Add new SentenceTransformer model.

1_Pooling/config.json

@@ -0,0 +1,10 @@
+{
+  "word_embedding_dimension": 312,
+  "pooling_mode_cls_token": true,
+  "pooling_mode_mean_tokens": false,
+  "pooling_mode_max_tokens": false,
+  "pooling_mode_mean_sqrt_len_tokens": false,
+  "pooling_mode_weightedmean_tokens": false,
+  "pooling_mode_lasttoken": false,
+  "include_prompt": true
+}

README.md

@@ -0,0 +1,553 @@
+---
+base_model: cointegrated/rubert-tiny2
+datasets: []
+language: []
+library_name: sentence-transformers
+metrics:
+- cosine_accuracy@1
+- cosine_accuracy@3
+- cosine_precision@1
+- cosine_precision@3
+- cosine_recall@1
+- cosine_recall@3
+- cosine_ndcg@10
+- cosine_mrr@10
+- cosine_map@100
+- dot_accuracy@1
+- dot_accuracy@3
+- dot_precision@1
+- dot_precision@3
+- dot_recall@1
+- dot_recall@3
+- dot_ndcg@10
+- dot_mrr@10
+- dot_map@100
+pipeline_tag: sentence-similarity
+tags:
+- sentence-transformers
+- sentence-similarity
+- feature-extraction
+- generated_from_trainer
+- dataset_size:1647
+- loss:MultipleNegativesRankingLoss
+widget:
+- source_sentence: не активна кнопка выполнить в задачах ,не уходят задачи из архива.
+  sentences:
+  - Пожалуйста, создайте заявку в разделе "Зарплатная карта", выбрав подтему "Изменение
+    банковских реквизитов"
+  - 'В соответствии со ст. 65 ТК РФ работник должен представить, а работодатель обязан
+    потребовать документы, необходимые для заключения трудового договора. Военнообязанные
+    и лица, подлежащие призыву на военную службу, при заключении трудового договора
+    должны предъявить документы воинского учета. В силу Положения о воинском учете,
+    утвержденного Постановлением Правительства РФ от 25 декабря 1998 г. N 1541, основными
+    документами воинского учета являются: для граждан, пребывающих в запасе, - военный
+    билет (временное удостоверение, выданное взамен военного билета). Так как мужчины
+    офицерских званий являются военнообязанными до 65-70 лет, считать кандидата невоеннообязанным,
+    опираясь на данные возраста, нет возможности. Кандидат обязан предоставить военный
+    билет с отметкой о снятии с учета или справку из военного комиссариата с соответствующей
+    информацией. Инструкция и шаблоны доступны по ссылке https://company-x5.ru/cms/zayavkaskillaz'
+  - 'Первым делом, просьба очистить кэш/куки браузера (сочетание клавиш ctrl+shift+del,
+    выбрать "Удалить: Всё", нажать ОК). Далее перезайти в ЛК. Если это не помогло
+    просьба подать заявку, нажав ниже кнопку "Создать заявку" и выбрать соответствующую
+    тему.'
+- source_sentence: истекает СТД
+  sentences:
+  - Для продления срочного трудового договора создайте, пожалуйста, заявку на сотрудника
+    по теме "Изменение режима характера работы", выбрав подтему "Продление СТД, перевод
+    на время отсутствия основного работника/Перевод на бессрочный ТД"
+  - В соответствии с ч. 4 ст. 153 ТК РФ по желанию сотрудника, который работал в выходной
+    (нерабочий праздничный) день, ему может быть предоставлен другой день отдыха.
+    В этом случае работа в выходной или нерабочий праздничный день оплачивается в
+    одинарном размере, а день отдыха оплате не подлежит.
+  - Отпуск ЧАЭС компенсируется только при увольнении.
+- source_sentence: В ЛК нет вкладки удаленная работа
+  sentences:
+  - Пожалуйста, обратитесь к непосредственному руководителю, чтобы он создал заявку
+    в Личном кабинете по теме «Отмена/аннулирование мероприятия». После выполнения
+    мероприятия Вы сможете создать заявку в Личном кабинете по теме «Отпуска и прочие
+    отсутствия», подтема «Отгул за ранее отработанный выходной или праздничный день»,
+    указав новый период отсутствия.
+  - Если руководитель не успел согласовать или не согласовать задачу по ЭЛН, БЛ автоматически
+    согласовывается
+  - 'Критерии доступности сервиса Удаленная Работа: 1.Сотрудник не на нулевой занятости:
+    процент соединения (ИТ 1001) между штатной должностью и табельным номером на текущую
