---
base_model: intfloat/e5-base
datasets: []
language:
- en
library_name: sentence-transformers
license: apache-2.0
metrics:
- cosine_accuracy@1
- cosine_accuracy@3
- cosine_accuracy@5
- cosine_accuracy@10
- cosine_precision@1
- cosine_precision@3
- cosine_precision@5
- cosine_precision@10
- cosine_recall@1
- cosine_recall@3
- cosine_recall@5
- cosine_recall@10
- cosine_ndcg@10
- cosine_mrr@10
- cosine_map@100
pipeline_tag: sentence-similarity
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:63
- loss:MatryoshkaLoss
- loss:MultipleNegativesRankingLoss
widget:
- source_sentence: 하이브리드 자동차의 스마트 크루즈 컨트롤 기능은 운전자가 설정한 속도를 유지하는 기능입니다. 이 기능에서는 전방
    카메라와 레이더 센서를 사용하여 도로의 제한 속도를 감지하고, 이를 기반으로 속도를 조절합니다.
  sentences:
  - 하이테크센터나 블루핸즈에서 점검을 받을 때는 어떤 경우에 해당합니까?
  - 원터치 자동 유리창의 작동 원리를 설명하세요.
  - 하이브리드 자동차의 스마트 크루즈 컨트롤 기능을 설명하세요.
- source_sentence: 하이브리드 자동차의 지능형 속도 제한 보조의 제한 사항은 표지판이 오염 또는 훼손되거나 불명확할 경우, 주변 물체에
    표지판 일부가 가려지거나 그림자가 표지판을 덮을 경우, 표지판 형상 또는 설치 방법이 표준과 다를 경우 등입니다.
  sentences:
  - 테마 모드를 설정하려면 어떻게 해야 하나요?
  - 에어백 경고 라벨의 주의 사항은 무엇입니까?
  - 하이브리드 자동차의 지능형 속도 제한 보조의 제한 사항은 무엇입니까?
- source_sentence: 어린이 탑승 시에는 차에서 내릴 때 어린이를 차 안에 남겨두지 마십시오. 어린이가 차내 안전 장비를 잘못 만져 사고가
    발생할 수 있고, 여름이나 겨울에는 차 내부 온도가 너무 높거나 낮아져 매우 위험합니다.
  sentences:
  - 운전자 주의 경고의 기본 기능은 무엇입니까?
  - 하이브리드 자동차의 고전압 배터리 시스템에 대한 안전 주의 사항은 무엇입니까?
  - 어린이 탑승 시 주의 사항을 설명하세요.
- source_sentence: 후방 주차 충돌방지 보조의 이상 및 제한 사항은 다음과 같습니다. 기능 이상, 인식 센서 가림, 광각-후방 카메라,
    후방 초음파센서의 이상 등이 있습니다. 이러한 이상 및 제한 사항에 따라 후방 주차 충돌방지 보조의 성능이 저하되거나 오작동 할 수 있습니다.
  sentences:
  - 하이브리드 자동차의 회생 제동 모드를 설명하세요.
  - 하이빔 보조 설정 방법은 무엇입니까?
  - 후방 주차 충돌방지 보조의 이상 및 제한 사항을 설명하세요.
- source_sentence: 클러스터 조명 밝기 조절은 시동 'ON' 상태에서 인포테인먼트 시스템의 설정> 클러스터/HUD > 화면 밝기를 차례로
    선택하면 클러스터의 밝기를 조절할 수 있습니다. 인포테인먼트 시스템 화면에 표시되는 조명밝기 조절 정도를 참고하여 원하는 밝기로 조절하십시오.
  sentences:
  - 운전자 주의 경고 시스템의 작동 원리를 설명하세요.
  - 클러스터 조명 밝기 조절은 어떻게 하나요?
  - 하이브리드 자동차의 저압 타이어 경고등이 켜졌을 때의 조치는 무엇입니까?
model-index:
- name: BGE base Financial Matryoshka
  results:
  - task:
      type: information-retrieval
      name: Information Retrieval
    dataset:
      name: dim 768
      type: dim_768
    metrics:
    - type: cosine_accuracy@1
      value: 0.5555555555555556
      name: Cosine Accuracy@1
    - type: cosine_accuracy@3
      value: 0.8148148148148148
      name: Cosine Accuracy@3
    - type: cosine_accuracy@5
      value: 0.8518518518518519
      name: Cosine Accuracy@5
    - type: cosine_accuracy@10
      value: 0.9259259259259259
      name: Cosine Accuracy@10
    - type: cosine_precision@1
      value: 0.5555555555555556
      name: Cosine Precision@1
    - type: cosine_precision@3
      value: 0.27160493827160487
      name: Cosine Precision@3
    - type: cosine_precision@5
      value: 0.1703703703703704
      name: Cosine Precision@5
    - type: cosine_precision@10
      value: 0.09259259259259262
      name: Cosine Precision@10
    - type: cosine_recall@1
      value: 0.5555555555555556
      name: Cosine Recall@1
    - type: cosine_recall@3
      value: 0.8148148148148148
      name: Cosine Recall@3
    - type: cosine_recall@5
      value: 0.8518518518518519
      name: Cosine Recall@5
    - type: cosine_recall@10
