File size: 60,540 Bytes
0244d24 60b68ae 0244d24 60b68ae 0244d24 60b68ae 0244d24 60b68ae 0244d24 60b68ae 0244d24 60b68ae 0244d24 60b68ae 0244d24 60b68ae 0244d24 60b68ae 4269e9c 0244d24 35d09cb 0244d24 4269e9c 0244d24 4269e9c 116918d 0244d24 4269e9c |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719 720 721 722 723 724 725 726 727 728 729 730 731 732 733 734 735 736 737 738 739 740 741 742 743 744 745 746 747 748 749 750 751 752 753 754 755 756 757 758 759 760 761 762 763 764 765 766 767 768 769 770 771 772 773 774 775 776 777 778 779 780 781 782 783 784 785 786 787 788 789 790 791 792 793 794 795 796 797 798 799 800 801 802 803 804 805 806 807 808 809 810 811 812 813 814 815 816 817 818 819 820 821 822 823 824 825 826 827 828 829 830 831 832 833 834 835 836 837 838 839 840 841 842 843 844 845 846 847 848 849 850 851 852 853 854 855 856 857 858 859 860 861 862 863 864 865 866 867 868 869 870 871 872 873 874 875 876 877 878 879 880 881 882 883 884 885 886 887 888 889 890 891 892 893 894 895 896 897 898 899 900 901 902 903 904 905 906 907 908 909 910 911 912 913 914 915 916 917 918 919 920 921 922 923 924 925 926 927 928 929 930 931 932 933 934 935 936 937 938 939 940 941 942 943 944 945 946 947 948 949 950 951 952 953 954 955 956 957 958 959 960 961 962 963 964 965 966 967 968 969 970 971 972 973 974 975 976 977 978 979 980 981 982 983 984 985 986 987 988 989 990 991 992 993 994 995 996 997 998 999 1000 1001 1002 1003 1004 1005 1006 1007 1008 1009 1010 1011 1012 1013 1014 1015 1016 1017 1018 1019 1020 |
---
language:
- en
- de
license: apache-2.0
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:264810
- loss:MatryoshkaLoss
- loss:MultipleNegativesRankingLoss
base_model: answerdotai/ModernBERT-base
widget:
- source_sentence: >-
Die Einwohner Haarens protestierten, da der Name ihrer Gemeinde bei der
Eröffnung der Strecke von den Wegweisern entfernt und durch "Wünnenberg"
ersetzt wurde.
sentences:
- >-
Die Wirksamkeit von Duolingos Ansatz wurde von einer externen Studie
untersucht, die von der Firma selbst in Auftrag gegeben worden war.
Professoren der City University of New York und der University of South
Carolina haben die Studie durchgeführt und schätzen, dass 34 Stunden
Duolingo den gleichen Fortschritt bei Lesen und Schreiben erzielen wie ein
Erstsemesterkurs an einem US-College, der mehr als geschätzte 130 Stunden
dauert. Die Studie untersuchte nicht die Sprechfähigkeiten der Probanden.
Bei einem Vergleich wurde festgestellt, dass Benutzer der Software Rosetta
Stone etwa 55 bis 60 Stunden benötigten, um den gleichen Stoff zu lernen.
Die Studie hat darüber hinaus keine Vergleiche mit anderen kostenlosen oder
günstigen Kursen durchgeführt wie "BBC", "Book2", oder "Before You Know It".
- >-
Da im selben Jahr im Zuge der Gebietsreform in Nordrhein-Westfalen die
Gemeinde Haaren in die Stadt Wünnenberg eingemeindet wurde, änderte man
kurzfristig vor Eröffnung der Strecke den Namen der Anschlussstelle "Haaren"
in "Wünnenberg", sodass Haaren von den Wegweisern gänzlich verschwand. Bei
der feierlichen Eröffnung der Strecke kam es zu Protestaktionen seitens
Einwohner Haarens, bei denen die Fahrbahn blockiert wurde, sodass die
Eröffnungskolonne nicht wie geplant stattfinden konnte. Wünnenberger
Lokalpolitiker erwirkten schließlich beim Landesverkehrsministerium in
Düsseldorf einen Kompromiss, sodass die Anschlussstelle, wie das spätere
Autobahnkreuz, ab Oktober 1975 "Wünnenberg-Haaren" hieß.
Bemerkenswerterweise trägt das Autobahnkreuz (noch 2021) diesen Namen,
obwohl Wünnenberg seit dem Jahr 2000 "Bad Wünnenberg" heißt und das
Voranstellen des Gemeinde- bzw. Städtenamens vor den Stadtteilnamen bei
Orten mit weniger als 100.000 Einwohnern gegen die nordrhein-westfälischen
Wegweisungs-Richtlinien verstößt.