+    дату больше 0; 2.Сотрудник на офисном графике работы: в ИТ 0007 Нормативное рабочее
+    время на текущую дату установлен график, который в соответствии с Правилом ГРВ
+    (таблица T508A) является офисным – поле KKRKH принимает одно из значений: {1;
+    2; 3; 4; 6}; 3.У сотрудника есть руководитель: наличие на текущую дату соединения
+    (ИТ 1001) B012 между ОЕ сотрудника и ШД руководителям или BZ10 между ШД сотрудника
+    и ШД руководителя; 4.Уровень CEO- руководителя сотрудника позволяет принимать
+    заявки на УР: на штатной должности руководителя сотрудника установленное на текущую
+    дату значение атрибута (ИТ 1222) Z_PM_CEO Уровень подчиненности до СЕО по сценарию
+    Z_PM Управление эффективностью должностей отсутствует в таблице ZHRT_ESS_REMAPP
+    для формата сотрудника (на данный момент ограничение только на CEO и -1 5.Сотруднику
+    установлен признак «Удаленный офис»: на ШД сотрудника / на ОЕ сотрудника / на
+    вышестоящей ОЕ (по пути анализа P-S-O-O) в ИТ 1010 Комп/ВспомСредства подтипе
+    9021 Работа на дому установлено значение 002 Удаленный офис. Если какой-то из
+    критериев не выполняется, вкладка «удаленная работа» в личном кабинете будет не
+    доступна. Для внесения изменений в систему SAP, необходимо обратиться к специалистам
+    по кадрам.'
+- source_sentence: Неправильно был выбран период и заявку на УР отклонили. Как создать
+    новую заявку?
+  sentences:
+  - После отклонения заявки на УР, возможность создать новую возникает не мгновенно.
+    Просьба перезайти в ЛК в конце рабочего дня, возможность создания заявки должна
+    уже появиться
+  - Для проведения перевода, пожалуйста, создайте заявку в разделе "Создать заявку
+    на сотрудника", выберите блок "Изменения по сотрудникам", подтему "Перевод перемещение.
+    Подробная информация по созданию заявки размещена в "Базе знаний ".
+  - Прежде чем создавать заявку, пожалуйста попробуйте самостоятельно выпустить ЭЦП
+    на странице "электронные подписи" в личном разделе ЛК
+- source_sentence: Какие документы нужны для приема иностранного гражданина?
+  sentences:
+  - Для открытия табеля создайте, пожалуйста, заявку в разделе "Заявки" по теме "Табель/график/рабочее
+    время", выбрав подтему "Открытие табеля".
+  - 'Для проведения приема необходимы документы: 1) Нотариально заверенный перевод
+    паспорта на русский язык + паспорт; 2) СНИЛС или уведомление о регистрации в системе
+    АДИ-РЕГ, где указаны полные ФИО, номер СНИЛС, дата рождения и место рождения кандидата
+    (Уведомление можно получить в МФЦ или территориальном органе ПФР); 3) Вид на жительство
+    либо иностранный паспорт с разрешением на временное проживание; 4) Миграционная
+    карта ( при наличии) ; 5) Расписка об отсутствии/подтверждении государственной/муниципальной
+    службы; 6) Копия ТК или СТД-Р (если кандидат перешёл на электронную трудовую книжку
+    у предыдущего работодателя). 7) Реквизиты карты Альфа-банк или реквизиты Сбербанка.
+    8) Актуальная прописка или свидетельство о временной регистрации по месту жительства
+    (соответствующую субъекту трудоустройства). Срок окончания действия документов
+    должен быть не меньше 60 дней от даты приема. Инструкция и шаблоны доступны по
+    ссылке https://company-x5.ru/cms/zayavkaskillaz'
+  - Данная заявка была завершена т.к истек срок на согласование, Вам требуется оформить
+    новую заявку, после чего она будет отправлена на согласование.
+model-index:
+- name: SentenceTransformer based on cointegrated/rubert-tiny2
+  results:
+  - task:
+      type: information-retrieval
+      name: Information Retrieval
+    dataset:
+      name: single answer eval
+      type: single_answer_eval
+    metrics:
+    - type: cosine_accuracy@1
+      value: 0.8087431693989071
+      name: Cosine Accuracy@1
+    - type: cosine_accuracy@3
+      value: 0.9453551912568307
+      name: Cosine Accuracy@3
+    - type: cosine_precision@1
+      value: 0.8087431693989071
+      name: Cosine Precision@1
+    - type: cosine_precision@3
+      value: 0.3161303379882615
