-	-	-
1.0051	8100	0.1658	-	-	-
1.0175	8200	0.1661	-	-	-
1.0299	8300	0.1629	-	-	-
1.0423	8400	0.1646	-	-	-
1.0547	8500	0.1631	-	-	-
1.0671	8600	0.1603	-	-	-
1.0795	8700	0.1608	-	-	-
1.0919	8800	0.1605	-	-	-
1.1044	8900	0.1593	-	-	-
1.1168	9000	0.1598	-	-	-
1.1292	9100	0.158	-	-	-
1.1416	9200	0.1561	-	-	-
1.1540	9300	0.1562	-	-	-
1.1664	9400	0.1563	-	-	-
1.1788	9500	0.1545	-	-	-
1.1912	9600	0.1525	-	-	-
1.2036	9700	0.1531	-	-	-
1.2160	9800	0.1534	-	-	-
1.2284	9900	0.1525	-	-	-
1.2408	10000	0.1515	0.1755	-19.4347	0.7575
1.2533	10100	0.152	-	-	-
1.2657	10200	0.1507	-	-	-
1.2781	10300	0.1492	-	-	-
1.2905	10400	0.1485	-	-	-
1.3029	10500	0.1488	-	-	-
1.3153	10600	0.1496	-	-	-
1.3277	10700	0.1495	-	-	-
1.3401	10800	0.1475	-	-	-
1.3525	10900	0.1484	-	-	-
1.3649	11000	0.1465	-	-	-
1.3773	11100	0.1481	-	-	-
1.3898	11200	0.1477	-	-	-
1.4022	11300	0.148	-	-	-
1.4146	11400	0.1445	-	-	-
1.4270	11500	0.1429	-	-	-
1.4394	11600	0.1443	-	-	-
1.4518	11700	0.144	-	-	-
1.4642	11800	0.1455	-	-	-
1.4766	11900	0.1438	-	-	-
1.4890	12000	0.1425	-	-	-
1.5014	12100	0.1427	-	-	-
1.5138	12200	0.1426	-	-	-
1.5262	12300	0.1422	-	-	-
1.5387	12400	0.1395	-	-	-
1.5511	12500	0.1403	-	-	-
1.5635	12600	0.1414	-	-	-
1.5759	12700	0.1404	-	-	-
1.5883	12800	0.1391	-	-	-
1.6007	12900	0.1377	-	-	-
1.6131	13000	0.1408	-	-	-
1.6255	13100	0.1378	-	-	-
1.6379	13200	0.1387	-	-	-
1.6503	13300	0.1383	-	-	-
1.6627	13400	0.1393	-	-	-
1.6751	13500	0.137	-	-	-
1.6876	13600	0.1386	-	-	-
1.7000	13700	0.1366	-	-	-
1.7124	13800	0.137	-	-	-
1.7248	13900	0.1365	-	-	-
1.7372	14000	0.1367	-	-	-
1.7496	14100	0.1379	-	-	-
1.7620	14200	0.1355	-	-	-
1.7744	14300	0.1349	-	-	-
1.7868	14400	0.134	-	-	-
1.7992	14500	0.133	-	-	-
1.8116	14600	0.1337	-	-	-
1.8240	14700	0.1332	-	-	-
1.8365	14800	0.1335	-	-	-
1.8489	14900	0.1334	-	-	-
1.8613	15000	0.1333	-	-	-
1.8737	15100	0.1329	-	-	-
1.8861	15200	0.132	-	-	-
1.8985	15300	0.1322	-	-	-
1.9109	15400	0.1334	-	-	-
1.9233	15500	0.1308	-	-	-
1.9357	15600	0.1302	-	-	-
1.9481	15700	0.1313	-	-	-
1.9605	15800	0.1319	-	-	-
1.9729	15900	0.1305	-	-	-
1.9854	16000	0.1299	-	-	-
1.9978	16100	0.1288	-	-	-
2.0102	16200	0.1313	-	-	-
2.0226	16300	0.1299	-	-	-
2.0350	16400	0.1304	-	-	-
2.0474	16500	0.1304	-	-	-
2.0598	16600	0.1292	-	-	-
2.0722	16700	0.1276	-	-	-
2.0846	16800	0.1283	-	-	-
2.0970	16900	0.129	-	-	-
2.1094	17000	0.1294	-	-	-
2.1219	17100	0.1281	-	-	-
2.1343	17200	0.1276	-	-	-
2.1467	17300	0.1266	-	-	-
