Hugging Face's logo

denis-gordeev
/
reranker_dialog_items_biencoder_rubert-tiny-turbo-5

Sentence Similarity
sentence-transformers
Safetensors
bert
feature-extraction
Generated from Trainer
dataset_size:48868
loss:ContrastiveLoss
Eval Results
text-embeddings-inference
Model card Files
xet
Community
denis-gordeev commited on
Commit
1f88efa
·
verified ·
1 Parent(s): b4d7a5b

Add new SentenceTransformer model

Browse files
Files changed (11) hide show
  1. 1_Pooling/config.json +10 -0
  2. README.md +973 -0
  3. config.json +27 -0
  4. config_sentence_transformers.json +10 -0
  5. model.safetensors +3 -0
  6. modules.json +20 -0
  7. sentence_bert_config.json +4 -0
  8. special_tokens_map.json +37 -0
  9. tokenizer.json +0 -0
  10. tokenizer_config.json +65 -0
  11. vocab.txt +0 -0
1_Pooling/config.json ADDED
@@ -0,0 +1,10 @@
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "word_embedding_dimension": 312,
3
+ "pooling_mode_cls_token": true,
4
+ "pooling_mode_mean_tokens": false,
5
+ "pooling_mode_max_tokens": false,
6
+ "pooling_mode_mean_sqrt_len_tokens": false,
7
+ "pooling_mode_weightedmean_tokens": false,
8
+ "pooling_mode_lasttoken": false,
9
+ "include_prompt": true
10
+ }
README.md ADDED
@@ -0,0 +1,973 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ ---
2
+ tags:
3
+ - sentence-transformers
4
+ - sentence-similarity
5
+ - feature-extraction
6
+ - generated_from_trainer
7
+ - dataset_size:48868
8
+ - loss:ContrastiveLoss
9
+ base_model: sergeyzh/rubert-tiny-turbo
10
+ widget:
11
+ - source_sentence: 'помоги подобрать игровой смартфон
12
+
13
+ с оперативной памятью больше 16 гб и ценой до 10 тысяч рублей'
14
+ sentences:
15
+ - '{''long_web_name'': ''Процессор AMD Ryzen 9 7900X OEM'', ''price'': 39253.0,
16
+ ''url'': ''https://megamarket.ru/catalog/details/processor-amd-ryzen-9-7900x-am5-oem-600009583854/'',
17
+ ''image_link'': ''https://main-cdn.sbermegamarket.ru/mid9/hlr-system/-12/185/447/212/112/35/600009583854b0.jpeg'',
18
+ ''id'': ''600009583854_170473'', ''description'': ''Процессор AMD Ryzen 9 7900X
19
+ – это мощное решение для игровых систем и рабочих станций. В основе модели используются
20
+ высококачественные компоненты и передовые технологии, что в связке с большим числом
21
+ физических ядер и виртуальных потоков может обеспечить непревзойденно высокую
22
+ вычислительную мощность в любых сценариях использования компьютера.Поддерживаемые
23
+ AMD Ryzen 9 7900X частоты могут варьироваться от 4.7 до 5.6 ГГц. Благодаря этому,
24
+ а также свободному множителю данная модель отличается высоким уровнем быстродействия
25
+ и большим потенциалом для его дальнейшего развития.Объем поддерживаемой временной
26
+ памяти может достигать 128 ГБ. Также вычислительный модуль поддерживает работу
27
+ с интерфейсом PCI-E 5 поколения, что открывает широкие возможности для создания
28
+ бескомпромиссной компьютерной системы для работы и развлечений.Помимо высокой
29
+ производительности процессор также отличается тепловыделением, которое не превышает
30
+ 170 Вт. Для охлаждения могут использоваться как воздушные, так и водяные системы.
31
+ Установка на материнскую плату производится при помощи сокета AM5.'', ''rating'':
32
+ 4.84, ''review_count'': 79}'
33
+ - '{''long_web_name'': ''Аксессуар для видеокарты NVIDIA RTX LOW PROFILE BRACKET
34
+ A2000'', ''price'': 783.0, ''url'': ''https://megamarket.ru/catalog/details/planka-dlya-videokarty-rtx-low-profile-bracket-a2000-12gb-nvidia-100046937787/'',
35
+ ''image_link'': ''https://main-cdn.sbermegamarket.ru/mid9/hlr-system/109/972/170/425/191/5/100046937787b0.jpg'',
36
+ ''id'': ''100046937787'', ''description'': '''', ''rating'': 0.0, ''review_count'':
37
+ 0}'
38
+ - '{''long_web_name'': ''Миксер Kitfort KT-1343-1'', ''price'': 13770.0, ''url'':
39
+ ''https://megamarket.ru/catalog/details/mikser-kitfort-kt-1343-1-100024025979/'',
40
+ ''image_link'': ''https://main-cdn.sbermegamarket.ru/mid9/hlr-system/1696368414/100024025979b0.jpg'',
41
+ ''id'': ''100024025979'', ''description'': ''Ультрасовременный и мощный стационарный
42
+ планетарный миксер Kitfort КТ-1343-1 поможет вам смешать ингредиенты, взбить яйца
43
+ или сливки, приготовить картофельное пюре, соус, крем, мусс, замесить жидкое тесто
44
+ для блинов и тугое тесто для пельменей и пирогов.'', ''rating'': 4.87, ''review_count'':
45
+ 168}'
46
+ - source_sentence: Найди смартфон от 50-ти тысяч до 30к рублей
47
+ sentences:
48
+ - '{''long_web_name'': ''Конверт для компакт-дисков, 8 шт'', ''price'': 207.0, ''url'':
49
+ ''https://megamarket.ru/catalog/details/konvert-dlya-kompakt-diskov-8-sht-600003175886/'',
50
+ ''image_link'': ''https://main-cdn.sbermegamarket.ru/mid9/hlr-system/-13/734/904/142/101/213/600003175886b0.jpeg'',
51
+ ''id'': ''600003175886_1022'', ''description'': '''', ''rating'': 4.72, ''review_count'':
52
+ 14}'
53
+ - '{''long_web_name'': ''Ультрабук Huawei MateBook D 14 Gray (NbD-WDI9)'', ''price'':
54
+ 44940.0, ''url'': ''https://megamarket.ru/catalog/details/i-nb-huawei-nbd-wdi9-1115g4-8-256gb-sg-100055338519/'',
55
+ ''image_link'': ''https://main-cdn.sbermegamarket.ru/mid9/hlr-system/870/310/738/102/122/9/100055338519b0.jpg'',
56
+ ''id'': ''100055338519'', ''description'': ''<p>Ультрабук Huawei MateBook D 14
57
+ i3 1115G4/8/256Gb DOS Space Gray (NbD-WDI9) — это мощный портативный компьютер,
58
+ который легко помещается в сумку или рюкзак. Его удобно брать с собой в офис,
59
+ университет или путешествие.</p>\n<h2>Помогает работать продуктивнее</h2>\n<p>Устройство
60
+ оснащено процессором Intel Core i3 1115G4 с двумя ядрами и тактовой частотой 4,1
61
+ ГГц. Оперативная память объемом 8 Гб обеспечивает стабильную работу даже при запуске
62
+ нескольких приложений одновременно. Другие технические параметры:</p>\n<ul>\n<li>внутренний
63
+ накопитель SSD на 256 Гб позволяет хранить большое количество файлов;</li>\n<li>матрица
64
+ IPS с разрешением Full HD дает четкое изображение;</li>\n<li>веб-камера 720p HD
65
+ передает качественную картинку;</li>\n<li>емкий аккумулятор на 56 Вт·ч обеспечивает
66
+ автономную работу в течение 10,5 часов.</li>\n</ul>\n<p>Корпус выполнен из алюминия
67
+ — прочного материала, устойчивого к механическим повреждениям. Устройство весит
68
+ всего 1,3 кг, а толщина составляет 1,6 см — оно не занимает много места в сумке.
69
+ На задней панели расположен сканер отпечатков пальцев — для быстрого входа в систему.</p>'',
70
+ ''rating'': 4.72, ''review_count'': 50}'
71
+ - '{''long_web_name'': ''Смартфон Xiaomi Redmi 13C 4/128GB Glacier White'', ''price'':
72
+ 13490.0, ''description'': '''', ''rating'': 3.9, ''review_count'': 10}'
73
+ - source_sentence: Покажи самсунг до 50к
74
+ sentences:
75
+ - '{''long_web_name'': ''Powerline-адаптер TP-Link TL-WPA4220KIT(EU)'', ''price'':
76
+ 6169.0, ''url'': ''https://megamarket.ru/catalog/details/powerline-adapter-tp-link-tl-wpa4220kit-eu--100000031379/'',
77
+ ''image_link'': ''https://main-cdn.sbermegamarket.ru/mid9/hlr-system/1696368/100000031379b0.jpg'',
78
+ ''id'': ''100000031379'', ''description'': ''<p>TP-Link TL-WPA4220KIT — Powerline-адаптер,
79
+ с помощью которого можно расширить зону охвата интернет-сети в доме или офисе.