+      name: Cosine Precision@3
+    - type: cosine_recall@1
+      value: 0.07638375252218604
+      name: Cosine Recall@1
+    - type: cosine_recall@3
+      value: 0.08937707371222856
+      name: Cosine Recall@3
+    - type: cosine_ndcg@10
+      value: 0.2021464725440391
+      name: Cosine Ndcg@10
+    - type: cosine_mrr@10
+      value: 0.8806447027303121
+      name: Cosine Mrr@10
+    - type: cosine_map@100
+      value: 0.08687907308027706
+      name: Cosine Map@100
+    - type: dot_accuracy@1
+      value: 0.8087431693989071
+      name: Dot Accuracy@1
+    - type: dot_accuracy@3
+      value: 0.9453551912568307
+      name: Dot Accuracy@3
+    - type: dot_precision@1
+      value: 0.8087431693989071
+      name: Dot Precision@1
+    - type: dot_precision@3
+      value: 0.3161303379882615
+      name: Dot Precision@3
+    - type: dot_recall@1
+      value: 0.07638375252218604
+      name: Dot Recall@1
+    - type: dot_recall@3
+      value: 0.08937707371222856
+      name: Dot Recall@3
+    - type: dot_ndcg@10
+      value: 0.2021464725440391
+      name: Dot Ndcg@10
+    - type: dot_mrr@10
+      value: 0.8806447027303121
+      name: Dot Mrr@10
+    - type: dot_map@100
+      value: 0.08687907308027706
+      name: Dot Map@100
+---
+
+# SentenceTransformer based on cointegrated/rubert-tiny2
+
+This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [cointegrated/rubert-tiny2](https://huggingface.co/cointegrated/rubert-tiny2). It maps sentences & paragraphs to a 312-dimensional dense vector space and can be used for semantic textual similarity, semantic search, paraphrase mining, text classification, clustering, and more.
+
+## Model Details
+
+### Model Description
+- **Model Type:** Sentence Transformer
+- **Base model:** [cointegrated/rubert-tiny2](https://huggingface.co/cointegrated/rubert-tiny2) <!-- at revision dad72b8f77c5eef6995dd3e4691b758ba56b90c3 -->
+- **Maximum Sequence Length:** 2048 tokens
+- **Output Dimensionality:** 312 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': 2048, 'do_lower_case': False}) with Transformer model: BertModel 
+  (1): Pooling({'word_embedding_dimension': 312, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
+  (2): Normalize()
+)
+```
+
+## Usage
+
+### Direct Usage (Sentence Transformers)
+
+First install the Sentence Transformers library:
+
+```bash
+pip install -U sentence-transformers
+```
+
+Then you can load this model and run inference.
+```python
+from sentence_transformers import SentenceTransformer
+
+# Download from the 🤗 Hub
+model = SentenceTransformer("WpythonW/RUbert-tiny_custom")
+# Run inference
+sentences = [
+    'Какие документы нужны для приема иностранного гражданина?',
+    'Для проведения приема необходимы документы: 1) Нотариально заверенный перевод паспорта на русский язык + паспорт; 2) СНИЛС или уведомление о регистрации в системе АДИ-РЕГ, где указаны полные ФИО, номер СНИЛС, дата рождения и место рождения кандидата (Уведомление можно получить в МФЦ или территориальном органе ПФР); 3) Вид на жительство либо иностранный паспорт с разрешением на временное проживание; 4) Миграционная карта ( при наличии) ; 5) Расписка об отсутствии/подтверждении государственной/муниципальной службы; 6) Копия ТК или СТД-Р (если кандидат перешёл на электронную трудовую книжку у предыдущего работодателя). 7) Реквизиты карты Альфа-банк или реквизиты Сбербанка. 8) Актуальная прописка или свидетельство о временной регистрации по месту жительства (соответствующую субъекту трудоустройства). Срок окончания действия документов должен быть не меньше 60 дней от даты приема. Инструкция и шаблоны доступны по ссылке https://company-x5.ru/cms/zayavkaskillaz',
+    'Для открытия табеля создайте, пожалуйста, заявку в разделе "Заявки" по теме "Табель/график/рабочее время", выбрав подтему "Открытие табеля".',
+]
+embeddings = model.encode(sentences)
+print(embeddings.shape)
+# [3, 312]
+
+# Get the similarity scores for the embeddings
+similarities = model.similarity(embeddings, embeddings)