- "Auf Basis der Planungen einer 1957 gegründeten Arbeitsgruppe der Industrie- und Handelskammer Kassel genehmigte das Bundesverkehrsministerium in Bonn den Bau einer 4,7\_km langen Verbindung zwischen der Autobahn Hamburg–Frankfurt und der B\_3. Die einbahnige \"hochwasserfreie Verbindung Kassel\" entstand von 1958 bis 1962 auf der vorbereiteten Trasse der Reichsautobahn. Dabei wurde auch die Fuldatalbrücke Bergshausen mit einer Fahrbahn fertiggestellt. Der Bau dieser Brücke wurde bereits in der NS-Zeit begonnen, bis zur Einstellung des Baus infolge des Zweiten Weltkriegs waren nur einige Arbeiten an der Gründung im Gange gewesen."
- source_sentence: >-
Das Weibchen legt jeden Tag in den Morgenstunden ein Ei und übernachtet
manchmal schon vor der Eiablage auf dem Nest.
sentences:
- >-
Während der Phase der Eiablage legt das Weibchen jeden Tag in den
Morgenstunden ein Ei. Das Weibchen übernachtet auch vor der Eiablage
bisweilen schon auf dem Nest, die Bebrütung wird allerdings erst nach der
Ablage des vorletzten (manchmal des letzten) Eis begonnen, sodass alle
Jungvögel etwa am selben Tag schlüpfen.
- "Das Gelege besteht aus 2 bis maximal 8, zumeist 5–6\_Eiern. Diese sind oval und durchschnittlich 22\_×\_17\_mm groß. Die möglichen Grundfärbungen – weißlich (weiß, gelblich, hellgrau oder beige), grünlich oder rötlich – tragen eine Obersprenkelung, die zwischen verschiedenen Brauntönen variieren kann. Darunter liegt eine blassere Sprenkelung in je nach Farbtyp unterschiedlich getöntem Grau. Auch die Verteilung der Sprenkelung kann recht unterschiedlich sein."
- >-
Die Serienhandlung dreht sich am Anfang neben der Bewahrung von Clarks
Geheimnis hauptsächlich um das Stoppen von gewalttätigen und
verbrecherischen „Meteoritenfreaks“, die durch das Meteoritengestein
(Kryptonit) nach den beiden Meteoritenschauern auf Smallville (Anfang der
ersten und Ende der vierten Staffel) besondere Fähigkeiten erlangt haben und
dadurch korrumpiert oder in den Wahnsinn getrieben werden. Die entstandenen
kuriosen Kräfte erinnern besonders in der Anfangszeit der Serie oft an "Akte
X". Von den Fans werden solche Charaktere in der Fantasy und der
Science-Fiction als "Freak of the Week" (dt. „Monster der Woche“)
bezeichnet, da in der wöchentlich ausgestrahlten Serie in jeder Folge einer
der Freaks auftaucht und besiegt werden muss.
- source_sentence: >-
Reichhart vollzog vertretungsweise Hinrichtungen in verschiedenen deutschen
Städten, darunter Berlin-Plötzensee, wo er unter anderem Hans und Sophie
Scholl hinrichtete.
sentences:
- >-
Reichhart vollzog vertretungsweise auch Hinrichtungen in Köln,
Frankfurt-Preungesheim, Berlin-Plötzensee, Brandenburg-Görden und Breslau,
wo ebenfalls zentrale Hinrichtungsstätten eingerichtet worden waren. Von
1938 bis 1944 war er auch zuständiger Scharfrichter für die zentralen
Hinrichtungsstätten in Wien und Graz. Insgesamt vollstreckte er seit 1924
während der Weimarer Republik und der Zeit des Nationalsozialismus 2.951
Todesurteile mit der Guillotine und 59 mit dem Galgen. Unter den
Verurteilten waren 250 Frauen. Er richtete auch Hans und Sophie Scholl hin
(† 22. Februar 1943), die bekanntesten Mitglieder der Widerstandsgruppe
Weiße Rose. Reichhart äußerte später, er habe noch nie jemanden so tapfer
sterben sehen wie Sophie Scholl.
- >-
2012 war Frentzen in Melbourne im Rahmenprogramm der Formel 1 Gaststarter im
Porsche Carrera Cup Australien.