80
+ Устройство использует для этого электропроводку. Все, что от вас требуется:</p><ul><li>вставить
81
+ адаптер, подключенный к интернету, в ближайшую розетку;</li><li>подключить дополнительный
82
+ адаптер к компьютеру, телевизору, игровой приставке с помощью кабеля Ethernet
83
+ либо по Wi-Fi.</li></ul><p>Устройство обеспечивает передачу данных на расстояние
84
+ до 300 метров. Скорость при этом достигает 500 Мбит/с: этого достаточно не только
85
+ для проверки электронного почтового ящика или веб-серфинга, но и для просмотра
86
+ HD-видео по сети.</p><h2>Расширяйте сеть простым нажатием кнопки</h2><p>На корпусе
87
+ адаптера находится кнопка Wi-Fi Clone. Нажмите ее, и устройство автоматически
88
+ скопирует имя сети, а также пароль основного роутера. При дальнейшем использовании
89
+ адаптера вам не нужно будет вводить эти данные, он установит соединение с сетью
90
+ автоматически.</p><h2>Быстрый Wi-Fi</h2><p>Адаптер можно использовать для обеспечения
91
+ соединения по Wi-Fi в удаленных от роутера частях дома или офиса. Скорость передачи
92
+ данных при этом может достигать 300 Мбит/с.</p>'', ''rating'': 4.68, ''review_count'':
93
+ 28}'
94
+ - '{''long_web_name'': ''Бокс внешний для жесткого диска UGREEN CM400 10903 USB-C
95
+ to M.2 NGFF 5G'', ''price'': 1743.0, ''url'': ''https://megamarket.ru/catalog/details/boks-vneshniy-dlya-zhestkogo-diska-ugreen-cm400-10903-usb-c-to-m2-ngff-5g-s-kabelem-seryy-600010937220/'',
96
+ ''image_link'': ''https://main-cdn.sbermegamarket.ru/mid9/hlr-system/141/145/820/231/381/5/600010937220b0.png'',
97
+ ''id'': ''600010937220'', ''description'': ''Вход: Micro USB 3.0 (мама). Выход:
98
+ M.2 B-Key(SATA 3.0). SATA 3.0, скорость до 6 Гбит/с, совместимость с SATA 2.0/1.0.
99
+ Micro USB 3.0, скорость до 5 Гбит/с, совместимость с USB 2.0 и 1.1. Поддержка
100
+ 4х размеров (2230/2242/2260/2280) M.2 (NGFF)B -KEY твердотельные накопители. До
101
+ 2 ТБ. Поддерживает протокол передачи данных UASP. Защита от короткого замыкания.
102
+ Встроенная схема защиты от электростатического разряда, устойчивая к статическому
103
+ напряжению 4 кВ. Поддержка функции обнаружения S.M.A.R.T. Поддержка функции TRIM.
104
+ Установка без инструментов. Кабель Micro USB 3.0 - USB A. Длина кабеля: 50 см.
105
+ Совместимость с Windows, Mac OS, Linux, Chrome OS, PS4, PS3, Xbox, маршрутизатором,
106
+ телефонами OTG. Алюминиевый корпус. Размер:Д119xШ37xВ12 мм'', ''rating'': 4.12,
107
+ ''review_count'': 17}'
108
+ - '{''long_web_name'': ''Смартфон Realme RMX3710 C55 128Gb 6Gb черный моноблок'',
109
+ ''price'': 14999.0, ''description'': '''', ''rating'': 4.9, ''review_count'':
110
+ 230, ''extra_info'': ''''}'
111
+ - source_sentence: Помоги выбрать утюг для мамы до 15к рублей
112
+ sentences:
113
+ - '{''long_web_name'': ''Защитное стекло на Samsung A52 с рамкой'', ''price'': 307.0,
114
+ ''url'': ''https://megamarket.ru/catalog/details/zashitnoe-steklo-na-samsung-a52-s-ramkoy-600014092980/'',
115
+ ''image_link'': ''https://main-cdn.sbermegamarket.ru/mid9/hlr-system/157/296/486/423/114/1/600014092980b0.jpg'',
116
+ ''id'': ''600014092980'', ''description'': ''<p>Закаленное стекло на Samsung A52
117
+ стекло G-Rhino с черной рамкой - вариант усиленной защиты на весь экран, приближенного
118
+ к материалу Gorilla Glass, неотъемлемая деталь для Вашего смартфона. Химически
119
+ упрочнённое бронь-стекло G Rhino с полной проклейкой, способно сохранить гаджет
120
+ при падении от царапин, сколов, трещин, всевозможных случайных механических повреждений,
121
+ а также защитит от износа и загрязнений, отпечатков пальцев и жирных пятен. Подходит
122
+ под любые виды чехлов и не трескается при длительном использовании. Толщина атрибута
123
+ в несколько раз превосходит традиционную пленку. Благодаря тому, что броне-стекло
124
+ равномерно покрывает всю поверхность телефона, оно плотно приклеивается к дисплею
125
+ и не влияет на его сенсорную чувствительность. Мы рекомендуем устанавливать вместе
126
+ с «бронёй» ударопрочный чехол для продления службы вашей техники. Устанавливается
127
+ максимально просто: достаточно расположить ровно бронестекло, провести пальцем
128
+ по центру, и оно само приклеится, также установка продемонстрирована в видео карточки
129
+ данного товара. В набор входят влажные и сухие салфетки, а также специальные наклейки
130
+ для удаления пыли. Благодаря прочной упаковке, ваш заказ будет доставлен в целостности.
131
+ Также предлагаем посмотреть классическую и керамическую бронезащиту, которые можно
132
+ увидеть в рекомендациях. Если задумываетесь о подарке для близкого Вам человека идеально
133
+ будет приобрести у нас в комплекте бампер(накладка) и защитные стёклышки PRO.
134
+ В нашем магазине самый большой ассортимент аксессуаров для любых смартфонов, мы
135
+ оперативно пополняем наш сайт новинками. Если вы не смогли определиться с выбором,
136
+ то мы всегда ответим Вам в разделе Вопросы.</p>'', ''rating'': 4.2, ''review_count'':
137
+ 5}'
138
+ - '{''long_web_name'': ''Чехол-накладка для Xiaomi Redmi 12C черный, Microfiber
139
+ Case, BoraSCO'', ''price'': 486.0, ''url'': ''https://megamarket.ru/catalog/details/chehol-nakladka-dlya-xiaomi-redmi-12c-chernyy-microfiber-case-borasco-600011628021/'',
140
+ ''image_link'': ''https://main-cdn.sbermegamarket.ru/mid9/hlr-system/210/478/671/542/416/12/600011628021b0.jpeg'',
141
+ ''id'': ''600011628021_14552'', ''description'': ''Удобный и эластичный чехол
142
+ Microfiber Case – идеальное решение для Вашего смартфона. Внутренняя сторона чехла
143
+ из мягкой микрофибры защитит корпус устройства, а внешняя силиконовая поверхность
144
+ с покрытием Soft Touch приятна на ощупь. Чехол точно повторяет контуры телефона,
145
+ плотно прилегает к кнопкам, сохраняя максимальное удобство в управлении. Имеет
146
+ все необходимые отверстия для доступа к функциональным портам, и разъемам смартфона.'',
147
+ ''rating'': 0.0, ''review_count'': 0}'
148
+ - '{''long_web_name'': ''Смартфон Samsung Galaxy S23 256GB Black'', ''price'': 67800.0,
149
+ ''url'': ''https://megamarket.ru/catalog/details/smartfon-samsung-galaxy-s23-256gb-black-100065875645/'',
150
+ ''image_link'': ''https://main-cdn.sbermegamarket.ru/mid9/hlr-system/-31/916/659/281/817/100065875645b0.jpg'',
151
+ ''id'': ''100065875645'', ''description'': ''Смартфон Samsung Galaxy S23 256GB
152
+ Black. Восьмиядерный процессор Qualcomm Snapdragon 8 Gen 2 с графическим ускорителем
153
+ Adreno 740 и 8 Гб оперативной памяти. Безрамочный экран диагональю 6,1 дюйма,
154
+ выполненный по технологии Dynamic AMOLED 2X. Разрешение — 2340x1080 пикселей,
155
+ частота обновления — 120 Гц. Плотность пикселей 425 ppi. Стекло Corning Gorilla
156
+ Glass Victus 2 — защищает дисплей от ударов и появления царапин. Технология Dolby
157
+ Atmos — объемный звук в фильмах, играх и при прослушивании музыки. Влагозащита
158
+ по стандарту IP68. Трехмодульная основная камера 50/12/10 Мп с автофокусом, светодиодной
159
+ вспышкой и AI распознаванием сцен — снимает фотографии и записывает видео в условиях
160
+ разного освещения. Фронтальная камера — 12 Мп. Внутреннее хранилище объемом 256
161
+ Гб для установки приложений, хранения медиафайлов и документов. Поддержка двух
162
+ nano-SIM и eSIM. Навигационные системы GPS, ГЛОНАСС, Beidou, Galileo и QZSS —
163
+ позволяют быстро сориентироваться в незнакомом месте, проложить маршрут до нужной
164
+ точки. Встроенные модули Wi-Fi, Bluetooth и NFC — для обмена данными с совместимыми
165
+ устройствами. Время автономной работы — до 70 часов. Аккумулятор 3900 мАч с поддержкой
166
+ быстрой и беспроводной зарядки. Биометрическая защита с авторизацией через распознавание
167
+ лица или отпечаток пальца.'', ''rating'': 5.0, ''review_count'': 24}'
168
+ - source_sentence: расскажи о камерах смартфонов
169
+ sentences:
170
+ - '{''long_web_name'': ''Смартфон Samsung Galaxy S23 FE 256GB Graphite (SM-S711B/DS)'',
171
+ ''price'': 51540.0, ''description'': ''<p>Смартфон Samsung Galaxy S23 FE 256GB
172
+ Graphite (SM-S711B/DS) — это мощный гаджет с большим экраном, который позволяет
173
+ смотреть фильмы, играть в игры и общаться с друзьями.</p>\n<h2>Продуманная конструкция</h2>\n<p>Смартфон
174
+ оснащен восьмиядерным процессором Exynos 2200, который обеспечивает высокую производительность.