      value: 0.9259259259259259
      name: Cosine Recall@10
    - type: cosine_ndcg@10
      value: 0.7435849530374239
      name: Cosine Ndcg@10
    - type: cosine_mrr@10
      value: 0.6849206349206348
      name: Cosine Mrr@10
    - type: cosine_map@100
      value: 0.6889906389906391
      name: Cosine Map@100
  - task:
      type: information-retrieval
      name: Information Retrieval
    dataset:
      name: dim 512
      type: dim_512
    metrics:
    - type: cosine_accuracy@1
      value: 0.5555555555555556
      name: Cosine Accuracy@1
    - type: cosine_accuracy@3
      value: 0.7777777777777778
      name: Cosine Accuracy@3
    - type: cosine_accuracy@5
      value: 0.8518518518518519
      name: Cosine Accuracy@5
    - type: cosine_accuracy@10
      value: 0.8888888888888888
      name: Cosine Accuracy@10
    - type: cosine_precision@1
      value: 0.5555555555555556
      name: Cosine Precision@1
    - type: cosine_precision@3
      value: 0.25925925925925924
      name: Cosine Precision@3
    - type: cosine_precision@5
      value: 0.1703703703703704
      name: Cosine Precision@5
    - type: cosine_precision@10
      value: 0.0888888888888889
      name: Cosine Precision@10
    - type: cosine_recall@1
      value: 0.5555555555555556
      name: Cosine Recall@1
    - type: cosine_recall@3
      value: 0.7777777777777778
      name: Cosine Recall@3
    - type: cosine_recall@5
      value: 0.8518518518518519
      name: Cosine Recall@5
    - type: cosine_recall@10
      value: 0.8888888888888888
      name: Cosine Recall@10
    - type: cosine_ndcg@10
      value: 0.7335374617221688
      name: Cosine Ndcg@10
    - type: cosine_mrr@10
      value: 0.6824514991181657
      name: Cosine Mrr@10
    - type: cosine_map@100
      value: 0.6896593804001211
      name: Cosine Map@100
  - task:
      type: information-retrieval
      name: Information Retrieval
    dataset:
      name: dim 256
      type: dim_256
    metrics:
    - type: cosine_accuracy@1
      value: 0.5925925925925926
      name: Cosine Accuracy@1
    - type: cosine_accuracy@3
      value: 0.7777777777777778
      name: Cosine Accuracy@3
    - type: cosine_accuracy@5
      value: 0.8148148148148148
      name: Cosine Accuracy@5
    - type: cosine_accuracy@10
      value: 0.8888888888888888
      name: Cosine Accuracy@10
    - type: cosine_precision@1
      value: 0.5925925925925926
      name: Cosine Precision@1
    - type: cosine_precision@3
      value: 0.25925925925925924
      name: Cosine Precision@3
    - type: cosine_precision@5
      value: 0.16296296296296298
      name: Cosine Precision@5
    - type: cosine_precision@10
      value: 0.0888888888888889
      name: Cosine Precision@10
    - type: cosine_recall@1
      value: 0.5925925925925926
      name: Cosine Recall@1
    - type: cosine_recall@3
      value: 0.7777777777777778
      name: Cosine Recall@3
    - type: cosine_recall@5
      value: 0.8148148148148148
      name: Cosine Recall@5
    - type: cosine_recall@10
      value: 0.8888888888888888
      name: Cosine Recall@10
    - type: cosine_ndcg@10
      value: 0.7460717071407622
      name: Cosine Ndcg@10