- >-
Im Juli 1932 veröffentlichten mehrere niederländische Zeitungen Artikel über
Reichharts andere Tätigkeit und lüfteten damit sein Inkognito. Seine
Geschäfte florierten nicht mehr; im Frühjahr 1933 kehrte er nach München
zurück. Er erwog, seine Scharfrichtertätigkeit aufzugeben.
- source_sentence: >-
Wann empfahl das RKI der Bevölkerung in Deutschland, einfachen Mundschutz
zusätzlich zu anderen Schutzmaßnahmen zu tragen?
sentences:
- >-
Trotz des Festhaltens an ägyptischer Tradition war das Land auch großen
Veränderungen unterworfen. So verlor Theben seine Bedeutung als kultureller
und administrativer Mittelpunkt an Saïs. Weiterhin lässt sich bei allen
Herrschern der 26. Dynastie eine starke Anlehnung an die griechischen
Stadtstaaten feststellen, wenn auch unter Pharao Apries der Versuch einer
Loslösung von den Griechen erkennbar ist, die das Heer dominierten. Amasis
eroberte Zypern im ersten Jahrzehnt seiner Herrschaft und schloss ein
Bündnis mit Kyrene, das sein Vorgänger noch bekämpft hatte. Dazu heiratete
er eine kyrenische Prinzessin. Dieses Bündnis war noch intakt, als 525 v.
Chr. die Perser Ägypten attackierten.
- >-
Das RKI bewertete das Risiko für die Bevölkerung in Deutschland am 28.
Februar 2020 als „gering bis mäßig“, seit dem 17. März als „hoch“ und für
Risikogruppen seit dem 26. März als „sehr hoch“. Die Gefahr variiere
regional; schwere Krankheitsverläufe seien „mit zunehmendem Alter und
bestehenden Vorerkrankungen“ wahrscheinlicher. Das RKI empfahl zum
Infektionsschutz, genügend Abstand zu anderen Menschen einzuhalten (zum
Eigen- und Fremdschutz), sich regelmäßig die Hände mit Seife zu waschen und
sich nicht ins Gesicht zu fassen, um nicht das Virus auf die Schleimhäute
von Mund, Nase oder Augen zu bringen. Nachdem am 26. März 2020 der Präsident
der Bundesärztekammer die Bevölkerung aufgerufen hatte, zusätzlich einfachen
Mundschutz zu tragen, erklärte das RKI am 2. April, das Tragen von einfachem
Mundschutz könne zusätzlich mithelfen, andere Menschen nicht anzustecken. Es
sei aber kein Ersatz für andere Maßnahmen wie das Abstandhalten.
- >-
Nach dem Tod Kochs am 27. Mai 1910 wurde im Institutsgebäude eine Grabstätte
für ihn eingerichtet. Im Erdgeschoss des Südwestflügels wurde dafür ein
großer Raum gegenüber dem Hörsaal ausgewählt und mit Marmor in verschiedenen
Farbtönen ausgekleidet. In diesem Zimmer war zu Lebzeiten Kochs die
photographische Abteilung untergebracht. Die Adaptierung des Raums als
Mausoleum erfolgte nach Plänen des Architekten Paul Mebes. Am 4. Dezember
1910 wurde in Anwesenheit von Familienangehörigen Kochs die kupferne Urne
mit seiner Asche dort beigesetzt. Die offizielle Einweihung des Mausoleums
fand am 10. Dezember 1910 statt. Das Mausoleum des Institutsgebäudes enthält
an seiner westlichen Schmalseite das von dem Berliner Künstler Walter
Schmarje ausgeführte Epitaph mit dem Reliefbild Kochs. Darunter befindet
sich in einer durch eine weiße Marmorplatte verschlossenen Nische die Urne
mit der Asche Kochs. An der Ostseite des Raumes sind unter der Überschrift
„Robert Koch – Werke und Wirken“ wesentliche Daten zu den Ergebnissen seiner
Forschungsarbeit dargestellt. Die Bestattung Kochs im Institutsgebäude war
möglich, da es zu der Zeit in Preußen noch kein Gesetz über die
Urnenbeisetzung gab.
- source_sentence: >-
Wieso verklagte die Familie von Ritter die behandelnden Ärzte auf 67
Millionen US-Dollar Schadensersatz?
sentences:
- >-
Während Proben zu einer Folge von "Meine wilden Töchter" traten bei Ritter
im September 2003 starke Brustschmerzen auf, und er begab sich in das
nahegelegene "Providence Saint Joseph Medical Center", in dem er am 11.
September 2003 im Alter von 54 Jahren – eine Woche vor seinem 55. Geburtstag
– an einer Aortendissektion starb. Seine Familie verklagte Anfang 2008 die
behandelnden Ärzte auf einen Schadensersatz von 67 Millionen US-Dollar. Die
Klage wurde im März 2008 abgewiesen.