175
+ Оперативной памяти 8 Гб — этого достаточно для одновременного запуска нескольких
176
+ приложений. Другие параметры:</p>\n<ul>\n<li>IPS-дисплей диагональю 6,4 дюймов
177
+ — изображение выглядит четким и ярким;</li>\n<li>три основные камеры с разрешением
178
+ 50, 12 и 8 Мп — позволяют делать качественные снимки;</li>\n<li>фронтальная камера
179
+ на 10 Мп — подходит для селфи;</li>\n<li>емкий аккумулятор на 4500 мА·ч — хватает
180
+ на длительное время работы.</li>\n</ul>\n<p>Смартфон защищен от попадания пыли
181
+ и влаги. Корпус выполнен из пластика — он устойчив к царапинам и потертостям.
182
+ На задней панели расположен сканер отпечатков пальцев.</p>'', ''rating'': 4.8,
183
+ ''review_count'': 117, ''extra_info'': ''''}'
184
+ - '{''long_web_name'': ''Смартфон Honor 200 Lite 8/256GB голубой (5109BFBH)'', ''price'':
185
+ 21290.0, ''description'': '''', ''rating'': 4.83, ''review_count'': 17}'
186
+ - '{''long_web_name'': ''Накладка силикон для Xiaomi Redmi 5 (оригинальный) прозрачный'',
187
+ ''price'': 599.0, ''url'': ''https://megamarket.ru/catalog/details/nakladka-silikon-dlya-xiaomi-redmi-5-originalnyy-prozrachnyy-100057155753/'',
188
+ ''image_link'': ''https://main-cdn.sbermegamarket.ru/mid9/hlr-system/-24/417/121/310/276/47/100057155753b0.jpg'',
189
+ ''id'': ''100057155753_102580'', ''description'': '''', ''rating'': 0.0, ''review_count'':
190
+ 0}'
191
+ pipeline_tag: sentence-similarity
192
+ library_name: sentence-transformers
193
+ metrics:
194
+ - cosine_accuracy
195
+ - cosine_accuracy_threshold
196
+ - cosine_f1
197
+ - cosine_f1_threshold
198
+ - cosine_precision
199
+ - cosine_recall
200
+ - cosine_ap
201
+ model-index:
202
+ - name: SentenceTransformer based on sergeyzh/rubert-tiny-turbo
203
+ results:
204
+ - task:
205
+ type: binary-classification
206
+ name: Binary Classification
207
+ dataset:
208
+ name: item classification
209
+ type: item-classification
210
+ metrics:
211
+ - type: cosine_accuracy
212
+ value: 0.9842829076620825
213
+ name: Cosine Accuracy
214
+ - type: cosine_accuracy_threshold
215
+ value: 0.7253406047821045
216
+ name: Cosine Accuracy Threshold
217
+ - type: cosine_f1
218
+ value: 0.949367088607595
219
+ name: Cosine F1
220
+ - type: cosine_f1_threshold
221
+ value: 0.7253406047821045
222
+ name: Cosine F1 Threshold
223
+ - type: cosine_precision
224
+ value: 0.9297520661157025
225
+ name: Cosine Precision
226
+ - type: cosine_recall
227
+ value: 0.9698275862068966
228
+ name: Cosine Recall
229
+ - type: cosine_ap
230
+ value: 0.9839091724445497
231
+ name: Cosine Ap
232
+ ---
233
+
234
+ # SentenceTransformer based on sergeyzh/rubert-tiny-turbo
235
+
236
+ This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [sergeyzh/rubert-tiny-turbo](https://huggingface.co/sergeyzh/rubert-tiny-turbo). 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.
237
+
238
+ ## Model Details
239
+
240
+ ### Model Description
241
+ - **Model Type:** Sentence Transformer
242
+ - **Base model:** [sergeyzh/rubert-tiny-turbo](https://huggingface.co/sergeyzh/rubert-tiny-turbo) <!-- at revision 93769a3baad2b037e5c2e4312fccf6bcfe082bf1 -->
243
+ - **Maximum Sequence Length:** 2048 tokens
244
+ - **Output Dimensionality:** 312 dimensions
245
+ - **Similarity Function:** Cosine Similarity
246
+ <!-- - **Training Dataset:** Unknown -->
247
+ <!-- - **Language:** Unknown -->
248
+ <!-- - **License:** Unknown -->
249
+
250
+ ### Model Sources
251
+
252
+ - **Documentation:** [Sentence Transformers Documentation](https://sbert.net)
253
+ - **Repository:** [Sentence Transformers on GitHub](https://github.com/UKPLab/sentence-transformers)
254
+ - **Hugging Face:** [Sentence Transformers on Hugging Face](https://huggingface.co/models?library=sentence-transformers)
255
+
256
+ ### Full Model Architecture
257
+
258
+ ```
259
+ SentenceTransformer(
260
+ (0): Transformer({'max_seq_length': 2048, 'do_lower_case': False}) with Transformer model: BertModel
261
+ (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})
262
+ (2): Normalize()
263
+ )
264
+ ```
265
+
266
+ ## Usage
267
+
268
+ ### Direct Usage (Sentence Transformers)
269
+
270
+ First install the Sentence Transformers library:
271
+
272
+ ```bash
273
+ pip install -U sentence-transformers
274
+ ```
275
+
276
+ Then you can load this model and run inference.
277
+ ```python
278
+ from sentence_transformers import SentenceTransformer
279
+
280
+ # Download from the 🤗 Hub
281
+ model = SentenceTransformer("denis-gordeev/reranker_dialog_items_biencoder_rubert-tiny-turbo-5")
282
+ # Run inference
283
+ sentences = [
284
+ 'расскажи о камерах смартфонов',
285
+ "{'long_web_name': 'Смартфон Honor 200 Lite 8/256GB голубой (5109BFBH)', 'price': 21290.0, 'description': '', 'rating': 4.83, 'review_count': 17}",
286
+ "{'long_web_name': 'Накладка силикон для Xiaomi Redmi 5 (оригинальный) прозрачный', 'price': 599.0, 'url': 'https://megamarket.ru/catalog/details/nakladka-silikon-dlya-xiaomi-redmi-5-originalnyy-prozrachnyy-100057155753/', 'image_link': 'https://main-cdn.sbermegamarket.ru/mid9/hlr-system/-24/417/121/310/276/47/100057155753b0.jpg', 'id': '100057155753_102580', 'description': '', 'rating': 0.0, 'review_count': 0}",
287
+ ]
288
+ embeddings = model.encode(sentences)
289
+ print(embeddings.shape)
290
+ # [3, 312]
291
+
292
+ # Get the similarity scores for the embeddings
293
+ similarities = model.similarity(embeddings, embeddings)
294
+ print(similarities.shape)
295
+ # [3, 3]
296
+ ```
297
+
298
+ <!--
299
+ ### Direct Usage (Transformers)
300
+
301
+ <details><summary>Click to see the direct usage in Transformers</summary>
302
+
303
+ </details>
304
+ -->
305
+
306
+ <!--
307
+ ### Downstream Usage (Sentence Transformers)
308
+
309
+ You can finetune this model on your own dataset.
310
+
311
+ <details><summary>Click to expand</summary>
312
+
313
+ </details>
314
+ -->
315
+
316
+ <!--
317
+ ### Out-of-Scope Use
318
+
319
+ *List how the model may foreseeably be misused and address what users ought not to do with the model.*
320
+ -->
321
+
322
+ ## Evaluation
323
+
324
+ ### Metrics
325
+
326
+ #### Binary Classification
327
+
328
+ * Dataset: `item-classification`
329
+ * Evaluated with [<code>BinaryClassificationEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.BinaryClassificationEvaluator)
330
+
331
+ | Metric | Value |
332
+ |:--------------------------|:-----------|
333
+ | cosine_accuracy | 0.9843 |
334
+ | cosine_accuracy_threshold | 0.7253 |
335
+ | cosine_f1 | 0.9494 |
336
+ | cosine_f1_threshold | 0.7253 |
337
+ | cosine_precision | 0.9298 |
338
+ | cosine_recall | 0.9698 |
339
+ | **cosine_ap** | **0.9839** |
340
+
341
+ <!--
342
+ ## Bias, Risks and Limitations
343
+
344
+ *What are the known or foreseeable issues stemming from this model? You could also flag here known failure cases or weaknesses of the model.*
345
+ -->
346
+
347
+ <!--
348
+ ### Recommendations
349
+
350
+ *What are recommendations with respect to the foreseeable issues? For example, filtering explicit content.*