2.1591	17400	0.1263	-	-	-
2.1715	17500	0.1273	-	-	-
2.1839	17600	0.1263	-	-	-
2.1963	17700	0.1257	-	-	-
2.2087	17800	0.1256	-	-	-
2.2211	17900	0.1269	-	-	-
2.2335	18000	0.1256	-	-	-
2.2459	18100	0.1255	-	-	-
2.2583	18200	0.126	-	-	-
2.2708	18300	0.1243	-	-	-
2.2832	18400	0.125	-	-	-
2.2956	18500	0.1242	-	-	-
2.3080	18600	0.1249	-	-	-
2.3204	18700	0.1248	-	-	-
2.3328	18800	0.1248	-	-	-
2.3452	18900	0.1245	-	-	-
2.3576	19000	0.124	-	-	-
2.3700	19100	0.1246	-	-	-
2.3824	19200	0.125	-	-	-
2.3948	19300	0.1251	-	-	-
2.4072	19400	0.1243	-	-	-
2.4197	19500	0.1218	-	-	-
2.4321	19600	0.1217	-	-	-
2.4445	19700	0.1239	-	-	-
2.4569	19800	0.1219	-	-	-
2.4693	19900	0.1241	-	-	-
2.4817	20000	0.1222	0.1380	-16.1712	0.864
2.4941	20100	0.1223	-	-	-
2.5065	20200	0.1216	-	-	-
2.5189	20300	0.1231	-	-	-
2.5313	20400	0.1208	-	-	-
2.5437	20500	0.1208	-	-	-
2.5561	20600	0.1202	-	-	-
2.5686	20700	0.1225	-	-	-
2.5810	20800	0.1209	-	-	-
2.5934	20900	0.1201	-	-	-
2.6058	21000	0.1203	-	-	-
2.6182	21100	0.1212	-	-	-
2.6306	21200	0.1199	-	-	-
2.6430	21300	0.1198	-	-	-
2.6554	21400	0.1212	-	-	-
2.6678	21500	0.1207	-	-	-
2.6802	21600	0.1199	-	-	-
2.6926	21700	0.1198	-	-	-
2.7051	21800	0.1196	-	-	-
2.7175	21900	0.1196	-	-	-
2.7299	22000	0.119	-	-	-
2.7423	22100	0.1197	-	-	-
2.7547	22200	0.1201	-	-	-
2.7671	22300	0.1187	-	-	-
2.7795	22400	0.1184	-	-	-
2.7919	22500	0.1177	-	-	-
2.8043	22600	0.1167	-	-	-
2.8167	22700	0.1187	-	-	-
2.8291	22800	0.1168	-	-	-
2.8415	22900	0.1174	-	-	-
2.8540	23000	0.1181	-	-	-
2.8664	23100	0.1185	-	-	-
2.8788	23200	0.1167	-	-	-
2.8912	23300	0.1169	-	-	-
2.9036	23400	0.1171	-	-	-
2.9160	23500	0.1179	-	-	-
2.9284	23600	0.116	-	-	-
2.9408	23700	0.1148	-	-	-
2.9532	23800	0.1183	-	-	-
2.9656	23900	0.1162	-	-	-
2.9780	24000	0.1165	-	-	-
2.9904	24100	0.115	-	-	-
3.0029	24200	0.1155	-	-	-
3.0153	24300	0.1177	-	-	-
3.0277	24400	0.1145	-	-	-
3.0401	24500	0.1175	-	-	-
3.0525	24600	0.1159	-	-	-
3.0649	24700	0.1149	-	-	-
3.0773	24800	0.1144	-	-	-
3.0897	24900	0.1152	-	-	-
3.1021	25000	0.1157	-	-	-
3.1145	25100	0.116	-	-	-
3.1269	25200	0.1145	-	-	-
3.1393	25300	0.1139	-	-	-
3.1518	25400	0.1141	-	-	-
3.1642	25500	0.114	-	-	-
3.1766	25600	0.1144	-	-	-
3.1890	25700	0.113	-	-	-
3.2014	25800	0.1133	-	-	-
3.2138	25900	0.1136	-	-	-
3.2262	26000	0.1138	-	-	-
3.2386	26100	0.1128	-	-	-
3.2510	26200	0.1144	-	-	-
3.2634	26300	0.1126	-	-	-
3.2758	26400	0.1126	-	-	-
3.2882	26500	0.1121	-	-	-