- >-
Nach der Einstellung der Fernsehserie "Herzbube mit zwei Damen" nach acht
Staffeln im Jahr 1984 machte er mit dem Spin-off "Three’s A Crowd" weiter,
jedoch wurde die Serie nach einer Staffel eingestellt. Weitere Fernsehrollen
hatte er in "Inspektor Hooperman" (1987), die ihm eine Nominierung sowohl
für den Golden Globe als auch für den Emmy einbrachte, "Küß’ mich, John"
(1992), "Ally McBeal" (1997), "Buffy – Im Bann der Dämonen" (1997),
"Clifford the Big Red Dog" (2000), "Scrubs – Die Anfänger" oder "Meine
wilden Töchter" (2002).
- >-
In Taiwan wurde im April 2014 der Bau des Kernkraftwerks Lungmen nach
heftigen Protesten bis zu einem Referendum ausgesetzt.
pipeline_tag: sentence-similarity
library_name: sentence-transformers
metrics:
- cosine_accuracy@1
- cosine_accuracy@3
- cosine_accuracy@5
- cosine_accuracy@10
- cosine_precision@1
- cosine_precision@3
- cosine_precision@5
- cosine_precision@10
- cosine_recall@1
- cosine_recall@3
- cosine_recall@5
- cosine_recall@10
- cosine_ndcg@10
- cosine_mrr@10
- cosine_map@100
model-index:
- name: BGE base Financial Matryoshka
results:
- task:
type: information-retrieval
name: Information Retrieval
dataset:
name: dim 768
type: dim_768
metrics:
- type: cosine_accuracy@1
value: 0.5817699836867863
name: Cosine Accuracy@1
- type: cosine_accuracy@3
value: 0.9327759651984774
name: Cosine Accuracy@3
- type: cosine_accuracy@5
value: 0.952215878194671
name: Cosine Accuracy@5
- type: cosine_accuracy@10
value: 0.9681552474170745
name: Cosine Accuracy@10
- type: cosine_precision@1
value: 0.5817699836867863
name: Cosine Precision@1
- type: cosine_precision@3
value: 0.3109253217328258
name: Cosine Precision@3
- type: cosine_precision@5
value: 0.1904431756389342
name: Cosine Precision@5
- type: cosine_precision@10
value: 0.09681552474170746
name: Cosine Precision@10
- type: cosine_recall@1
value: 0.5817699836867863
name: Cosine Recall@1
- type: cosine_recall@3
value: 0.9327759651984774
name: Cosine Recall@3
- type: cosine_recall@5
value: 0.952215878194671
name: Cosine Recall@5
- type: cosine_recall@10
value: 0.9681552474170745
name: Cosine Recall@10
- type: cosine_ndcg@10
value: 0.8140491092898914
name: Cosine Ndcg@10
- type: cosine_mrr@10
value: 0.7608257917087448
name: Cosine Mrr@10
- type: cosine_map@100
value: 0.7617714980276816
name: Cosine Map@100
datasets:
- avemio/German-RAG-EMBEDDING-TRIPLES-HESSIAN-AI
---
# ModernBERT-Base
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [answerdotai/ModernBERT-base](https://huggingface.co/answerdotai/ModernBERT-base) on the [avemio/German-RAG-EMBEDDING-TRIPLES-HESSIAN-AI](https://huggingface.co/datasets/avemio/German-RAG-EMBEDDING-TRIPLES-HESSIAN-AI) dataset. It maps sentences & paragraphs to a 768-dimensional dense vector space and can be used for semantic textual similarity, semantic search, paraphrase mining, text classification, clustering, and more.