+print(similarities.shape)
+# [3, 3]
+```
+
+<!--
+### 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: `single_answer_eval`
+* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
+
+| Metric             | Value      |
+|:-------------------|:-----------|
+| cosine_accuracy@1  | 0.8087     |
+| cosine_accuracy@3  | 0.9454     |
+| cosine_precision@1 | 0.8087     |
+| cosine_precision@3 | 0.3161     |
+| cosine_recall@1    | 0.0764     |
+| cosine_recall@3    | 0.0894     |
+| cosine_ndcg@10     | 0.2021     |
+| cosine_mrr@10      | 0.8806     |
+| **cosine_map@100** | **0.0869** |
+| dot_accuracy@1     | 0.8087     |
+| dot_accuracy@3     | 0.9454     |
+| dot_precision@1    | 0.8087     |
+| dot_precision@3    | 0.3161     |
+| dot_recall@1       | 0.0764     |
+| dot_recall@3       | 0.0894     |
+| dot_ndcg@10        | 0.2021     |
+| dot_mrr@10         | 0.8806     |
+| dot_map@100        | 0.0869     |
+
+<!--
+## 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: 1,647 training samples
+* Columns: <code>anchor</code> and <code>positive</code>
+* Approximate statistics based on the first 1000 samples:
+  |         | anchor                                                                            | positive                                                                           |
+  |:--------|:----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|
+  | type    | string                                                                            | string                                                                             |
+  | details | <ul><li>min: 3 tokens</li><li>mean: 11.46 tokens</li><li>max: 54 tokens</li></ul> | <ul><li>min: 7 tokens</li><li>mean: 62.33 tokens</li><li>max: 371 tokens</li></ul> |
+* Samples:
+  | anchor                                                                    | positive                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                        |
+  |:--------------------------------------------------------------------------|:------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
+  | <code>Какие документы необходимо предоставить при приеме беженцев?</code> | <code>Вариант 1: 1) действующее удостоверение беженца: документ, удостоверяющий личность на территории РФ; 2) регистрация по месту пребывания; 3) СНИЛС (при наличии); 4) трудовая книжка и/или сведения о трудовой деятельности (при наличии трудового стажа). Вариант 2: 1) действующее свидетельство о предоставлении временного убежища: документ, удостоверяющий личность на территории РФ; 2) может быть предоставлен паспорт, но основанием для трудоустройства будет именно свидетельство; 3) регистрация по месту пребывания; 4) СНИЛС (при наличии); 5) трудовая книжка и/или сведения о трудовой деятельности (при наличии трудового стажа). Вариант 3: 1) паспорт гражданина Украины, Донецкой Народной Республики или Луганской Народной Республики; 2) документ, подтверждающий прохождение дактилоскопии и фотографирования. Данные должны совпадать с данными в паспорте; 3) регистрация по месту пребывания; 4) СНИЛС (при наличии); 5) трудовая книжка и/или сведения о трудовой деятельности (при наличии трудового стажа); 6) документ, подтверждающий время пребывания на территории РФ*. Вариант 4: 1) действующий паспорт гражданина Украины/ЛНР/ДНР; 2) действующий патент (указанная в нем территория действия соответствует региону трудоустройства)/РВП/ВНЖ; 3) миграционная карта; 4) регистрация по месту пребывания; 5) СНИЛС (при наличии); 6) трудовая книжка и/или сведения о трудовой деятельности (при наличии трудового стажа); 7) для ИГ с РВП или ВНЖ документ, подтверждающий время пребывания на территории РФ*. Вариант 5: При наличии у кандидата паспорта гражданина РФ трудоустройство осуществляется по стандартной процедуре приема на работу граждан РФ. Инструкция и шаблоны доступны по ссылке https://company-x5.ru/cms/zayavkaskillaz</code> |