351
+ -->
352
+
353
+ ## Training Details
354
+
355
+ ### Training Dataset
356
+
357
+ #### Unnamed Dataset
358
+
359
+
360
+ * Size: 48,868 training samples
361
+ * Columns: <code>anchor</code>, <code>text</code>, and <code>label</code>
362
+ * Approximate statistics based on the first 1000 samples:
363
+ | | anchor | text | label |
364
+ |:--------|:-----------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------|:------------------------------------------------|
365
+ | type | string | string | int |
366
+ | details | <ul><li>min: 5 tokens</li><li>mean: 17.78 tokens</li><li>max: 118 tokens</li></ul> | <ul><li>min: 57 tokens</li><li>mean: 318.85 tokens</li><li>max: 1182 tokens</li></ul> | <ul><li>0: ~85.50%</li><li>1: ~14.50%</li></ul> |
367
+ * Samples:
368
+ | anchor | text | label |
369
+ |:----------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------|
370
+ | <code>помоги подобрать внешний аккумулятор, чтобы получить сбербонусы<br>покажи товары</code> | <code>{'long_web_name': 'Чехол для Xiaomi Battery Case 10000mAh ver.2 Orange', 'price': 195.0, 'url': 'https://megamarket.ru/catalog/details/xiaomi-battery-case-10000mah-ver2-orange-100043272924/', 'image_link': 'https://main-cdn.sbermegamarket.ru/mid9/hlr-system/202/591/442/682/916/55/100043272924b0.jpg', 'id': '100043272924', 'description': '', 'rating': 0.0, 'review_count': 0}</code> | <code>0</code> |
371
+ | <code>Здравствуйте. Мне нужен недорогой смартфон на Android, чтобы можно было легко звонить и писать сообщения внукам. Можете что-то посоветовать?</code> | <code>{'long_web_name': 'Чистящее средство Topperr 3037', 'price': 417.0, 'url': 'https://megamarket.ru/catalog/details/chistyashee-sredstvo-dlya-kofemashin-topperr-3037-100022709014/', 'image_link': 'https://main-cdn.sbermegamarket.ru/mid9/hlr-system/-16/699/502/081/231/16/100022709014b0.jpg', 'id': '100022709014', 'description': '', 'rating': 4.94, 'review_count': 222}</code> | <code>0</code> |
372
+ | <code>Samsung Galaxy S24</code> | <code>{'long_web_name': 'Поворотное металлическое крепление на руль мотоцикла велосипеда для экшн камеры GoPro', 'price': 950.0, 'url': 'https://megamarket.ru/catalog/details/kreplenie-nobrand-00000659-600016461568/', 'image_link': 'https://main-cdn.sbermegamarket.ru/mid9/hlr-system/-66/144/792/042/153/1/600016461568b0.png', 'id': '600016461568_81689', 'description': '<p>Это надежный металлический крепеж для рулей и круглых труб небольшого диаметра, до 33мм. Крепление оснащено стандартным U-образным креплением, которое совместимо с экшн камерами GoPro, SjCam, Xiaomi и иных других оснащенных подобным креплением. Есть возможность поворота камеры вокруг своей оси на 360 градусов с фиксацией.</p><p>Благодаря резиновым уплотнителям внутри, крепление надежно держится и не провернется вокруг трубы.</p><p>Крепление затягивается шестигранником, который идет в комплекте. Также в комплекте идет металлический болт для закрепления экшн камеры в U-образном креплении. </p>', 'rating': 0.0, 'review_count': ...</code> | <code>0</code> |
373
+ * Loss: [<code>ContrastiveLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#contrastiveloss) with these parameters:
374
+ ```json
375
+ {
376
+ "distance_metric": "SiameseDistanceMetric.COSINE_DISTANCE",
377
+ "margin": 0.5,
378
+ "size_average": true
379
+ }
380
+ ```
381
+
382
+ ### Evaluation Dataset
383
+
384
+ #### Unnamed Dataset
385
+
386
+
387
+ * Size: 6,108 evaluation samples
388
+ * Columns: <code>anchor</code>, <code>text</code>, and <code>label</code>
389
+ * Approximate statistics based on the first 1000 samples:
390
+ | | anchor | text | label |
391
+ |:--------|:------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------|:------------------------------------------------|
392
+ | type | string | string | int |
393
+ | details | <ul><li>min: 5 tokens</li><li>mean: 20.51 tokens</li><li>max: 1716 tokens</li></ul> | <ul><li>min: 53 tokens</li><li>mean: 326.79 tokens</li><li>max: 1182 tokens</li></ul> | <ul><li>0: ~84.50%</li><li>1: ~15.50%</li></ul> |
394
+ * Samples:
395
+ | anchor | text | label |
396
+ |:--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------|
397
+ | <code>Привет, помоги подобрать ноутбук, на что обратить внимание?<br>Диагональ дисплея хочу 15<br>оеративка от 16гб<br>ссд хотя бы 0.5 тб<br><br>Порекомендуй конкртные товары</code> | <code>{'long_web_name': 'Ноутбук Azerty RB-1550 Silver (120-0513)', 'price': 25470.0, 'description': 'Ноутбук Azerty RB-1550 обладает достаточной производительностью для решения учебных задач, таких как работа с документами, просмотр веб-страниц, использование электронных учебников и презентаций. Конечно, ведь именно для этого он и предназначен, являясь представителем серии моделей для учёбы Story. - Корпус ноутбука выполнен из твердого полимерного пластика, придающего легкости и прочности. Этот материал обладает высокой устойчивостью к механическим воздействиям, царапинам и потёртостям, а также снижает вес устройства, что делает его удобным для переноски. - Экран ноутбука имеет размер 15,6 дюйма выполнен по технологии IPS, которая обеспечивает хорошее качество изображения, с высокой контрастностью и широким углом обзора. Разрешение экрана составляет 1920x1080 пикселей, что обеспечивает высокую детальность. Антибликовое покрытие экрана помогает снизить нагрузку на зрение при работе в ярко ос...</code> | <code>0</code> |
398
+ | <code>расскажи как выбрать смартфон игровой<br>расскажи о разнице между андроидом и айос подробнее<br>расскажи подробнее об операционной системе</code> | <code>{'long_web_name': 'Смартфон Honor Honor 90 12/512GB изумрудный зеленый (5109ATRU)', 'price': 33990.0, 'description': '', 'rating': 4.73, 'review_count': 37}</code> | <code>1</code> |
399
+ | <code>Найди самсунг белого цвета в республике башкортостан. Меня зовут Алексей, кстати<br>И до 50к с 8 гб оперативы</code> | <code>{'long_web_name': 'Защитное стекло Remax Medicine Glass GL-27 3D для iPhone 15, черная рамка 0,3 мм', 'price': 247.0, 'url': 'https://megamarket.ru/catalog/details/zashitnoe-steklo-remax-medicine-glass-gl-27-3d-dlya-iphone-15-chernaya-ramka-03-mm-600013601251/', 'image_link': 'https://main-cdn.sbermegamarket.ru/mid9/hlr-system/811/370/081/107/016/600013601251b0.jpeg', 'id': '600013601251', 'description': 'Защитное стекло для Apple iPhone 15/ Айфон 15, противоударное стекло от сколов и царапин на экран айфона Защитное стекло повторяет контуры экрана на 100% и закрывает его полностью от края до края, не оставляя зазоров. Благодаря наличию цветной рамки оно полностью копирует дизайн лицевой панели телефона и не портит его внешний вид. Комплектация Защитное стекло для iPhone 15/ Айфон 15 Спиртовая салфетка Салфетка из микрофибры Стикеры для удаления пыли Инструкция по наклеиванию Надежная упаковка', 'rating': 4.9, 'review_count': 229}</code> | <code>0</code> |
400
+ * Loss: [<code>ContrastiveLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#contrastiveloss) with these parameters:
401
+ ```json
402
+ {
403