    - type: cosine_mrr@10
      value: 0.6997354497354498
      name: Cosine Mrr@10
    - type: cosine_map@100
      value: 0.7073543740210406
      name: Cosine Map@100
  - task:
      type: information-retrieval
      name: Information Retrieval
    dataset:
      name: dim 128
      type: dim_128
    metrics:
    - type: cosine_accuracy@1
      value: 0.5925925925925926
      name: Cosine Accuracy@1
    - type: cosine_accuracy@3
      value: 0.7407407407407407
      name: Cosine Accuracy@3
    - type: cosine_accuracy@5
      value: 0.8518518518518519
      name: Cosine Accuracy@5
    - type: cosine_accuracy@10
      value: 0.8888888888888888
      name: Cosine Accuracy@10
    - type: cosine_precision@1
      value: 0.5925925925925926
      name: Cosine Precision@1
    - type: cosine_precision@3
      value: 0.24691358024691354
      name: Cosine Precision@3
    - type: cosine_precision@5
      value: 0.1703703703703704
      name: Cosine Precision@5
    - type: cosine_precision@10
      value: 0.0888888888888889
      name: Cosine Precision@10
    - type: cosine_recall@1
      value: 0.5925925925925926
      name: Cosine Recall@1
    - type: cosine_recall@3
      value: 0.7407407407407407
      name: Cosine Recall@3
    - type: cosine_recall@5
      value: 0.8518518518518519
      name: Cosine Recall@5
    - type: cosine_recall@10
      value: 0.8888888888888888
      name: Cosine Recall@10
    - type: cosine_ndcg@10
      value: 0.7391281504030159
      name: Cosine Ndcg@10
    - type: cosine_mrr@10
      value: 0.6910493827160493
      name: Cosine Mrr@10
    - type: cosine_map@100
      value: 0.6993265993265992
      name: Cosine Map@100
  - task:
      type: information-retrieval
      name: Information Retrieval
    dataset:
      name: dim 64
      type: dim_64
    metrics:
    - type: cosine_accuracy@1
      value: 0.5925925925925926
      name: Cosine Accuracy@1
    - type: cosine_accuracy@3
      value: 0.7407407407407407
      name: Cosine Accuracy@3
    - type: cosine_accuracy@5
      value: 0.8518518518518519
      name: Cosine Accuracy@5
    - type: cosine_accuracy@10
      value: 0.9259259259259259
      name: Cosine Accuracy@10
    - type: cosine_precision@1
      value: 0.5925925925925926
      name: Cosine Precision@1
    - type: cosine_precision@3
      value: 0.24691358024691354
      name: Cosine Precision@3
    - type: cosine_precision@5
      value: 0.1703703703703704
      name: Cosine Precision@5
    - type: cosine_precision@10
      value: 0.09259259259259262
      name: Cosine Precision@10
    - type: cosine_recall@1
      value: 0.5925925925925926
      name: Cosine Recall@1
    - type: cosine_recall@3
      value: 0.7407407407407407
      name: Cosine Recall@3
    - type: cosine_recall@5
      value: 0.8518518518518519
      name: Cosine Recall@5
    - type: cosine_recall@10
      value: 0.9259259259259259
      name: Cosine Recall@10
    - type: cosine_ndcg@10
      value: 0.7456467996361283
      name: Cosine Ndcg@10
    - type: cosine_mrr@10
      value: 0.6892416225749558
      name: Cosine Mrr@10
    - type: cosine_map@100
      value: 0.6932539682539682
      name: Cosine Map@100
---