## Model Details
### Model Description
- **Model Type:** Sentence Transformer
- **Base model:** [answerdotai/ModernBERT-base](https://huggingface.co/answerdotai/ModernBERT-base) <!-- at revision 8949b909ec900327062f0ebf497f51aef5e6f0c8 -->
- **Maximum Sequence Length:** 8192 tokens
- **Output Dimensionality:** 768 dimensions
- **Similarity Function:** Cosine Similarity
- **Training Dataset:**
- [avemio/German-RAG-EMBEDDING-TRIPLES-HESSIAN-AI](https://huggingface.co/datasets/avemio/German-RAG-EMBEDDING-TRIPLES-HESSIAN-AI)
- **Language:** de
- **License:** apache-2.0
### Model Sources
- **Documentation:** [Sentence Transformers Documentation](https://sbert.net)
- **Repository:** [Sentence Transformers on GitHub](https://github.com/UKPLab/sentence-transformers)
- **Hugging Face:** [Sentence Transformers on Hugging Face](https://huggingface.co/models?library=sentence-transformers)
### Full Model Architecture
```
SentenceTransformer(
(0): Transformer({'max_seq_length': 8192, 'do_lower_case': False}) with Transformer model: ModernBertModel
(1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
)
```
## 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("avemio-digital/ModernBERT_base_triples_embedding")
# Run inference
sentences = [
'Wieso verklagte die Familie von Ritter die behandelnden Ärzte auf 67 Millionen US-Dollar Schadensersatz?',
'Während Proben zu einer Folge von "Meine wilden Töchter" traten bei Ritter im September 2003 starke Brustschmerzen auf, und er begab sich in das nahegelegene "Providence Saint Joseph Medical Center", in dem er am 11. September 2003 im Alter von 54 Jahren – eine Woche vor seinem 55. Geburtstag – an einer Aortendissektion starb. Seine Familie verklagte Anfang 2008 die behandelnden Ärzte auf einen Schadensersatz von 67 Millionen US-Dollar. Die Klage wurde im März 2008 abgewiesen.',
'Nach der Einstellung der Fernsehserie "Herzbube mit zwei Damen" nach acht Staffeln im Jahr 1984 machte er mit dem Spin-off "Three’s A Crowd" weiter, jedoch wurde die Serie nach einer Staffel eingestellt. Weitere Fernsehrollen hatte er in "Inspektor Hooperman" (1987), die ihm eine Nominierung sowohl für den Golden Globe als auch für den Emmy einbrachte, "Küß’ mich, John" (1992), "Ally McBeal" (1997), "Buffy – Im Bann der Dämonen" (1997), "Clifford the Big Red Dog" (2000), "Scrubs – Die Anfänger" oder "Meine wilden Töchter" (2002).',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 768]
# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]
```
<!--
### Direct Usage (Transformers)
<details><summary>Click to see the direct usage in Transformers</summary>
</details>
-->
<!--
### Downstream Usage (Sentence Transformers)
You can finetune this model on your own dataset.
<details><summary>Click to expand</summary>
</details>
-->
<!--
### Out-of-Scope Use
*List how the model may foreseeably be misused and address what users ought not to do with the model.*
-->
## Evaluation
### Metrics
#### Information Retrieval
* Dataset: `dim_768`
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
| Metric | Value |
|:--------------------|:----------|
| cosine_accuracy@1 | 0.5818 |
| cosine_accuracy@3 | 0.9328 |
| cosine_accuracy@5 | 0.9522 |
| cosine_accuracy@10 | 0.9682 |
| cosine_precision@1 | 0.5818 |
| cosine_precision@3 | 0.3109 |
| cosine_precision@5 | 0.1904 |
| cosine_precision@10 | 0.0968 |
| cosine_recall@1 | 0.5818 |
| cosine_recall@3 | 0.9328 |
| cosine_recall@5 | 0.9522 |
| cosine_recall@10 | 0.9682 |
| **cosine_ndcg@10** | **0.814** |
| cosine_mrr@10 | 0.7608 |
| cosine_map@100 | 0.7618 |
<!--
## 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
#### json
* Dataset: json
* Size: 264,810 training samples
* Columns: <code>anchor</code>, <code>positive</code>, and <code>negative</code>
* Approximate statistics based on the first 1000 samples:
| | anchor | positive | negative |
|:--------|:------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------|
| type | string | string | string |
| details | <ul><li>min: 28 tokens</li><li>mean: 54.52 tokens</li><li>max: 307 tokens</li></ul> | <ul><li>min: 30 tokens</li><li>mean: 184.58 tokens</li><li>max: 1293 tokens</li></ul> | <ul><li>min: 33 tokens</li><li>mean: 151.69 tokens</li><li>max: 1297 tokens</li></ul> |
* Samples:
| anchor | positive | negative |
|:--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| <code>Was passiert, als die Haeduer sich gegen Caesar erheben und die Römer die Schlacht um Gergovia führen?</code> | <code>Während er Titus Labienus mit vier Legionen in die Gebiete der Senonen und Parisier verlegt, macht sich Caesar auf nach Gergovia ins Gebiet der Arverner und die Heimat des Vercingetorix. Die Haeduer erheben sich jedoch schon bald gegen Caesar. Während die Schlacht um Gergovia tobt, rücken die Haeduer auf die römischen Truppen zu. Die Römer verlieren an diesem Tag fast siebenhundert Männer, können die Stadt aber nicht einnehmen. Caesar zieht weiter zur Stadt Noviodunum, die von den Haeduern zerstört wurde, während Labienus gegen die Stadt Lutetia zieht. Dort kommt es für Labienus zur siegreichen Schlacht. Die Gallier fliehen. Nach drei Tagen vereinigen sich seine Truppen mit denen Caesars.</code> | <code>Unterdessen hält Vercingetorix gallischen Landtag in Bibracte. Fast alle gallischen Stämme nehmen teil und bestätigen Vercingetorix als Feldherrn. Es kommt zur Schlacht, in deren Verlauf die gallischen Reiter am Fluss Armançon vernichtet werden. Vercingetorix zieht mit seinen Fußtruppen zur Festung Alesia ab. Dort kommt es erneut zum Kampf, den Caesar dank germanischer Hilfstruppen für sich entscheiden kann. Ihm gelingt es, die Gallier einzuschließen und ein ausgeklügeltes Befestigungssystem rund um die Stadt zu errichten. Die eingeschlossenen Gallier warten jetzt dringend auf heranziehende gallische Hilfstruppen, denn ihre Lebensmittelvorräte sind fast aufgebraucht. Die Gallier diskutieren die Möglichkeit, sich zu ergeben. In der flammenden Rede des Arverners Critognatus spricht sich dieser gegen eine Kapitulation aus und überzeugt die Übrigen. Reitergefechte eröffnen die nächsten Kampfhandlungen, bis zum Abend bahnt sich aber keine Entscheidung an. Auch in den kommenden Tagen gelingt...</code> |
| <code>Wo war die Geburtsstätte der Hip-Hop-Musik und welches Label spielte eine bedeutende Rolle in den 1990er Jahren an der US-Ostküste?</code> | <code>Hip-Hop-Musik entstand in New York City, an der US-Ostküste. Obwohl es inzwischen auch andere wichtige Zentren wie zum Beispiel Philadelphia und Los Angeles gibt, ist die Stadt bis heute das Zentrum der Szene. 1992 begann sich die Musikszene zu verändern. Hip-Hop-Musik wurde immer mehr und schließlich endgültig vom Mainstream übernommen und versprach, kommerziell sehr lukrativ zu werden. Ein wichtiges Label an der Ostküste war zu dieser Zeit Bad Boy Entertainment von Puff Daddy, dort veröffentlichten Craig Mack, Mase und The Notorious B.I.G.</code> | <code>East Coast vs. West Coast ("Ostküste gegen Westküste") ist die gängigste Bezeichnung für den bekanntesten "Beef" – eine Fehde im Hip-Hop. Bei der in der Mitte der 1990er-Jahre stattfindenden Auseinandersetzung handelte es sich um eine Rivalität zwischen den Plattenfirmen Bad Boy Entertainment aus New York City und Death Row Records aus Los Angeles sowie den dazugehörigen Rappern und Produzenten, die gewaltsam eskalierte. In ihrer Folge wurden unter anderem die Rapper Tupac Shakur und Notorious B.I.G. erschossen, wobei die Täter und der jeweilige Zusammenhang mit der Fehde ungeklärt blieben. Benannt ist der Konflikt nach den Szenen des Eastcoast-Hip-Hops und des Westcoast-Hip-Hops.</code> |