+ "distance_metric": "SiameseDistanceMetric.COSINE_DISTANCE",
404
+ "margin": 0.5,
405
+ "size_average": true
406
+ }
407
+ ```
408
+
409
+ ### Training Hyperparameters
410
+ #### Non-Default Hyperparameters
411
+
412
+ - `eval_strategy`: steps
413
+ - `num_train_epochs`: 5
414
+ - `warmup_ratio`: 0.1
415
+ - `fp16`: True
416
+ - `load_best_model_at_end`: True
417
+ - `batch_sampler`: no_duplicates
418
+
419
+ #### All Hyperparameters
420
+ <details><summary>Click to expand</summary>
421
+
422
+ - `overwrite_output_dir`: False
423
+ - `do_predict`: False
424
+ - `eval_strategy`: steps
425
+ - `prediction_loss_only`: True
426
+ - `per_device_train_batch_size`: 8
427
+ - `per_device_eval_batch_size`: 8
428
+ - `per_gpu_train_batch_size`: None
429
+ - `per_gpu_eval_batch_size`: None
430
+ - `gradient_accumulation_steps`: 1
431
+ - `eval_accumulation_steps`: None
432
+ - `torch_empty_cache_steps`: None
433
+ - `learning_rate`: 5e-05
434
+ - `weight_decay`: 0.0
435
+ - `adam_beta1`: 0.9
436
+ - `adam_beta2`: 0.999
437
+ - `adam_epsilon`: 1e-08
438
+ - `max_grad_norm`: 1.0
439
+ - `num_train_epochs`: 5
440
+ - `max_steps`: -1
441
+ - `lr_scheduler_type`: linear
442
+ - `lr_scheduler_kwargs`: {}
443
+ - `warmup_ratio`: 0.1
444
+ - `warmup_steps`: 0
445
+ - `log_level`: passive
446
+ - `log_level_replica`: warning
447
+ - `log_on_each_node`: True
448
+ - `logging_nan_inf_filter`: True
449
+ - `save_safetensors`: True
450
+ - `save_on_each_node`: False
451
+ - `save_only_model`: False
452
+ - `restore_callback_states_from_checkpoint`: False
453
+ - `no_cuda`: False
454
+ - `use_cpu`: False
455
+ - `use_mps_device`: False
456
+ - `seed`: 42
457
+ - `data_seed`: None
458
+ - `jit_mode_eval`: False
459
+ - `use_ipex`: False
460
+ - `bf16`: False
461
+ - `fp16`: True
462
+ - `fp16_opt_level`: O1
463
+ - `half_precision_backend`: auto
464
+ - `bf16_full_eval`: False
465
+ - `fp16_full_eval`: False
466
+ - `tf32`: None
467
+ - `local_rank`: 0
468
+ - `ddp_backend`: None
469
+ - `tpu_num_cores`: None
470
+ - `tpu_metrics_debug`: False
471
+ - `debug`: []
472
+ - `dataloader_drop_last`: False
473
+ - `dataloader_num_workers`: 0
474
+ - `dataloader_prefetch_factor`: None
475
+ - `past_index`: -1
476
+ - `disable_tqdm`: False
477
+ - `remove_unused_columns`: True
478
+ - `label_names`: None
479
+ - `load_best_model_at_end`: True
480
+ - `ignore_data_skip`: False
481
+ - `fsdp`: []
482
+ - `fsdp_min_num_params`: 0
483
+ - `fsdp_config`: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
484
+ - `fsdp_transformer_layer_cls_to_wrap`: None
485
+ - `accelerator_config`: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
486
+ - `deepspeed`: None
487
+ - `label_smoothing_factor`: 0.0
488
+ - `optim`: adamw_torch
489
+ - `optim_args`: None
490
+ - `adafactor`: False
491
+ - `group_by_length`: False
492
+ - `length_column_name`: length
493
+ - `ddp_find_unused_parameters`: None
494
+ - `ddp_bucket_cap_mb`: None
495
+ - `ddp_broadcast_buffers`: False
496
+ - `dataloader_pin_memory`: True
497
+ - `dataloader_persistent_workers`: False
498
+ - `skip_memory_metrics`: True
499
+ - `use_legacy_prediction_loop`: False
500
+ - `push_to_hub`: False
501
+ - `resume_from_checkpoint`: None
502
+ - `hub_model_id`: None
503
+ - `hub_strategy`: every_save
504
+ - `hub_private_repo`: None
505
+ - `hub_always_push`: False
506
+ - `gradient_checkpointing`: False
507
+ - `gradient_checkpointing_kwargs`: None
508
+ - `include_inputs_for_metrics`: False
509
+ - `include_for_metrics`: []
510
+ - `eval_do_concat_batches`: True
511
+ - `fp16_backend`: auto
512
+ - `push_to_hub_model_id`: None
513
+ - `push_to_hub_organization`: None
514
+ - `mp_parameters`:
515
+ - `auto_find_batch_size`: False
516
+ - `full_determinism`: False
517
+ - `torchdynamo`: None
518
+ - `ray_scope`: last
519
+ - `ddp_timeout`: 1800
520
+ - `torch_compile`: False
521
+ - `torch_compile_backend`: None
522
+ - `torch_compile_mode`: None
523
+ - `dispatch_batches`: None
524
+ - `split_batches`: None
525
+ - `include_tokens_per_second`: False
526
+ - `include_num_input_tokens_seen`: False
527
+ - `neftune_noise_alpha`: None
528
+ - `optim_target_modules`: None
529
+ - `batch_eval_metrics`: False
530
+ - `eval_on_start`: False
531
+ - `use_liger_kernel`: False
532
+ - `eval_use_gather_object`: False
533
+ - `average_tokens_across_devices`: False
534
+ - `prompts`: None
535
+ - `batch_sampler`: no_duplicates
536
+ - `multi_dataset_batch_sampler`: proportional
537
+
538
+ </details>
539
+
540
+ ### Training Logs
541
+ <details><summary>Click to expand</summary>
542
+
543
+ | Epoch | Step | Training Loss | Validation Loss | item-classification_cosine_ap |
544
+ |:----------:|:---------:|:-------------:|:---------------:|:-----------------------------:|
545
+ | 0 | 0 | - | 0.0241 | 0.3377 |
546
+ | 0.0164 | 100 | 0.0182 | - | - |
547
+ | 0.0327 | 200 | 0.0137 | - | - |
548
+ | 0.0409 | 250 | - | 0.0128 | 0.4945 |
549
+ | 0.0491 | 300 | 0.0135 | - | - |
550
+ | 0.0655 | 400 | 0.0132 | - | - |
551
+ | 0.0818 | 500 | 0.0098 | 0.0092 | 0.7161 |
552
+ | 0.0982 | 600 | 0.0084 | - | - |
553
+ | 0.1146 | 700 | 0.0084 | - | - |
554
+ | 0.1228 | 750 | - | 0.0059 | 0.7971 |
555
+ | 0.1310 | 800 | 0.0074 | - | - |
556
+ | 0.1473 | 900 | 0.0072 | - | - |
557
+ | 0.1637 | 1000 | 0.0059 | 0.0050 | 0.8319 |
558
+ | 0.1801 | 1100 | 0.0054 | - | - |
559
+ | 0.1964 | 1200 | 0.0052 | - | - |
560
+ | 0.2046 | 1250 | - | 0.0046 | 0.8753 |
561
+ | 0.2128 | 1300 | 0.0048 | - | - |
562
+ | 0.2292 | 1400 | 0.0046 | - | - |
563
+ | 0.2455 | 1500 | 0.0049 | 0.0043 | 0.9045 |
564
+ | 0.2619 | 1600 | 0.0049 | - | - |
565
+ | 0.2783 | 1700 | 0.0046 | - | - |
566
+ | 0.2865 | 1750 | - | 0.0039 | 0.9027 |
567
+ | 0.2946 | 1800 | 0.0046 | - | - |
568
+ | 0.3110 | 1900 | 0.0045 | - | - |
569
+ | 0.3274 | 2000 | 0.0046 | 0.0035 | 0.9127 |
570
+ | 0.3438 | 2100 | 0.0043 | - | - |
571
+ | 0.3601 | 2200 | 0.0049 | - | - |
572
+ | 0.3683 | 2250 | - | 0.0033 | 0.9300 |
573
+ | 0.3765 | 2300 | 0.0042 | - | - |
574
+ | 0.3929 | 2400 | 0.0032 | - | - |
575
+ | 0.4092 | 2500 | 0.0038 | 0.0031 | 0.9393 |
576
+ | 0.4256 | 2600 | 0.0034 | - | - |
577
+ | 0.4420 | 2700 | 0.0042 | - | - |
578
+ | 0.4502 | 2750 | - | 0.0030 | 0.9418 |
579
+ | 0.4583 | 2800 | 0.004 | - | - |
580
+ | 0.4747 | 2900 | 0.0042 | - | - |
581
+ | 0.4911 | 3000 | 0.004 | 0.0031 | 0.9551 |
582
+ | 0.5074 | 3100 | 0.0038 | - | - |
583
+ | 0.5238 | 3200 | 0.0041 | - | - |
584
+ | 0.5320 | 3250 | - | 0.0032 | 0.9451 |
585
+ | 0.5402 | 3300 | 0.0041 | - | - |
586
+ | 0.5566 | 3400 | 0.0037 | - | - |
587
+ | 0.5729 | 3500 | 0.0032 | 0.0028 | 0.9585 |
588
+ | 0.5893 | 3600 | 0.0032 | - | - |
589
+ | 0.6057 | 3700 | 0.003 | - | - |
590
+ | 0.6138 | 3750 | - | 0.0029 | 0.9531 |
591
+ | 0.6220 | 3800 | 0.0031 | - | - |
592
+ | 0.6384 | 3900 | 0.0027 | - | - |
593
+ | 0.6548 | 4000 | 0.0024 | 0.0027 | 0.9559 |
594
+ | 0.6711 | 4100 | 0.0031 | - | - |
595
+ | 0.6875 | 4200 | 0.0025 | - | - |
596
+ | 0.6957 | 4250 | - | 0.0027 | 0.9637 |
597
+ | 0.7039 | 4300 | 0.0032 | - | - |