# BGE base Financial Matryoshka

This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [intfloat/e5-base](https://huggingface.co/intfloat/e5-base). 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:** [intfloat/e5-base](https://huggingface.co/intfloat/e5-base) <!-- at revision b533fe4636f4a2507c08ddab40644d20b0006d6a -->
- **Maximum Sequence Length:** 512 tokens
- **Output Dimensionality:** 768 tokens
- **Similarity Function:** Cosine Similarity
<!-- - **Training Dataset:** Unknown -->
- **Language:** en
- **License:** apache-2.0

### 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': 512, 'do_lower_case': False}) with Transformer model: BertModel 
  (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): 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("ValentinaKim/bge-base-automobile-matryoshka")
# Run inference
sentences = [
    "클러스터 조명 밝기 조절은 시동 'ON' 상태에서 인포테인먼트 시스템의 설정> 클러스터/HUD > 화면 밝기를 차례로 선택하면 클러스터의 밝기를 조절할 수 있습니다. 인포테인먼트 시스템 화면에 표시되는 조명밝기 조절 정도를 참고하여 원하는 밝기로 조절하십시오.",
    '클러스터 조명 밝기 조절은 어떻게 하나요?',
    '하이브리드 자동차의 저압 타이어 경고등이 켜졌을 때의 조치는 무엇입니까?',
]
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

#### Information Retrieval
* Dataset: `dim_768`
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)

| Metric              | Value     |
|:--------------------|:----------|
| cosine_accuracy@1   | 0.5556    |
| cosine_accuracy@3   | 0.8148    |
| cosine_accuracy@5   | 0.8519    |
| cosine_accuracy@10  | 0.9259    |
| cosine_precision@1  | 0.5556    |
| cosine_precision@3  | 0.2716    |
| cosine_precision@5  | 0.1704    |
| cosine_precision@10 | 0.0926    |
| cosine_recall@1     | 0.5556    |
| cosine_recall@3     | 0.8148    |
| cosine_recall@5     | 0.8519    |
| cosine_recall@10    | 0.9259    |
| cosine_ndcg@10      | 0.7436    |
| cosine_mrr@10       | 0.6849    |
| **cosine_map@100**  | **0.689** |

#### Information Retrieval
* Dataset: `dim_512`
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)

| Metric              | Value      |
|:--------------------|:-----------|
| cosine_accuracy@1   | 0.5556     |
| cosine_accuracy@3   | 0.7778     |
| cosine_accuracy@5   | 0.8519     |
| cosine_accuracy@10  | 0.8889     |
| cosine_precision@1  | 0.5556     |
| cosine_precision@3  | 0.2593     |
| cosine_precision@5  | 0.1704     |
| cosine_precision@10 | 0.0889     |
| cosine_recall@1     | 0.5556     |
| cosine_recall@3     | 0.7778     |
| cosine_recall@5     | 0.8519     |
| cosine_recall@10    | 0.8889     |
| cosine_ndcg@10      | 0.7335     |
| cosine_mrr@10       | 0.6825     |
| **cosine_map@100**  | **0.6897** |