| <code>Die Annäherung zwischen Nord- und Südkorea in Bezug auf die Olympischen Spiele von 2018 beinhaltete gemeinsame Gespräche, die Einigung auf die Teilnahme nordkoreanischer Athleten sowie das gemeinsame Eintreten bei der Eröffnungsfeier und im Frauen-Eishockey.</code> | <code>Am 1. Januar 2018 sagte der nordkoreanische Machthaber Kim Jong-un in seiner Neujahrsansprache, dass die beiden Länder wieder gemeinsame Gespräche führen sollten. Am 9. Januar 2018 trafen sich Regierungsvertreter beider Länder und einigten sich unter anderem auf Athleten aus Nordkorea bei den Wettkämpfen in Südkorea. Am 17. Januar 2018 sagte ein Sprecher des südkoreanischen Vereinigungsministeriums, dass die beiden Länder unter dem Namen „Korea“ bei der Eröffnungsfeier gemeinsam einlaufen und im Frauen-Eishockey gemeinsam antreten würden.</code> | <code>Während der XXIII. Olympischen Winterspiele gab es vier Dopingfälle. So wurde der japanische Shorttracker Kei Saito positiv auf das Diuretikum Acetazolamid, der slowenische Eishockeyspieler Žiga Jeglič positiv auf das Asthmamittel Fenoterol, der russische Curler Alexander Alexandrowitsch Kruschelnizki positiv auf das Herzmittel Meldonium und die russische Bobfahrerin Nadeschda Wiktorowna Sergejewa positiv auf das Herzmittel Trimetazidin getestet. Alle vier Athleten wurden von der Veranstaltung ausgeschlossen. Außerdem wurden dem russischen Curler und seiner Partnerin die zuvor gewonnene Bronzemedaille bei den Mixed Doubles aberkannt und dem norwegischen Team Kristin Skaslien/Magnus Nedregotten zugesprochen.</code> |
* Loss: [<code>MatryoshkaLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#matryoshkaloss) with these parameters:
```json
{
"loss": "MultipleNegativesRankingLoss",
"matryoshka_dims": [
768
],
"matryoshka_weights": [
1
],
"n_dims_per_step": -1
}
```
### Training Hyperparameters
#### Non-Default Hyperparameters
- `eval_strategy`: epoch
- `gradient_accumulation_steps`: 16
- `learning_rate`: 2e-05
- `num_train_epochs`: 1
- `lr_scheduler_type`: cosine
- `warmup_ratio`: 0.1
- `bf16`: True
- `tf32`: True
- `load_best_model_at_end`: True
- `optim`: adamw_torch_fused
- `batch_sampler`: no_duplicates
#### All Hyperparameters
<details><summary>Click to expand</summary>
- `overwrite_output_dir`: False
- `do_predict`: False
- `eval_strategy`: epoch
- `prediction_loss_only`: True
- `per_device_train_batch_size`: 8
- `per_device_eval_batch_size`: 8
- `per_gpu_train_batch_size`: None
- `per_gpu_eval_batch_size`: None
- `gradient_accumulation_steps`: 16
- `eval_accumulation_steps`: None
- `torch_empty_cache_steps`: None
- `learning_rate`: 2e-05
- `weight_decay`: 0.0
- `adam_beta1`: 0.9
- `adam_beta2`: 0.999
- `adam_epsilon`: 1e-08
- `max_grad_norm`: 1.0
- `num_train_epochs`: 1
- `max_steps`: -1
- `lr_scheduler_type`: cosine
- `lr_scheduler_kwargs`: {}
- `warmup_ratio`: 0.1
- `warmup_steps`: 0
- `log_level`: passive
- `log_level_replica`: warning
- `log_on_each_node`: True
- `logging_nan_inf_filter`: True
- `save_safetensors`: True
- `save_on_each_node`: False
- `save_only_model`: False
- `restore_callback_states_from_checkpoint`: False
- `no_cuda`: False
- `use_cpu`: False
- `use_mps_device`: False
- `seed`: 42
- `data_seed`: None
- `jit_mode_eval`: False
- `use_ipex`: False
- `bf16`: True
- `fp16`: False
- `fp16_opt_level`: O1
- `half_precision_backend`: auto
- `bf16_full_eval`: False
- `fp16_full_eval`: False
- `tf32`: True
- `local_rank`: 0
- `ddp_backend`: None
- `tpu_num_cores`: None
- `tpu_metrics_debug`: False
- `debug`: []
- `dataloader_drop_last`: False
- `dataloader_num_workers`: 0
- `dataloader_prefetch_factor`: None
- `past_index`: -1
- `disable_tqdm`: False
- `remove_unused_columns`: True
- `label_names`: None
- `load_best_model_at_end`: True
- `ignore_data_skip`: False