+  | <code>Что такое МЧД и зачем она нужна?</code>                             | <code>Ранее, если для подписания документов требовалась квалифицированная электронная подпись, то применялась усиленная квалифицированная электронная подпись юридического лица – УКЭП ЮЛ. Особенность этой электронной подписи (ЭП) состояла в том, что владельцем сертификата была указана организация наряду с сотрудником. Если упростить, то такую ЭП можно представить как подпись и печать на любом бумажном документе. С 01.09.2023 в силу вступили правки в Федеральный закон РФ № 63‑ФЗ «Об электронной подписи». Суть этих правок в следующем: · выпуск УКЭП ЮЛ возможен только для Генеральных директоров компании и только в удостоверяющем центре Федеральной налоговой службы · если сотруднику для электронного подписания необходима квалифицированная ЭП, то он должен применять усиленную квалифицированную электронную подпись физического лица – УКЭП ФЛ и машиночитаемую доверенность – МЧД. Т.е. по аналогии с печатью и подписью на бумаге: УКЭП ФЛ – собственноручная подпись, МЧД – печать, которая подтверждает полномочия подписанта. · все УКЭП ЮЛ, выпущенные до 01.09.2023 действуют до конца своего срока (1 год).Детально о УКЭП ФЛ можно прочитать тут: https://company-x5.ru/cms/UC6 МЧД – машиночитаемая доверенность (довер​енность в машиночитаемом виде), выпускаемая в xml-формате, подписанная представителем ЮЛ: в нашем случае – Генеральным директором.</code>                                                                                                                                                                                                                                                                                                                                                                                      |
+  | <code>скидка сотрудника</code>                                            | <code>По карте программы лояльности Х5 (ПЛ) для сотрудника в магазина�� «Пятёрочка» действует скидка на следующих условиях:<br>Скидка 5% на весь чек (включая сезонные и промо акции), за исключением готовой еды, табачной продукции, алкогольной продукции по МРЦ (минимальной розничной цене).<br>Скидка 20% на готовую еду, включая: всю кулинарию, хлеб и выпечку из пекарни, напитки из зоны самообслуживания (горячий кофе/чай и свежевыжатый апельсиновый сок) – данная категория не должна быть выбрана в качестве «Любимой категории».<br>Скидка предоставляется на первые 2 покупки, совершенные с применением карты лояльности в день (с 3-его чека в сутки скидка сотрудника не применяется).<br>Скидка применяется как на классических кассах, так и на кассах самообслуживания.<br>Доступно списание баллов ПЛ в чеке с примененной скидкой сотрудника (с прокатыванием физической карты или сканированием штрих-кода, открытого в мобильном приложении «Пятёрочка» на своём мобильном устройстве).<br>Стандартные правила ПЛ по начислению и списанию баллов.<br>В магазинах «Перекрёсток» по картам сотрудников «Пятёрочки» работает единая программа лояльности, скидка сотрудника «Пятёрочки» не применяется.<br>Скидка не действует на онлайн-заказы.<br>Скидка 10% при заказе товаров в мобильном приложении Пятёрочки «Доставка» по промо-коду X5RETAILTEAM_1.</code>                                                                                                                                                                                                                                                                                                                                                                                                      |
+* Loss: [<code>MultipleNegativesRankingLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters:
+  ```json
+  {
+      "scale": 20.0,
+      "similarity_fct": "cos_sim"
+  }
+  ```
+
+### Training Hyperparameters
+#### Non-Default Hyperparameters
+
+- `eval_strategy`: steps
+- `per_device_train_batch_size`: 512
+- `num_train_epochs`: 50
+- `load_best_model_at_end`: True
+
+#### All Hyperparameters
+<details><summary>Click to expand</summary>
+