#### Information Retrieval
* Dataset: `dim_256`
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)

| Metric              | Value      |
|:--------------------|:-----------|
| cosine_accuracy@1   | 0.5926     |
| cosine_accuracy@3   | 0.7778     |
| cosine_accuracy@5   | 0.8148     |
| cosine_accuracy@10  | 0.8889     |
| cosine_precision@1  | 0.5926     |
| cosine_precision@3  | 0.2593     |
| cosine_precision@5  | 0.163      |
| cosine_precision@10 | 0.0889     |
| cosine_recall@1     | 0.5926     |
| cosine_recall@3     | 0.7778     |
| cosine_recall@5     | 0.8148     |
| cosine_recall@10    | 0.8889     |
| cosine_ndcg@10      | 0.7461     |
| cosine_mrr@10       | 0.6997     |
| **cosine_map@100**  | **0.7074** |

#### Information Retrieval
* Dataset: `dim_128`
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)

| Metric              | Value      |
|:--------------------|:-----------|
| cosine_accuracy@1   | 0.5926     |
| cosine_accuracy@3   | 0.7407     |
| cosine_accuracy@5   | 0.8519     |
| cosine_accuracy@10  | 0.8889     |
| cosine_precision@1  | 0.5926     |
| cosine_precision@3  | 0.2469     |
| cosine_precision@5  | 0.1704     |
| cosine_precision@10 | 0.0889     |
| cosine_recall@1     | 0.5926     |
| cosine_recall@3     | 0.7407     |
| cosine_recall@5     | 0.8519     |
| cosine_recall@10    | 0.8889     |
| cosine_ndcg@10      | 0.7391     |
| cosine_mrr@10       | 0.691      |
| **cosine_map@100**  | **0.6993** |

#### Information Retrieval
* Dataset: `dim_64`
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)

| Metric              | Value      |
|:--------------------|:-----------|
| cosine_accuracy@1   | 0.5926     |
| cosine_accuracy@3   | 0.7407     |
| cosine_accuracy@5   | 0.8519     |
| cosine_accuracy@10  | 0.9259     |
| cosine_precision@1  | 0.5926     |
| cosine_precision@3  | 0.2469     |
| cosine_precision@5  | 0.1704     |
| cosine_precision@10 | 0.0926     |
| cosine_recall@1     | 0.5926     |
| cosine_recall@3     | 0.7407     |
| cosine_recall@5     | 0.8519     |
| cosine_recall@10    | 0.9259     |
| cosine_ndcg@10      | 0.7456     |
| cosine_mrr@10       | 0.6892     |
| **cosine_map@100**  | **0.6933** |

<!--
## 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: 63 training samples
* Columns: <code>positive</code> and <code>anchor</code>
* Approximate statistics based on the first 1000 samples:
  |         | positive                                                                             | anchor                                                                             |
  |:--------|:-------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|
  | type    | string                                                                               | string                                                                             |
  | details | <ul><li>min: 89 tokens</li><li>mean: 181.76 tokens</li><li>max: 365 tokens</li></ul> | <ul><li>min: 22 tokens</li><li>mean: 46.21 tokens</li><li>max: 72 tokens</li></ul> |
* Samples:
  | positive                                                                                                                                                                | anchor                                                |
  |:------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:------------------------------------------------------|
  | <code>하이브리드 자동차의 전방 차량 출발 알림 기능의 제한 사항은 과격하게 운전할 경우, 빈번하게 차선을 침범할 경우, 차로 이탈방지 보조 등 다른 운전자 보조에 의해 차량이 제어될 경우 등입니다.</code>                                                | <code>하이브리드 자동차의 전방 차량 출발 알림 기능의 제한 사항은 무엇입니까?</code> |
  | <code>파워 트렁크가 정상적으로 작동하지 않으면 무리한 힘을 가하지 마십시오. 파워 트렁크가 손상될 수 있습니다. 반드시 당사 직영 하이테크센터나 블루핸즈에서 점검을 받으십시오.</code>                                                            | <code>파워 트렁크가 정상적으로 작동하지 않으면 어떻게 해야 하나요?</code>       |
  | <code>에어백 경고 라벨의 주의 사항은 13세 미만의 어린이는 에어백의 팽창 충격으로 다칠 수 있습니다. 어린이에게는 뒷좌석이 안전할 수 있습니다. 유아용 보조 좌석은 동승석에 설치하지 마십시오. 에어백에서 가능한 떨어져 앉으십시오. 좌석 안전벨트와 어린이 보호 장치를 사용하십시오.</code> | <code>에어백 경고 라벨의 주의 사항은 무엇입니까?</code>                 |
* Loss: [<code>MatryoshkaLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#matryoshkaloss) with these parameters:
  ```json
  {
      "loss": "MultipleNegativesRankingLoss",
      "matryoshka_dims": [
          768,
          512,
          256,
          128,
          64
      ],
      "matryoshka_weights": [
          1,
          1,
          1,
          1,
          1
      ],
      "n_dims_per_step": -1
  }
  ```