3.3007	26600	0.1126	-	-	-
3.3131	26700	0.1134	-	-	-
3.3255	26800	0.1131	-	-	-
3.3379	26900	0.1122	-	-	-
3.3503	27000	0.113	-	-	-
3.3627	27100	0.1124	-	-	-
3.3751	27200	0.1134	-	-	-
3.3875	27300	0.1142	-	-	-
3.3999	27400	0.113	-	-	-
3.4123	27500	0.1125	-	-	-
3.4247	27600	0.1102	-	-	-
3.4372	27700	0.1116	-	-	-
3.4496	27800	0.1116	-	-	-
3.4620	27900	0.1122	-	-	-
3.4744	28000	0.112	-	-	-
3.4868	28100	0.1114	-	-	-
3.4992	28200	0.1112	-	-	-
3.5116	28300	0.1112	-	-	-
3.5240	28400	0.1125	-	-	-
3.5364	28500	0.1095	-	-	-
3.5488	28600	0.1105	-	-	-
3.5612	28700	0.1107	-	-	-
3.5736	28800	0.1106	-	-	-
3.5861	28900	0.1105	-	-	-
3.5985	29000	0.1095	-	-	-
3.6109	29100	0.111	-	-	-
3.6233	29200	0.11	-	-	-
3.6357	29300	0.11	-	-	-
3.6481	29400	0.1111	-	-	-
3.6605	29500	0.1116	-	-	-
3.6729	29600	0.1095	-	-	-
3.6853	29700	0.1104	-	-	-
3.6977	29800	0.1095	-	-	-
3.7101	29900	0.1098	-	-	-
3.7225	30000	0.1095	0.1235	-14.8315	0.8875
3.7350	30100	0.1104	-	-	-
3.7474	30200	0.1099	-	-	-
3.7598	30300	0.1106	-	-	-
3.7722	30400	0.1085	-	-	-
3.7846	30500	0.1086	-	-	-
3.7970	30600	0.108	-	-	-
3.8094	30700	0.1087	-	-	-
3.8218	30800	0.1081	-	-	-
3.8342	30900	0.1084	-	-	-
3.8466	31000	0.1088	-	-	-
3.8590	31100	0.1086	-	-	-
3.8714	31200	0.1091	-	-	-
3.8839	31300	0.1074	-	-	-
3.8963	31400	0.1079	-	-	-
3.9087	31500	0.11	-	-	-
3.9211	31600	0.1077	-	-	-
3.9335	31700	0.1072	-	-	-
3.9459	31800	0.1072	-	-	-
3.9583	31900	0.1089	-	-	-
3.9707	32000	0.1079	-	-	-
3.9831	32100	0.1072	-	-	-
3.9955	32200	0.1064	-	-	-
4.0079	32300	0.1081	-	-	-
4.0203	32400	0.1083	-	-	-
4.0328	32500	0.1074	-	-	-
4.0452	32600	0.1084	-	-	-
4.0576	32700	0.107	-	-	-
4.0700	32800	0.1065	-	-	-
4.0824	32900	0.1071	-	-	-
4.0948	33000	0.107	-	-	-
4.1072	33100	0.1077	-	-	-
4.1196	33200	0.107	-	-	-
4.1320	33300	0.1067	-	-	-
4.1444	33400	0.1057	-	-	-
4.1568	33500	0.1062	-	-	-
4.1693	33600	0.1071	-	-	-
4.1817	33700	0.1055	-	-	-
4.1941	33800	0.106	-	-	-
4.2065	33900	0.1048	-	-	-
4.2189	34000	0.1069	-	-	-
4.2313	34100	0.1054	-	-	-
4.2437	34200	0.1055	-	-	-
4.2561	34300	0.1058	-	-	-
4.2685	34400	0.1057	-	-	-
4.2809	34500	0.1045	-	-	-
4.2933	34600	0.1055	-	-	-
4.3057	34700	0.1055	-	-	-
4.3182	34800	0.1053	-	-	-
4.3306	34900	0.1056	-	-	-
4.3430	35000	0.1051	-	-	-
4.3554	35100	0.1059	-	-	-
4.3678	35200	0.1054	-	-	-
4.3802	35300	0.1064	-	-	-
4.3926	35400	0.1064	-	-	-
4.4050	35500	0.106	-	-	-
4.4174	35600	0.1037	-	-	-
4.4298	35700	0.1044	-	-	-