+- `overwrite_output_dir`: False
+- `do_predict`: False
+- `eval_strategy`: steps
+- `prediction_loss_only`: True
+- `per_device_train_batch_size`: 512
+- `per_device_eval_batch_size`: 8
+- `per_gpu_train_batch_size`: None
+- `per_gpu_eval_batch_size`: None
+- `gradient_accumulation_steps`: 1
+- `eval_accumulation_steps`: None
+- `torch_empty_cache_steps`: None
+- `learning_rate`: 5e-05
+- `weight_decay`: 0.0
+- `adam_beta1`: 0.9
+- `adam_beta2`: 0.999
+- `adam_epsilon`: 1e-08
+- `max_grad_norm`: 1.0
+- `num_train_epochs`: 50
+- `max_steps`: -1
+- `lr_scheduler_type`: linear
+- `lr_scheduler_kwargs`: {}
+- `warmup_ratio`: 0.0
+- `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`: True
+- `ignore_data_skip`: False
+- `fsdp`: []
+- `fsdp_min_num_params`: 0
+- `fsdp_config`: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
+- `fsdp_transformer_layer_cls_to_wrap`: None
+- `accelerator_config`: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
+- `deepspeed`: None
+- `label_smoothing_factor`: 0.0
+- `optim`: adamw_torch
+- `optim_args`: None
+- `adafactor`: False
+- `group_by_length`: False
+- `length_column_name`: length
+- `ddp_find_unused_parameters`: None
+- `ddp_bucket_cap_mb`: None
+- `ddp_broadcast_buffers`: False
+- `dataloader_pin_memory`: True
+- `dataloader_persistent_workers`: False
+- `skip_memory_metrics`: True
+- `use_legacy_prediction_loop`: False
+- `push_to_hub`: False
+- `resume_from_checkpoint`: None
+- `hub_model_id`: None
+- `hub_strategy`: every_save
+- `hub_private_repo`: 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
+| Epoch    | Step    | Training Loss | single_answer_eval_cosine_map@100 |
+|:--------:|:-------:|:-------------:|:---------------------------------:|
+| 2.5      | 5       | 4.3172        | 0.0670                            |
+| 5.0      | 10      | 4.1303        | 0.0694                            |
+| 7.5      | 15      | 4.1359        | 0.0709                            |
+| 10.0     | 20      | 4.0041        | 0.0717                            |
+| 12.5     | 25      | 4.046         | 0.0725                            |
+| 15.0     | 30      | 3.9099        | 0.0728                            |
+| 2.5      | 5       | 3.8625        | 0.0746                            |
+| 5.0      | 10      | 3.7396        | 0.0770                            |
+| 7.5      | 15      | 3.7788        | 0.0782                            |
+| 10.0     | 20      | 3.6576        | 0.0793                            |
+| 12.5     | 25      | 3.6948        | 0.0807                            |
+| 15.0     | 30      | 3.5424        | 0.0818                            |
+| 17.5     | 35      | 3.6012        | 0.0824                            |
+| 20.0     | 40      | 3.4924        | 0.0832                            |
+| 22.5     | 45      | 3.5435        | 0.0838                            |
+| 25.0     | 50      | 3.4052        | 0.0843                            |
+| 27.5     | 55      | 3.4728        | 0.0847                            |
+| 30.0     | 60      | 3.366         | 0.0851                            |
+| 32.5     | 65      | 3.4351        | 0.0857                            |
+| 35.0     | 70      | 3.3192        | 0.0861                            |
+| 37.5     | 75      | 3.427         | 0.0864                            |
+| 40.0     | 80      | 3.2997        | 0.0865                            |
+| 42.5     | 85      | 3.4185        | 0.0866                            |
+| 45.0     | 90      | 3.2749        | 0.0867                            |
+| 47.5     | 95      | 3.3777        | 0.0869                            |
+| **50.0** | **100** | **3.2882**    | **0.0869**                        |
+
+* The bold row denotes the saved checkpoint.
+
+### Framework Versions
+- Python: 3.10.14
+- Sentence Transformers: 3.0.1
+- Transformers: 4.44.0
+- PyTorch: 2.4.0
+- 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",
+}
+```
+
+#### 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.*
+-->