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

- `eval_strategy`: epoch
- `gradient_accumulation_steps`: 64
- `learning_rate`: 2e-05
- `num_train_epochs`: 4
- `lr_scheduler_type`: cosine
- `warmup_ratio`: 0.1
- `tf32`: False
- `load_best_model_at_end`: True
- `optim`: adamw_torch_fused
- `batch_sampler`: no_duplicates

#### 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`: 8
- `per_device_eval_batch_size`: 8
- `per_gpu_train_batch_size`: None
- `per_gpu_eval_batch_size`: None
- `gradient_accumulation_steps`: 64
- `eval_accumulation_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`: 4
- `max_steps`: -1
- `lr_scheduler_type`: cosine
- `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`: False
- `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_fused
- `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
- `batch_sampler`: no_duplicates
- `multi_dataset_batch_sampler`: proportional

</details>

### Training Logs
| Epoch   | Step  | dim_128_cosine_map@100 | dim_256_cosine_map@100 | dim_512_cosine_map@100 | dim_64_cosine_map@100 | dim_768_cosine_map@100 |
|:-------:|:-----:|:----------------------:|:----------------------:|:----------------------:|:---------------------:|:----------------------:|
| 1.0     | 1     | 0.4923                 | 0.5456                 | 0.5549                 | 0.4722                | 0.5450                 |
| 2.0     | 2     | 0.6184                 | 0.6751                 | 0.7085                 | 0.6313                | 0.7072                 |
| 3.0     | 3     | 0.6810                 | 0.6825                 | 0.6916                 | 0.6933                | 0.6840                 |
| **4.0** | **4** | **0.6993**             | **0.7074**             | **0.6897**             | **0.6933**            | **0.689**              |

* The bold row denotes the saved checkpoint.

### Framework Versions
- Python: 3.10.14
- Sentence Transformers: 3.0.1
- Transformers: 4.41.2
- PyTorch: 2.1.2+cu121
- Accelerate: 0.33.0
- Datasets: 2.19.1
- 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",
}
```

#### MatryoshkaLoss
```bibtex
@misc{kusupati2024matryoshka,
    title={Matryoshka Representation Learning}, 
    author={Aditya Kusupati and Gantavya Bhatt and Aniket Rege and Matthew Wallingford and Aditya Sinha and Vivek Ramanujan and William Howard-Snyder and Kaifeng Chen and Sham Kakade and Prateek Jain and Ali Farhadi},
    year={2024},
    eprint={2205.13147},
    archivePrefix={arXiv},
    primaryClass={cs.LG}
}
```

#### MultipleNegativesRankingLoss
```bibtex
@misc{henderson2017efficient,
    title={Efficient Natural Language Response Suggestion for Smart Reply}, 
    author={Matthew Henderson and Rami Al-Rfou and Brian Strope and Yun-hsuan Sung and Laszlo Lukacs and Ruiqi Guo and Sanjiv Kumar and Balint Miklos and Ray Kurzweil},
    year={2017},
    eprint={1705.00652},
    archivePrefix={arXiv},
    primaryClass={cs.CL}
}
```

<!--
## 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.*
-->