4.4422	35800	0.1052	-	-	-
4.4546	35900	0.1041	-	-	-
4.4671	36000	0.1057	-	-	-
4.4795	36100	0.1044	-	-	-
4.4919	36200	0.1049	-	-	-
4.5043	36300	0.1042	-	-	-
4.5167	36400	0.1055	-	-	-
4.5291	36500	0.1035	-	-	-
4.5415	36600	0.1038	-	-	-
4.5539	36700	0.1033	-	-	-
4.5663	36800	0.1046	-	-	-
4.5787	36900	0.104	-	-	-
4.5911	37000	0.1038	-	-	-
4.6035	37100	0.1031	-	-	-
4.6160	37200	0.1051	-	-	-
4.6284	37300	0.1034	-	-	-
4.6408	37400	0.1034	-	-	-
4.6532	37500	0.1045	-	-	-
4.6656	37600	0.1049	-	-	-
4.6780	37700	0.1034	-	-	-
4.6904	37800	0.1043	-	-	-
4.7028	37900	0.1026	-	-	-
4.7152	38000	0.104	-	-	-
4.7276	38100	0.103	-	-	-
4.7400	38200	0.1034	-	-	-
4.7525	38300	0.1045	-	-	-
4.7649	38400	0.1032	-	-	-
4.7773	38500	0.1029	-	-	-
4.7897	38600	0.1026	-	-	-
4.8021	38700	0.1017	-	-	-
4.8145	38800	0.103	-	-	-
4.8269	38900	0.1021	-	-	-
4.8393	39000	0.1029	-	-	-
4.8517	39100	0.1029	-	-	-
4.8641	39200	0.1033	-	-	-
4.8765	39300	0.1021	-	-	-
4.8889	39400	0.102	-	-	-
4.9014	39500	0.1027	-	-	-
4.9138	39600	0.1032	-	-	-
4.9262	39700	0.1018	-	-	-
4.9386	39800	0.1011	-	-	-
4.9510	39900	0.103	-	-	-
4.9634	40000	0.1023	0.1152	-14.0327	0.9
4.9758	40100	0.102	-	-	-
4.9882	40200	0.1018	-	-	-
5.0006	40300	0.1012	-	-	-
5.0130	40400	0.1029	-	-	-
5.0254	40500	0.1014	-	-	-
5.0378	40600	0.103	-	-	-
5.0503	40700	0.1019	-	-	-
5.0627	40800	0.1019	-	-	-
5.0751	40900	0.1003	-	-	-
5.0875	41000	0.1016	-	-	-
5.0999	41100	0.1019	-	-	-
5.1123	41200	0.1028	-	-	-
5.1247	41300	0.1011	-	-	-
5.1371	41400	0.1012	-	-	-
5.1495	41500	0.1005	-	-	-
5.1619	41600	0.101	-	-	-
5.1743	41700	0.101	-	-	-
5.1867	41800	0.1004	-	-	-
5.1992	41900	0.1006	-	-	-
5.2116	42000	0.101	-	-	-
5.2240	42100	0.1004	-	-	-
5.2364	42200	0.1006	-	-	-
5.2488	42300	0.1012	-	-	-
5.2612	42400	0.1005	-	-	-
5.2736	42500	0.0997	-	-	-
5.2860	42600	0.1004	-	-	-
5.2984	42700	0.0998	-	-	-
5.3108	42800	0.1008	-	-	-
5.3232	42900	0.1008	-	-	-
5.3356	43000	0.1001	-	-	-
5.3481	43100	0.1007	-	-	-
5.3605	43200	0.1005	-	-	-
5.3729	43300	0.1007	-	-	-
5.3853	43400	0.1019	-	-	-
5.3977	43500	0.1016	-	-	-
5.4101	43600	0.1004	-	-	-
5.4225	43700	0.0987	-	-	-
5.4349	43800	0.1001	-	-	-
5.4473	43900	0.1003	-	-	-
5.4597	44000	0.0996	-	-	-
5.4721	44100	0.1004	-	-	-
5.4846	44200	0.0994	-	-	-
5.4970	44300	0.1002	-	-	-
5.5094	44400	0.0996	-	-	-
5.5218	44500	0.1012	-	-	-
5.5342	44600	0.0983	-	-	-
5.5466	44700	0.0992	-	-	-
5.5590	44800	0.0987	-	-	-
5.5714	44900	0.1005	-	-	-