config.json

@@ -0,0 +1,27 @@
+{
+  "_name_or_path": "cointegrated/rubert-tiny2",
+  "architectures": [
+    "BertModel"
+  ],
+  "attention_probs_dropout_prob": 0.1,
+  "classifier_dropout": null,
+  "emb_size": 312,
+  "gradient_checkpointing": false,
+  "hidden_act": "gelu",
+  "hidden_dropout_prob": 0.1,
+  "hidden_size": 312,
+  "initializer_range": 0.02,
+  "intermediate_size": 600,
+  "layer_norm_eps": 1e-12,
+  "max_position_embeddings": 2048,
+  "model_type": "bert",
+  "num_attention_heads": 12,
+  "num_hidden_layers": 3,
+  "pad_token_id": 0,
+  "position_embedding_type": "absolute",
+  "torch_dtype": "float32",
+  "transformers_version": "4.44.0",
+  "type_vocab_size": 2,
+  "use_cache": true,
+  "vocab_size": 83828
+}

config_sentence_transformers.json

@@ -0,0 +1,10 @@
+{
+  "__version__": {
+    "sentence_transformers": "3.0.1",
+    "transformers": "4.44.0",
+    "pytorch": "2.4.0"
+  },
+  "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:f4c13cd095738e7a20d102174cb24bca185352d18fc12572ee4abeab843365c3
+size 116781184

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": 2048,
+  "do_lower_case": false
+}

special_tokens_map.json

@@ -0,0 +1,37 @@
+{
+  "cls_token": {
+    "content": "[CLS]",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "mask_token": {
+    "content": "[MASK]",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "pad_token": {
+    "content": "[PAD]",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "sep_token": {
+    "content": "[SEP]",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "unk_token": {
+    "content": "[UNK]",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  }
+}

tokenizer_config.json

@@ -0,0 +1,64 @@
+{
+  "added_tokens_decoder": {
+    "0": {
+      "content": "[PAD]",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "1": {
+      "content": "[UNK]",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "2": {
+      "content": "[CLS]",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "3": {
+      "content": "[SEP]",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "4": {
+      "content": "[MASK]",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    }
+  },
+  "clean_up_tokenization_spaces": true,
+  "cls_token": "[CLS]",
+  "do_basic_tokenize": true,
+  "do_lower_case": false,
+  "mask_token": "[MASK]",
+  "max_length": 512,
+  "model_max_length": 2048,
+  "never_split": null,
+  "pad_to_multiple_of": null,
+  "pad_token": "[PAD]",
+  "pad_token_type_id": 0,
+  "padding_side": "right",
+  "sep_token": "[SEP]",
+  "stride": 0,
+  "strip_accents": null,
+  "tokenize_chinese_chars": true,
+  "tokenizer_class": "BertTokenizer",
+  "truncation_side": "right",
+  "truncation_strategy": "longest_first",
+  "unk_token": "[UNK]"
+}