598
+ | 0.7202 | 4400 | 0.0034 | - | - |
599
+ | 0.7366 | 4500 | 0.0026 | 0.0024 | 0.9679 |
600
+ | 0.7530 | 4600 | 0.0025 | - | - |
601
+ | 0.7694 | 4700 | 0.0034 | - | - |
602
+ | 0.7775 | 4750 | - | 0.0024 | 0.9699 |
603
+ | 0.7857 | 4800 | 0.0024 | - | - |
604
+ | 0.8021 | 4900 | 0.0034 | - | - |
605
+ | 0.8185 | 5000 | 0.0028 | 0.0025 | 0.9624 |
606
+ | 0.8348 | 5100 | 0.0036 | - | - |
607
+ | 0.8512 | 5200 | 0.0025 | - | - |
608
+ | 0.8594 | 5250 | - | 0.0024 | 0.9666 |
609
+ | 0.8676 | 5300 | 0.0034 | - | - |
610
+ | 0.8839 | 5400 | 0.0026 | - | - |
611
+ | 0.9003 | 5500 | 0.0032 | 0.0024 | 0.9673 |
612
+ | 0.9167 | 5600 | 0.0032 | - | - |
613
+ | 0.9330 | 5700 | 0.0043 | - | - |
614
+ | 0.9412 | 5750 | - | 0.0026 | 0.9662 |
615
+ | 0.9494 | 5800 | 0.0027 | - | - |
616
+ | 0.9658 | 5900 | 0.0024 | - | - |
617
+ | 0.9822 | 6000 | 0.0037 | 0.0025 | 0.9691 |
618
+ | 0.9985 | 6100 | 0.0028 | - | - |
619
+ | 1.0149 | 6200 | 0.0031 | - | - |
620
+ | 1.0231 | 6250 | - | 0.0023 | 0.9671 |
621
+ | 1.0313 | 6300 | 0.0029 | - | - |
622
+ | 1.0476 | 6400 | 0.003 | - | - |
623
+ | 1.0640 | 6500 | 0.0027 | 0.0021 | 0.9689 |
624
+ | 1.0804 | 6600 | 0.0033 | - | - |
625
+ | 1.0967 | 6700 | 0.0027 | - | - |
626
+ | 1.1049 | 6750 | - | 0.0021 | 0.9735 |
627
+ | 1.1131 | 6800 | 0.0029 | - | - |
628
+ | 1.1295 | 6900 | 0.0023 | - | - |
629
+ | 1.1459 | 7000 | 0.0026 | 0.0020 | 0.9733 |
630
+ | 1.1622 | 7100 | 0.0024 | - | - |
631
+ | 1.1786 | 7200 | 0.0029 | - | - |
632
+ | 1.1868 | 7250 | - | 0.0021 | 0.9711 |
633
+ | 1.1950 | 7300 | 0.0023 | - | - |
634
+ | 1.2113 | 7400 | 0.0024 | - | - |
635
+ | 1.2277 | 7500 | 0.0031 | 0.0021 | 0.9753 |
636
+ | 1.2441 | 7600 | 0.0026 | - | - |
637
+ | 1.2604 | 7700 | 0.0019 | - | - |
638
+ | 1.2686 | 7750 | - | 0.0020 | 0.9713 |
639
+ | 1.2768 | 7800 | 0.0029 | - | - |
640
+ | 1.2932 | 7900 | 0.0022 | - | - |
641
+ | 1.3095 | 8000 | 0.0032 | 0.0020 | 0.9753 |
642
+ | 1.3259 | 8100 | 0.0021 | - | - |
643
+ | 1.3423 | 8200 | 0.002 | - | - |
644
+ | 1.3505 | 8250 | - | 0.0020 | 0.9744 |
645
+ | 1.3587 | 8300 | 0.003 | - | - |
646
+ | 1.3750 | 8400 | 0.0027 | - | - |
647
+ | 1.3914 | 8500 | 0.0019 | 0.0020 | 0.9752 |
648
+ | 1.4078 | 8600 | 0.0022 | - | - |
649
+ | 1.4241 | 8700 | 0.002 | - | - |
650
+ | 1.4323 | 8750 | - | 0.0020 | 0.9742 |
651
+ | 1.4405 | 8800 | 0.0021 | - | - |
652
+ | 1.4569 | 8900 | 0.0023 | - | - |
653
+ | 1.4732 | 9000 | 0.0026 | 0.0019 | 0.9749 |
654
+ | 1.4896 | 9100 | 0.0018 | - | - |
655
+ | 1.5060 | 9200 | 0.0023 | - | - |
656
+ | 1.5142 | 9250 | - | 0.0019 | 0.9753 |
657
+ | 1.5223 | 9300 | 0.0026 | - | - |
658
+ | 1.5387 | 9400 | 0.0022 | - | - |
659
+ | 1.5551 | 9500 | 0.0027 | 0.0020 | 0.9772 |
660
+ | 1.5715 | 9600 | 0.002 | - | - |
661
+ | 1.5878 | 9700 | 0.0019 | - | - |
662
+ | 1.5960 | 9750 | - | 0.0020 | 0.9776 |
663
+ | 1.6042 | 9800 | 0.0018 | - | - |
664
+ | 1.6206 | 9900 | 0.0019 | - | - |
665
+ | 1.6369 | 10000 | 0.0016 | 0.0020 | 0.9775 |
666
+ | 1.6533 | 10100 | 0.0017 | - | - |
667
+ | 1.6697 | 10200 | 0.0017 | - | - |
668
+ | 1.6779 | 10250 | - | 0.0019 | 0.9766 |
669
+ | 1.6860 | 10300 | 0.0014 | - | - |
670
+ | 1.7024 | 10400 | 0.0019 | - | - |
671
+ | 1.7188 | 10500 | 0.0023 | 0.0020 | 0.9769 |
672
+ | 1.7351 | 10600 | 0.0023 | - | - |
673
+ | 1.7515 | 10700 | 0.0017 | - | - |
674
+ | 1.7597 | 10750 | - | 0.0019 | 0.9760 |
675
+ | 1.7679 | 10800 | 0.0022 | - | - |
676
+ | 1.7843 | 10900 | 0.0017 | - | - |
677
+ | 1.8006 | 11000 | 0.0023 | 0.0019 | 0.9820 |
678
+ | 1.8170 | 11100 | 0.0018 | - | - |
679
+ | 1.8334 | 11200 | 0.0024 | - | - |
680
+ | 1.8415 | 11250 | - | 0.0020 | 0.9797 |
681
+ | 1.8497 | 11300 | 0.0016 | - | - |
682
+ | 1.8661 | 11400 | 0.0023 | - | - |
683
+ | 1.8825 | 11500 | 0.002 | 0.0020 | 0.9799 |
684
+ | 1.8988 | 11600 | 0.0022 | - | - |
685
+ | 1.9152 | 11700 | 0.0018 | - | - |
686
+ | 1.9234 | 11750 | - | 0.0021 | 0.9797 |
687
+ | 1.9316 | 11800 | 0.0028 | - | - |
688
+ | 1.9479 | 11900 | 0.0022 | - | - |
689
+ | 1.9643 | 12000 | 0.0015 | 0.0021 | 0.9799 |
690
+ | 1.9807 | 12100 | 0.0026 | - | - |
691
+ | 1.9971 | 12200 | 0.0019 | - | - |
692
+ | 2.0052 | 12250 | - | 0.0020 | 0.9807 |
693
+ | 2.0134 | 12300 | 0.0022 | - | - |
694
+ | 2.0298 | 12400 | 0.0022 | - | - |
695
+ | 2.0462 | 12500 | 0.0023 | 0.0019 | 0.9773 |
696
+ | 2.0625 | 12600 | 0.0022 | - | - |
697
+ | 2.0789 | 12700 | 0.0024 | - | - |
698
+ | 2.0871 | 12750 | - | 0.0019 | 0.9802 |
699
+ | 2.0953 | 12800 | 0.0018 | - | - |
700
+ | 2.1116 | 12900 | 0.0019 | - | - |
701
+ | 2.1280 | 13000 | 0.0019 | 0.0018 | 0.9815 |
702
+ | 2.1444 | 13100 | 0.0019 | - | - |
703
+ | 2.1607 | 13200 | 0.0019 | - | - |
704
+ | 2.1689 | 13250 | - | 0.0018 | 0.9818 |
705
+ | 2.1771 | 13300 | 0.0023 | - | - |
706
+ | 2.1935 | 13400 | 0.0016 | - | - |
707
+ | 2.2099 | 13500 | 0.0014 | 0.0019 | 0.9811 |
708
+ | 2.2262 | 13600 | 0.0022 | - | - |
709
+ | 2.2426 | 13700 | 0.002 | - | - |
710
+ | 2.2508 | 13750 | - | 0.0018 | 0.9817 |
711
+ | 2.2590 | 13800 | 0.0015 | - | - |
712
+ | 2.2753 | 13900 | 0.0023 | - | - |
713
+ | 2.2917 | 14000 | 0.0017 | 0.0019 | 0.9795 |
714
+ | 2.3081 | 14100 | 0.0025 | - | - |
715
+ | 2.3244 | 14200 | 0.0017 | - | - |
716
+ | 2.3326 | 14250 | - | 0.0018 | 0.9818 |
717
+ | 2.3408 | 14300 | 0.0016 | - | - |
718
+ | 2.3572 | 14400 | 0.0019 | - | - |
719
+ | 2.3735 | 14500 | 0.0019 | 0.0018 | 0.9825 |
720
+ | 2.3899 | 14600 | 0.0018 | - | - |
721
+ | 2.4063 | 14700 | 0.0015 | - | - |
722
+ | 2.4145 | 14750 | - | 0.0018 | 0.9829 |
723
+ | 2.4227 | 14800 | 0.0017 | - | - |
724
+ | 2.4390 | 14900 | 0.0019 | - | - |
725
+ | 2.4554 | 15000 | 0.0019 | 0.0018 | 0.9795 |
726
+ | 2.4718 | 15100 | 0.0018 | - | - |
727
+ | 2.4881 | 15200 | 0.0012 | - | - |
728
+ | 2.4963 | 15250 | - | 0.0018 | 0.9795 |
729
+ | 2.5045 | 15300 | 0.0017 | - | - |
730
+ | 2.5209 | 15400 | 0.0019 | - | - |
731
+ | 2.5372 | 15500 | 0.0018 | 0.0019 | 0.9801 |
732
+ | 2.5536 | 15600 | 0.0018 | - | - |
733
+ | 2.5700 | 15700 | 0.0018 | - | - |
734
+ | 2.5782 | 15750 | - | 0.0018 | 0.9805 |
735
+ | 2.5863 | 15800 | 0.0014 | - | - |
736
+ | 2.6027 | 15900 | 0.0013 | - | - |
737
+ | 2.6191 | 16000 | 0.0012 | 0.0017 | 0.9817 |
738
+ | 2.6355 | 16100 | 0.0013 | - | - |
739
+ | 2.6518 | 16200 | 0.0011 | - | - |
740
+ | 2.6600 | 16250 | - | 0.0018 | 0.9812 |
741
+ | 2.6682 | 16300 | 0.0012 | - | - |
742
+ | 2.6846 | 16400 | 0.0009 | - | - |
743
+ | 2.7009 | 16500 | 0.0015 | 0.0018 | 0.9809 |
744
+ | 2.7173 | 16600 | 0.0015 | - | - |
745
+ | 2.7337 | 16700 | 0.0019 | - | - |
746
+ | 2.7419 | 16750 | - | 0.0018 | 0.9811 |
747
+ | 2.7500 | 16800 | 0.0014 | - | - |
748
+ | 2.7664 | 16900 | 0.0017 | - | - |
749
+ | 2.7828 | 17000 | 0.001 | 0.0018 | 0.9817 |
750
+ | 2.7991 | 17100 | 0.0016 | - | - |
751
+ | 2.8155 | 17200 | 0.0014 | - | - |
752
+ | 2.8237 | 17250 | - | 0.0019 | 0.9829 |
753
+ | 2.8319 | 17300 | 0.0017 | - | - |
754
+ | 2.8483 | 17400 | 0.0012 | - | - |
755
+ | 2.8646 | 17500 | 0.0014 | 0.0018 | 0.9820 |
756
+ | 2.8810 | 17600 | 0.0014 | - | - |