5.5838	45000	0.0996	-	-	-
5.5962	45100	0.0986	-	-	-
5.6086	45200	0.0995	-	-	-
5.6210	45300	0.0999	-	-	-
5.6335	45400	0.0984	-	-	-
5.6459	45500	0.1001	-	-	-
5.6583	45600	0.1006	-	-	-
5.6707	45700	0.0994	-	-	-
5.6831	45800	0.0994	-	-	-
5.6955	45900	0.0988	-	-	-
5.7079	46000	0.0985	-	-	-
5.7203	46100	0.0991	-	-	-
5.7327	46200	0.0996	-	-	-
5.7451	46300	0.0991	-	-	-
5.7575	46400	0.0997	-	-	-
5.7699	46500	0.0984	-	-	-
5.7824	46600	0.0987	-	-	-
5.7948	46700	0.0977	-	-	-
5.8072	46800	0.0984	-	-	-
5.8196	46900	0.0977	-	-	-
5.8320	47000	0.0987	-	-	-
5.8444	47100	0.0983	-	-	-
5.8568	47200	0.0985	-	-	-
5.8692	47300	0.0993	-	-	-
5.8816	47400	0.0974	-	-	-
5.8940	47500	0.0978	-	-	-
5.9064	47600	0.0996	-	-	-
5.9188	47700	0.0981	-	-	-
5.9313	47800	0.0981	-	-	-
5.9437	47900	0.0969	-	-	-
5.9561	48000	0.0997	-	-	-
5.9685	48100	0.098	-	-	-
5.9809	48200	0.0981	-	-	-
5.9933	48300	0.0969	-	-	-
6.0057	48400	0.0982	-	-	-
6.0181	48500	0.0983	-	-	-
6.0305	48600	0.0974	-	-	-
6.0429	48700	0.0991	-	-	-
6.0553	48800	0.0978	-	-	-
6.0678	48900	0.0973	-	-	-
6.0802	49000	0.0976	-	-	-
6.0926	49100	0.0978	-	-	-
6.1050	49200	0.0976	-	-	-
6.1174	49300	0.0981	-	-	-
6.1298	49400	0.0974	-	-	-
6.1422	49500	0.0967	-	-	-
6.1546	49600	0.0966	-	-	-
6.1670	49700	0.098	-	-	-
6.1794	49800	0.0967	-	-	-
6.1918	49900	0.0964	-	-	-
6.2042	50000	0.0966	0.1101	-13.5564	0.9045
6.2167	50100	0.0975	-	-	-
6.2291	50200	0.0968	-	-	-
6.2415	50300	0.0972	-	-	-
6.2539	50400	0.0967	-	-	-
6.2663	50500	0.0971	-	-	-
6.2787	50600	0.0961	-	-	-
6.2911	50700	0.0967	-	-	-
6.3035	50800	0.0969	-	-	-
6.3159	50900	0.0965	-	-	-
6.3283	51000	0.0972	-	-	-
6.3407	51100	0.0967	-	-	-
6.3531	51200	0.0972	-	-	-
6.3656	51300	0.0965	-	-	-
6.3780	51400	0.0978	-	-	-
6.3904	51500	0.0976	-	-	-
6.4028	51600	0.0986	-	-	-
6.4152	51700	0.0957	-	-	-
6.4276	51800	0.0957	-	-	-
6.4400	51900	0.0966	-	-	-
6.4524	52000	0.096	-	-	-
6.4648	52100	0.097	-	-	-
6.4772	52200	0.0971	-	-	-
6.4896	52300	0.0959	-	-	-
6.5020	52400	0.0967	-	-	-
6.5145	52500	0.0967	-	-	-
6.5269	52600	0.0964	-	-	-
6.5393	52700	0.0954	-	-	-
6.5517	52800	0.096	-	-	-
6.5641	52900	0.0963	-	-	-
6.5765	53000	0.0963	-	-	-
6.5889	53100	0.0958	-	-	-
6.6013	53200	0.0951	-	-	-
6.6137	53300	0.0973	-	-	-
6.6261	53400	0.0955	-	-	-
6.6385	53500	0.0958	-	-	-
6.6509	53600	0.0967	-	-	-
6.6634	53700	0.0971	-	-	-
6.6758	53800	0.0957	-	-	-
6.6882	53900	0.0968	-	-	-
6.7006	54000	0.0951	-	-	-
6.7130	54100	0.0957	-	-	-
6.7254	54200	0.0958	-	-	-
6.7378	54300	0.0962	-	-	-
6.7502	54400	0.0971	-	-	-
6.7626	54500	0.0957	-	-	-
6.7750	54600	0.0955	-	-	-
6.7874	54700	0.0953	-	-	-
6.7999	54800	0.0951	-	-	-
6.8123	54900	0.095	-	-	-
6.8247	55000	0.095	-	-	-
6.8371	55100	0.0954	-	-	-
6.8495	55200	0.0955	-	-	-
6.8619	55300	0.0959	-	-	-
6.8743	55400	0.0952	-	-	-
6.8867	55500	0.0951	-	-	-
6.8991	55600	0.0951	-	-	-
6.9115	55700	0.0966	-	-	-
6.9239	55800	0.0947	-	-	-
6.9363	55900	0.0943	-	-	-
6.9488	56000	0.0955	-	-	-
6.9612	56100	0.0959	-	-	-
6.9736	56200	0.095	-	-	-
6.9860	56300	0.0941	-	-	-
6.9984	56400	0.0945	-	-	-
7.0108	56500	0.0957	-	-	-
7.0232	56600	0.0952	-	-	-
7.0356	56700	0.0956	-	-	-
7.0480	56800	0.0955	-	-	-
7.0604	56900	0.0951	-	-	-
7.0728	57000	0.0938	-	-	-
7.0852	57100	0.0947	-	-	-
7.0977	57200	0.0952	-	-	-
7.1101	57300	0.0956	-	-	-
7.1225	57400	0.0949	-	-	-
7.1349	57500	0.0947	-	-	-
7.1473	57600	0.0937	-	-	-
7.1597	57700	0.0943	-	-	-
7.1721	57800	0.0948	-	-	-
7.1845	57900	0.094	-	-	-
7.1969	58000	0.0942	-	-	-
7.2093	58100	0.0939	-	-	-
7.2217	58200	0.0944	-	-	-
7.2341	58300	0.0943	-	-	-
7.2466	58400	0.0944	-	-	-
7.2590	58500	0.0945	-	-	-
7.2714	58600	0.0936	-	-	-
7.2838	58700	0.0941	-	-	-
7.2962	58800	0.0937	-	-	-
7.3086	58900	0.0942	-	-	-
7.3210	59000	0.0942	-	-	-
7.3334	59100	0.0945	-	-	-
7.3458	59200	0.0942	-	-	-
7.3582	59300	0.0944	-	-	-
7.3706	59400	0.0943	-	-	-
7.3831	59500	0.0951	-	-	-
7.3955	59600	0.0952	-	-	-
7.4079	59700	0.0949	-	-	-
7.4203	59800	0.0931	-	-	-
7.4327	59900	0.0936	-	-	-
7.4451	60000	0.095	0.1070	-13.2648	0.9125
7.4575	60100	0.0931	-	-	-
7.4699	60200	0.095	-	-	-
7.4823	60300	0.0936	-	-	-
7.4947	60400	0.0943	-	-	-
7.5071	60500	0.0934	-	-	-
7.5195	60600	0.095	-	-	-
7.5320	60700	0.0927	-	-	-
7.5444	60800	0.0939	-	-	-
7.5568	60900	0.0931	-	-	-
7.5692	61000	0.0944	-	-	-
7.5816	61100	0.0938	-	-	-
7.5940	61200	0.0931	-	-	-
7.6064	61300	0.0935	-	-	-
7.6188	61400	0.0945	-	-	-
7.6312	61500	0.0932	-	-	-
7.6436	61600	0.094	-	-	-
7.6560	61700	0.0944	-	-	-
7.6684	61800	0.0942	-	-	-
7.6809	61900	0.0941	-	-	-
7.6933	62000	0.0932	-	-	-
7.7057	62100	0.0935	-	-	-
7.7181	62200	0.0932	-	-	-
7.7305	62300	0.094	-	-	-
7.7429	62400	0.0935	-	-	-
7.7553	62500	0.0944	-	-	-
7.7677	62600	0.0933	-	-	-
7.7801	62700	0.0938	-	-	-
7.7925	62800	0.0924	-	-	-
7.8049	62900	0.0926	-	-	-
7.8173	63000	0.0935	-	-	-
7.8298	63100	0.0926	-	-	-
7.8422	63200	0.0928	-	-	-
7.8546	63300	0.0937	-	-	-