757
+ | 2.8974 | 17700 | 0.0017 | - | - |
758
+ | 2.9055 | 17750 | - | 0.0018 | 0.9822 |
759
+ | 2.9137 | 17800 | 0.0016 | - | - |
760
+ | 2.9301 | 17900 | 0.0017 | - | - |
761
+ | 2.9465 | 18000 | 0.0018 | 0.0018 | 0.9818 |
762
+ | 2.9628 | 18100 | 0.0011 | - | - |
763
+ | 2.9792 | 18200 | 0.0019 | - | - |
764
+ | 2.9874 | 18250 | - | 0.0018 | 0.9817 |
765
+ | 2.9956 | 18300 | 0.0014 | - | - |
766
+ | 3.0119 | 18400 | 0.0017 | - | - |
767
+ | 3.0283 | 18500 | 0.0016 | 0.0017 | 0.9827 |
768
+ | 3.0447 | 18600 | 0.0015 | - | - |
769
+ | 3.0611 | 18700 | 0.0014 | - | - |
770
+ | 3.0692 | 18750 | - | 0.0017 | 0.9833 |
771
+ | 3.0774 | 18800 | 0.0021 | - | - |
772
+ | 3.0938 | 18900 | 0.0013 | - | - |
773
+ | 3.1102 | 19000 | 0.0012 | 0.0018 | 0.9844 |
774
+ | 3.1265 | 19100 | 0.0017 | - | - |
775
+ | 3.1429 | 19200 | 0.0015 | - | - |
776
+ | 3.1511 | 19250 | - | 0.0017 | 0.9840 |
777
+ | 3.1593 | 19300 | 0.0015 | - | - |
778
+ | 3.1756 | 19400 | 0.0017 | - | - |
779
+ | 3.1920 | 19500 | 0.0011 | 0.0017 | 0.9831 |
780
+ | 3.2084 | 19600 | 0.001 | - | - |
781
+ | 3.2248 | 19700 | 0.0014 | - | - |
782
+ | 3.2329 | 19750 | - | 0.0017 | 0.9836 |
783
+ | 3.2411 | 19800 | 0.0016 | - | - |
784
+ | 3.2575 | 19900 | 0.0013 | - | - |
785
+ | 3.2739 | 20000 | 0.0017 | 0.0017 | 0.9824 |
786
+ | 3.2902 | 20100 | 0.0013 | - | - |
787
+ | 3.3066 | 20200 | 0.002 | - | - |
788
+ | 3.3148 | 20250 | - | 0.0017 | 0.9813 |
789
+ | 3.3230 | 20300 | 0.0015 | - | - |
790
+ | 3.3393 | 20400 | 0.0011 | - | - |
791
+ | 3.3557 | 20500 | 0.0016 | 0.0017 | 0.9812 |
792
+ | 3.3721 | 20600 | 0.0016 | - | - |
793
+ | 3.3884 | 20700 | 0.0015 | - | - |
794
+ | 3.3966 | 20750 | - | 0.0017 | 0.9825 |
795
+ | 3.4048 | 20800 | 0.0012 | - | - |
796
+ | 3.4212 | 20900 | 0.0012 | - | - |
797
+ | 3.4376 | 21000 | 0.001 | 0.0017 | 0.9812 |
798
+ | 3.4539 | 21100 | 0.0019 | - | - |
799
+ | 3.4703 | 21200 | 0.0014 | - | - |
800
+ | 3.4785 | 21250 | - | 0.0017 | 0.9816 |
801
+ | 3.4867 | 21300 | 0.0009 | - | - |
802
+ | 3.5030 | 21400 | 0.0012 | - | - |
803
+ | 3.5194 | 21500 | 0.0015 | 0.0018 | 0.9823 |
804
+ | 3.5358 | 21600 | 0.0014 | - | - |
805
+ | 3.5521 | 21700 | 0.0015 | - | - |
806
+ | 3.5603 | 21750 | - | 0.0018 | 0.9814 |
807
+ | 3.5685 | 21800 | 0.0011 | - | - |
808
+ | 3.5849 | 21900 | 0.0012 | - | - |
809
+ | 3.6012 | 22000 | 0.001 | 0.0017 | 0.9822 |
810
+ | 3.6176 | 22100 | 0.0012 | - | - |
811
+ | 3.6340 | 22200 | 0.0009 | - | - |
812
+ | 3.6422 | 22250 | - | 0.0017 | 0.9823 |
813
+ | 3.6504 | 22300 | 0.0011 | - | - |
814
+ | 3.6667 | 22400 | 0.001 | - | - |
815
+ | 3.6831 | 22500 | 0.0008 | 0.0016 | 0.9825 |
816
+ | 3.6995 | 22600 | 0.0011 | - | - |
817
+ | 3.7158 | 22700 | 0.0014 | - | - |
818
+ | 3.7240 | 22750 | - | 0.0017 | 0.9826 |
819
+ | 3.7322 | 22800 | 0.0015 | - | - |
820
+ | 3.7486 | 22900 | 0.001 | - | - |
821
+ | 3.7649 | 23000 | 0.001 | 0.0017 | 0.9822 |
822
+ | 3.7813 | 23100 | 0.001 | - | - |
823
+ | 3.7977 | 23200 | 0.0014 | - | - |
824
+ | 3.8059 | 23250 | - | 0.0017 | 0.9836 |
825
+ | 3.8140 | 23300 | 0.0009 | - | - |
826
+ | 3.8304 | 23400 | 0.0013 | - | - |
827
+ | 3.8468 | 23500 | 0.001 | 0.0017 | 0.9845 |
828
+ | 3.8632 | 23600 | 0.001 | - | - |
829
+ | 3.8795 | 23700 | 0.001 | - | - |
830
+ | 3.8877 | 23750 | - | 0.0017 | 0.9848 |
831
+ | 3.8959 | 23800 | 0.0014 | - | - |
832
+ | 3.9123 | 23900 | 0.0017 | - | - |
833
+ | 3.9286 | 24000 | 0.0011 | 0.0017 | 0.9845 |
834
+ | 3.9450 | 24100 | 0.0014 | - | - |
835
+ | 3.9614 | 24200 | 0.0009 | - | - |
836
+ | 3.9696 | 24250 | - | 0.0019 | 0.9851 |
837
+ | 3.9777 | 24300 | 0.0015 | - | - |
838
+ | 3.9941 | 24400 | 0.0014 | - | - |
839
+ | 4.0105 | 24500 | 0.0013 | 0.0017 | 0.9862 |
840
+ | 4.0268 | 24600 | 0.0011 | - | - |
841
+ | 4.0432 | 24700 | 0.0014 | - | - |
842
+ | 4.0514 | 24750 | - | 0.0016 | 0.9848 |
843
+ | 4.0596 | 24800 | 0.0012 | - | - |
844
+ | 4.0760 | 24900 | 0.0014 | - | - |
845
+ | 4.0923 | 25000 | 0.0013 | 0.0017 | 0.9857 |
846
+ | 4.1087 | 25100 | 0.0008 | - | - |
847
+ | 4.1251 | 25200 | 0.0011 | - | - |
848
+ | 4.1332 | 25250 | - | 0.0017 | 0.9858 |
849
+ | 4.1414 | 25300 | 0.0013 | - | - |
850
+ | 4.1578 | 25400 | 0.0012 | - | - |
851
+ | 4.1742 | 25500 | 0.0012 | 0.0017 | 0.9858 |
852
+ | 4.1905 | 25600 | 0.0013 | - | - |
853
+ | 4.2069 | 25700 | 0.0008 | - | - |
854
+ | 4.2151 | 25750 | - | 0.0017 | 0.9855 |
855
+ | 4.2233 | 25800 | 0.0009 | - | - |
856
+ | 4.2396 | 25900 | 0.0012 | - | - |
857
+ | 4.2560 | 26000 | 0.0011 | 0.0016 | 0.9849 |
858
+ | 4.2724 | 26100 | 0.0015 | - | - |
859
+ | 4.2888 | 26200 | 0.0009 | - | - |
860
+ | 4.2969 | 26250 | - | 0.0017 | 0.9844 |
861
+ | 4.3051 | 26300 | 0.0013 | - | - |
862
+ | 4.3215 | 26400 | 0.0011 | - | - |
863
+ | 4.3379 | 26500 | 0.001 | 0.0017 | 0.9844 |
864
+ | 4.3542 | 26600 | 0.0014 | - | - |
865
+ | 4.3706 | 26700 | 0.0012 | - | - |
866
+ | 4.3788 | 26750 | - | 0.0016 | 0.9841 |
867
+ | 4.3870 | 26800 | 0.0013 | - | - |
868
+ | 4.4033 | 26900 | 0.0011 | - | - |
869
+ | 4.4197 | 27000 | 0.001 | 0.0016 | 0.9845 |
870
+ | 4.4361 | 27100 | 0.0008 | - | - |
871
+ | 4.4524 | 27200 | 0.0016 | - | - |
872
+ | **4.4606** | **27250** | **-** | **0.0016** | **0.9839** |
873
+ | 4.4688 | 27300 | 0.0011 | - | - |
874
+ | 4.4852 | 27400 | 0.0008 | - | - |
875
+ | 4.5016 | 27500 | 0.0009 | 0.0016 | 0.9847 |
876
+ | 4.5179 | 27600 | 0.0014 | - | - |
877
+ | 4.5343 | 27700 | 0.0011 | - | - |
878
+ | 4.5425 | 27750 | - | 0.0017 | 0.9849 |
879
+ | 4.5507 | 27800 | 0.0011 | - | - |
880
+ | 4.5670 | 27900 | 0.0008 | - | - |
881
+ | 4.5834 | 28000 | 0.001 | 0.0016 | 0.9846 |
882
+ | 4.5998 | 28100 | 0.0008 | - | - |
883
+ | 4.6161 | 28200 | 0.0008 | - | - |
884
+ | 4.6243 | 28250 | - | 0.0016 | 0.9839 |
885
+ | 4.6325 | 28300 | 0.0008 | - | - |
886
+ | 4.6489 | 28400 | 0.0007 | - | - |
887
+ | 4.6652 | 28500 | 0.0007 | 0.0016 | 0.9843 |
888
+ | 4.6816 | 28600 | 0.0008 | - | - |
889
+ | 4.6980 | 28700 | 0.0008 | - | - |
890
+ | 4.7062 | 28750 | - | 0.0016 | 0.9843 |
891
+ | 4.7144 | 28800 | 0.0011 | - | - |
892
+ | 4.7307 | 28900 | 0.0014 | - | - |
893
+ | 4.7471 | 29000 | 0.0008 | 0.0016 | 0.9841 |
894
+ | 4.7635 | 29100 | 0.0009 | - | - |
895
+ | 4.7798 | 29200 | 0.0006 | - | - |
896
+ | 4.7880 | 29250 | - | 0.0016 | 0.9840 |
897
+ | 4.7962 | 29300 | 0.001 | - | - |
898
+ | 4.8126 | 29400 | 0.0006 | - | - |
899
+ | 4.8289 | 29500 | 0.0013 | 0.0016 | 0.9843 |
900
+ | 4.8453 | 29600 | 0.0007 | - | - |
901
+ | 4.8617 | 29700 | 0.0008 | - | - |
902
+ | 4.8699 | 29750 | - | 0.0016 | 0.9844 |
903
+ | 4.8780 | 29800 | 0.001 | - | - |
904
+ | 4.8944 | 29900 | 0.0011 | - | - |
905
+ | 4.9108 | 30000 | 0.0013 | 0.0016 | 0.9846 |
906
+ | 4.9272 | 30100 | 0.001 | - | - |
907
+ | 4.9435 | 30200 | 0.0012 | - | - |
908
+ | 4.9517 | 30250 | - | 0.0017 | 0.9848 |
909
+ | 4.9599 | 30300 | 0.0007 | - | - |
910
+ | 4.9763 | 30400 | 0.001 | - | - |
911
+ | 4.9926 | 30500 | 0.0011 | 0.0017 | 0.9849 |
912
+ | 5.0 | 30545 | - | 0.0016 | 0.9839 |
913
+
914
+ * The bold row denotes the saved checkpoint.
915
+ </details>
916
+
917
+ ### Framework Versions
918
+ - Python: 3.10.13
919
+ - Sentence Transformers: 3.3.1
920
+ - Transformers: 4.47.1
921
+ - PyTorch: 2.2.1
922
+ - Accelerate: 1.2.1
923
+ - Datasets: 3.2.0
924
+ - Tokenizers: 0.21.0
925
+
926
+ ## Citation
927
+
928
+ ### BibTeX
929
+
930
+ #### Sentence Transformers
931
+ ```bibtex
932
+ @inproceedings{reimers-2019-sentence-bert,
933
+ title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",
934
+ author = "Reimers, Nils and Gurevych, Iryna",
935
+ booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing",
936
+ month = "11",
937
+ year = "2019",
938
+ publisher = "Association for Computational Linguistics",
939
+ url = "https://arxiv.org/abs/1908.10084",
940
+ }
941
+ ```
942
+
943
+ #### ContrastiveLoss
944
+ ```bibtex
945
+ @inproceedings{hadsell2006dimensionality,
946
+ author={Hadsell, R. and Chopra, S. and LeCun, Y.},
947
+ booktitle={2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'06)},
948
+ title={Dimensionality Reduction by Learning an Invariant Mapping},
949
+ year={2006},
950
+ volume={2},
951
+ number={},
952
+ pages={1735-1742},
953
+ doi={10.1109/CVPR.2006.100}
954
+ }
955
+ ```
956
+
957
+ <!--
958
+ ## Glossary
959
+
960
+ *Clearly define terms in order to be accessible across audiences.*
961
+ -->
962
+
963
+ <!--
964
+ ## Model Card Authors
965
+
966
+ *Lists the people who create the model card, providing recognition and accountability for the detailed work that goes into its construction.*
967
+ -->
968
+
969
+ <!--
970
+ ## Model Card Contact
971
+
972
+ *Provides a way for people who have updates to the Model Card, suggestions, or questions, to contact the Model Card authors.*
973
+ -->
config.json ADDED
@@ -0,0 +1,27 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "_name_or_path": "sergeyzh/rubert-tiny-turbo",
3
+ "architectures": [
4
+ "BertModel"
5
+ ],
6
+ "attention_probs_dropout_prob": 0.1,
7
+ "classifier_dropout": null,
8
+ "emb_size": 312,
9
+ "gradient_checkpointing": false,
10
+ "hidden_act": "gelu",
11
+ "hidden_dropout_prob": 0.1,
12
+ "hidden_size": 312,
13
+ "initializer_range": 0.02,
14
+ "intermediate_size": 600,
15
+ "layer_norm_eps": 1e-12,
16
+ "max_position_embeddings": 2048,
17
+ "model_type": "bert",
18
+ "num_attention_heads": 12,
19
+ "num_hidden_layers": 3,
20
+ "pad_token_id": 0,
21
+ "position_embedding_type": "absolute",
22
+ "torch_dtype": "float32",
23
+ "transformers_version": "4.47.1",
24
+ "type_vocab_size": 2,
25
+ "use_cache": true,
26
+ "vocab_size": 83828
27
+ }
config_sentence_transformers.json ADDED
@@ -0,0 +1,10 @@
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "__version__": {
3
+ "sentence_transformers": "3.3.1",
4
+ "transformers": "4.47.1",
5
+ "pytorch": "2.2.1"
6
+ },
7
+ "prompts": {},
8
+ "default_prompt_name": null,
9
+ "similarity_fn_name": "cosine"
10
+ }
model.safetensors ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:5cb5318953b8c8c53b4538b95fff0dc44e4024e1c8910f5cd8f1f2ab4309a4a2
3
+ size 116781184
modules.json ADDED
@@ -0,0 +1,20 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ [
2
+ {
3
+ "idx": 0,
4
+ "name": "0",
5
+ "path": "",
6
+ "type": "sentence_transformers.models.Transformer"
7
+ },
8
+ {
9
+ "idx": 1,
10
+ "name": "1",
11
+ "path": "1_Pooling",
12
+ "type": "sentence_transformers.models.Pooling"
13
+ },
14
+ {
15
+ "idx": 2,
16
+ "name": "2",
17
+ "path": "2_Normalize",
18
+ "type": "sentence_transformers.models.Normalize"
19
+ }
20
+ ]
sentence_bert_config.json ADDED
@@ -0,0 +1,4 @@
 
 
 
 
 
1
+ {
2
+ "max_seq_length": 2048,
3
+ "do_lower_case": false
4
+ }
special_tokens_map.json ADDED
@@ -0,0 +1,37 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "cls_token": {
3
+ "content": "[CLS]",
4
+ "lstrip": false,
5
+ "normalized": false,
6
+ "rstrip": false,
7
+ "single_word": false
8
+ },
9
+ "mask_token": {
10
+ "content": "[MASK]",
11
+ "lstrip": false,
12
+ "normalized": false,
13
+ "rstrip": false,
14
+ "single_word": false
15
+ },
16
+ "pad_token": {
17
+ "content": "[PAD]",
18
+ "lstrip": false,
19
+ "normalized": false,
20
+ "rstrip": false,
21
+ "single_word": false
22
+ },
23
+ "sep_token": {
24
+ "content": "[SEP]",
25
+ "lstrip": false,
26
+ "normalized": false,
27
+ "rstrip": false,
28
+ "single_word": false
29
+ },
30
+ "unk_token": {
31
+ "content": "[UNK]",
32
+ "lstrip": false,
33
+ "normalized": false,
34
+ "rstrip": false,
35
+ "single_word": false
36
+ }
37
+ }
tokenizer.json ADDED
The diff for this file is too large to render. See raw diff
 
tokenizer_config.json ADDED
@@ -0,0 +1,65 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "added_tokens_decoder": {
3
+ "0": {
4
+ "content": "[PAD]",
5
+ "lstrip": false,
6
+ "normalized": false,
7
+ "rstrip": false,
8
+ "single_word": false,
9
+ "special": true
10
+ },
11
+ "1": {
12
+ "content": "[UNK]",
13
+ "lstrip": false,
14
+ "normalized": false,
15
+ "rstrip": false,
16
+ "single_word": false,
17
+ "special": true
18
+ },
19
+ "2": {
20
+ "content": "[CLS]",
21
+ "lstrip": false,
22
+ "normalized": false,
23
+ "rstrip": false,
24
+ "single_word": false,
25
+ "special": true
26
+ },
27
+ "3": {
28
+ "content": "[SEP]",
29
+ "lstrip": false,
30
+ "normalized": false,
31
+ "rstrip": false,
32
+ "single_word": false,
33
+ "special": true
34
+ },
35
+ "4": {
36
+ "content": "[MASK]",
37
+ "lstrip": false,
38
+ "normalized": false,
39
+ "rstrip": false,
40
+ "single_word": false,
41
+ "special": true
42
+ }
43
+ },
44
+ "clean_up_tokenization_spaces": true,
45
+ "cls_token": "[CLS]",
46
+ "do_basic_tokenize": true,
47
+ "do_lower_case": false,
48
+ "extra_special_tokens": {},
49
+ "mask_token": "[MASK]",
50
+ "max_length": 512,
51
+ "model_max_length": 2048,
52
+ "never_split": null,
53
+ "pad_to_multiple_of": null,
54
+ "pad_token": "[PAD]",
55
+ "pad_token_type_id": 0,
56
+ "padding_side": "right",
57
+ "sep_token": "[SEP]",
58
+ "stride": 0,
59
+ "strip_accents": null,
60
+ "tokenize_chinese_chars": true,
61
+ "tokenizer_class": "BertTokenizer",
62
+ "truncation_side": "right",
63
+ "truncation_strategy": "longest_first",
64
+ "unk_token": "[UNK]"
65
+ }
vocab.txt ADDED
The diff for this file is too large to render. See raw diff