7.8670	63400	0.0938	-	-	-
7.8794	63500	0.0927	-	-	-
7.8918	63600	0.0929	-	-	-
7.9042	63700	0.0938	-	-	-
7.9166	63800	0.0934	-	-	-
7.9290	63900	0.093	-	-	-
7.9414	64000	0.0916	-	-	-
7.9538	64100	0.0946	-	-	-
7.9662	64200	0.0929	-	-	-
7.9787	64300	0.0934	-	-	-
7.9911	64400	0.0922	-	-	-
8.0035	64500	0.0928	-	-	-
8.0159	64600	0.0938	-	-	-
8.0283	64700	0.092	-	-	-
8.0407	64800	0.0944	-	-	-
8.0531	64900	0.093	-	-	-
8.0655	65000	0.0924	-	-	-
8.0779	65100	0.0924	-	-	-
8.0903	65200	0.093	-	-	-
8.1027	65300	0.0931	-	-	-
8.1152	65400	0.0935	-	-	-
8.1276	65500	0.0927	-	-	-
8.1400	65600	0.0921	-	-	-
8.1524	65700	0.0923	-	-	-
8.1648	65800	0.0925	-	-	-
8.1772	65900	0.0926	-	-	-
8.1896	66000	0.0916	-	-	-
8.2020	66100	0.0925	-	-	-
8.2144	66200	0.0921	-	-	-
8.2268	66300	0.0927	-	-	-
8.2392	66400	0.0924	-	-	-
8.2516	66500	0.0927	-	-	-
8.2641	66600	0.0923	-	-	-
8.2765	66700	0.0919	-	-	-
8.2889	66800	0.0918	-	-	-
8.3013	66900	0.0923	-	-	-
8.3137	67000	0.0922	-	-	-
8.3261	67100	0.0925	-	-	-
8.3385	67200	0.0923	-	-	-
8.3509	67300	0.093	-	-	-
8.3633	67400	0.0923	-	-	-
8.3757	67500	0.093	-	-	-
8.3881	67600	0.0939	-	-	-
8.4005	67700	0.0931	-	-	-
8.4130	67800	0.0922	-	-	-
8.4254	67900	0.091	-	-	-
8.4378	68000	0.0922	-	-	-
8.4502	68100	0.0922	-	-	-
8.4626	68200	0.0923	-	-	-
8.4750	68300	0.0927	-	-	-
8.4874	68400	0.092	-	-	-
8.4998	68500	0.0922	-	-	-
8.5122	68600	0.0923	-	-	-
8.5246	68700	0.0927	-	-	-
8.5370	68800	0.0914	-	-	-
8.5494	68900	0.0916	-	-	-
8.5619	69000	0.0923	-	-	-
8.5743	69100	0.0921	-	-	-
8.5867	69200	0.092	-	-	-
8.5991	69300	0.091	-	-	-
8.6115	69400	0.0929	-	-	-
8.6239	69500	0.0917	-	-	-
8.6363	69600	0.0915	-	-	-
8.6487	69700	0.0931	-	-	-
8.6611	69800	0.0937	-	-	-
8.6735	69900	0.0916	-	-	-
8.6859	70000	0.0924	0.1055	-13.1395	0.9135
8.6983	70100	0.0915	-	-	-
8.7108	70200	0.0918	-	-	-
8.7232	70300	0.0919	-	-	-
8.7356	70400	0.0927	-	-	-
8.7480	70500	0.0926	-	-	-
8.7604	70600	0.0926	-	-	-
8.7728	70700	0.0914	-	-	-
8.7852	70800	0.0916	-	-	-
8.7976	70900	0.0907	-	-	-
8.8100	71000	0.0916	-	-	-
8.8224	71100	0.0914	-	-	-
8.8348	71200	0.0916	-	-	-
8.8473	71300	0.092	-	-	-
8.8597	71400	0.0917	-	-	-
8.8721	71500	0.0923	-	-	-
8.8845	71600	0.0908	-	-	-
8.8969	71700	0.0917	-	-	-
8.9093	71800	0.093	-	-	-
8.9217	71900	0.0912	-	-	-
8.9341	72000	0.0911	-	-	-
8.9465	72100	0.0912	-	-	-
8.9589	72200	0.0923	-	-	-
8.9713	72300	0.0914	-	-	-
8.9837	72400	0.0911	-	-	-
8.9962	72500	0.0908	-	-	-
9.0086	72600	0.0922	-	-	-
9.0210	72700	0.0918	-	-	-
9.0334	72800	0.0917	-	-	-
9.0458	72900	0.0925	-	-	-
9.0582	73000	0.0914	-	-	-
9.0706	73100	0.0907	-	-	-
9.0830	73200	0.0916	-	-	-
9.0954	73300	0.0916	-	-	-
9.1078	73400	0.0918	-	-	-
9.1202	73500	0.0918	-	-	-
9.1326	73600	0.0913	-	-	-
9.1451	73700	0.0901	-	-	-
9.1575	73800	0.0912	-	-	-
9.1699	73900	0.0916	-	-	-
9.1823	74000	0.0906	-	-	-
9.1947	74100	0.0913	-	-	-
9.2071	74200	0.0899	-	-	-
9.2195	74300	0.0919	-	-	-
9.2319	74400	0.0908	-	-	-
9.2443	74500	0.0911	-	-	-
9.2567	74600	0.0913	-	-	-
9.2691	74700	0.0909	-	-	-
9.2815	74800	0.0905	-	-	-
9.2940	74900	0.091	-	-	-
9.3064	75000	0.091	-	-	-
9.3188	75100	0.0908	-	-	-
9.3312	75200	0.0915	-	-	-
9.3436	75300	0.091	-	-	-
9.3560	75400	0.0915	-	-	-
9.3684	75500	0.0915	-	-	-
9.3808	75600	0.0917	-	-	-
9.3932	75700	0.0925	-	-	-
9.4056	75800	0.0918	-	-	-
9.4180	75900	0.0903	-	-	-
9.4305	76000	0.0907	-	-	-
9.4429	76100	0.0916	-	-	-
9.4553	76200	0.0906	-	-	-
9.4677	76300	0.0919	-	-	-
9.4801	76400	0.0907	-	-	-
9.4925	76500	0.0915	-	-	-
9.5049	76600	0.0908	-	-	-
9.5173	76700	0.092	-	-	-
9.5297	76800	0.0902	-	-	-
9.5421	76900	0.0909	-	-	-
9.5545	77000	0.09	-	-	-
9.5669	77100	0.0917	-	-	-
9.5794	77200	0.091	-	-	-
9.5918	77300	0.0906	-	-	-
9.6042	77400	0.0902	-	-	-
9.6166	77500	0.0921	-	-	-
9.6290	77600	0.0907	-	-	-
9.6414	77700	0.0908	-	-	-
9.6538	77800	0.0917	-	-	-
9.6662	77900	0.092	-	-	-
9.6786	78000	0.091	-	-	-
9.6910	78100	0.0909	-	-	-
9.7034	78200	0.0903	-	-	-
9.7158	78300	0.0914	-	-	-
9.7283	78400	0.091	-	-	-
9.7407	78500	0.0909	-	-	-
9.7531	78600	0.0922	-	-	-
9.7655	78700	0.0907	-	-	-
9.7779	78800	0.0909	-	-	-
9.7903	78900	0.0905	-	-	-
9.8027	79000	0.0898	-	-	-
9.8151	79100	0.091	-	-	-
9.8275	79200	0.09	-	-	-
9.8399	79300	0.0908	-	-	-
9.8523	79400	0.0911	-	-	-
9.8647	79500	0.0913	-	-	-
9.8772	79600	0.0902	-	-	-
9.8896	79700	0.0904	-	-	-
9.9020	79800	0.0908	-	-	-
9.9144	79900	0.0918	-	-	-
9.9268	80000	0.0905	0.1044	-13.0248	0.915
9.9392	80100	0.0894	-	-	-
9.9516	80200	0.0917	-	-	-
9.9640	80300	0.0908	-	-	-
9.9764	80400	0.0907	-	-	-
9.9888	80500	0.0905	-	-	-

Framework Versions

Python: 3.10.17
Sentence Transformers: 4.1.0
Transformers: 4.46.3
PyTorch: 2.2.0+cu121
Accelerate: 1.1.1
Datasets: 2.18.0
Tokenizers: 0.20.3

Citation

BibTeX

Sentence Transformers

@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

@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",
}