- `fsdp`: []
- `fsdp_min_num_params`: 0
- `fsdp_config`: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
- `fsdp_transformer_layer_cls_to_wrap`: None
- `accelerator_config`: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
- `deepspeed`: None
- `label_smoothing_factor`: 0.0
- `optim`: adamw_torch_fused
- `optim_args`: None
- `adafactor`: False
- `group_by_length`: False
- `length_column_name`: length
- `ddp_find_unused_parameters`: None
- `ddp_bucket_cap_mb`: None
- `ddp_broadcast_buffers`: False
- `dataloader_pin_memory`: True
- `dataloader_persistent_workers`: False
- `skip_memory_metrics`: True
- `use_legacy_prediction_loop`: False
- `push_to_hub`: False
- `resume_from_checkpoint`: None
- `hub_model_id`: None
- `hub_strategy`: every_save
- `hub_private_repo`: None
- `hub_always_push`: False
- `gradient_checkpointing`: False
- `gradient_checkpointing_kwargs`: None
- `include_inputs_for_metrics`: False
- `include_for_metrics`: []
- `eval_do_concat_batches`: True
- `fp16_backend`: auto
- `push_to_hub_model_id`: None
- `push_to_hub_organization`: None
- `mp_parameters`:
- `auto_find_batch_size`: False
- `full_determinism`: False
- `torchdynamo`: None
- `ray_scope`: last
- `ddp_timeout`: 1800
- `torch_compile`: False
- `torch_compile_backend`: None
- `torch_compile_mode`: None
- `dispatch_batches`: None
- `split_batches`: None
- `include_tokens_per_second`: False
- `include_num_input_tokens_seen`: False
- `neftune_noise_alpha`: None
- `optim_target_modules`: None
- `batch_eval_metrics`: False
- `eval_on_start`: False
- `use_liger_kernel`: False
- `eval_use_gather_object`: False
- `average_tokens_across_devices`: False
- `prompts`: None
- `batch_sampler`: no_duplicates
- `multi_dataset_batch_sampler`: proportional
</details>
### Training Logs
<details><summary>Click to expand</summary>
| Epoch | Step | Training Loss | dim_768_cosine_ndcg@10 |
|:------:|:----:|:-------------:|:----------------------:|
| 0.0048 | 10 | 39.6025 | - |
| 0.0097 | 20 | 37.9613 | - |
| 0.0145 | 30 | 34.1056 | - |
| 0.0193 | 40 | 27.0495 | - |
| 0.0242 | 50 | 17.7033 | - |
| 0.0290 | 60 | 11.5513 | - |
| 0.0338 | 70 | 8.059 | - |
| 0.0387 | 80 | 5.7182 | - |
| 0.0435 | 90 | 4.1844 | - |
| 0.0483 | 100 | 3.5612 | - |
| 0.0532 | 110 | 2.7178 | - |
| 0.0580 | 120 | 2.4993 | - |
| 0.0628 | 130 | 2.0754 | - |
| 0.0677 | 140 | 1.9418 | - |
| 0.0725 | 150 | 1.4704 | - |
| 0.0773 | 160 | 1.3959 | - |
| 0.0822 | 170 | 1.4232 | - |
| 0.0870 | 180 | 1.5266 | - |
| 0.0918 | 190 | 1.2147 | - |
| 0.0967 | 200 | 1.3711 | - |
| 0.1015 | 210 | 1.0753 | - |
| 0.1063 | 220 | 1.156 | - |
| 0.1112 | 230 | 1.3619 | - |
| 0.1160 | 240 | 1.1122 | - |
| 0.1208 | 250 | 1.0742 | - |
| 0.1257 | 260 | 1.136 | - |
| 0.1305 | 270 | 0.858 | - |
| 0.1353 | 280 | 1.068 | - |
| 0.1402 | 290 | 0.6717 | - |
| 0.1450 | 300 | 0.8825 | - |
| 0.1498 | 310 | 0.7441 | - |
| 0.1547 | 320 | 0.8464 | - |
| 0.1595 | 330 | 0.7714 | - |
| 0.1643 | 340 | 0.8174 | - |
| 0.1692 | 350 | 0.7368 | - |
| 0.1740 | 360 | 0.741 | - |
| 0.1788 | 370 | 0.6764 | - |
| 0.1837 | 380 | 0.7638 | - |
| 0.1885 | 390 | 0.7172 | - |
| 0.1933 | 400 | 0.7113 | - |
| 0.1982 | 410 | 0.7091 | - |
| 0.2030 | 420 | 0.5405 | - |
| 0.2078 | 430 | 0.5891 | - |
| 0.2127 | 440 | 0.6461 | - |
| 0.2175 | 450 | 0.781 | - |
| 0.2223 | 460 | 0.6744 | - |
| 0.2272 | 470 | 0.5077 | - |
| 0.2320 | 480 | 0.7061 | - |
| 0.2368 | 490 | 0.5176 | - |
| 0.2417 | 500 | 0.4864 | - |
| 0.2465 | 510 | 0.5373 | - |
| 0.2513 | 520 | 0.5507 | - |
| 0.2562 | 530 | 0.6507 | - |
| 0.2610 | 540 | 0.5708 | - |
| 0.2658 | 550 | 0.4801 | - |
| 0.2707 | 560 | 0.3825 | - |
| 0.2755 | 570 | 0.5892 | - |
| 0.2803 | 580 | 0.5823 | - |
| 0.2852 | 590 | 0.51 | - |
| 0.2900 | 600 | 0.5337 | - |
| 0.2948 | 610 | 0.5187 | - |
| 0.2997 | 620 | 0.471 | - |
| 0.3045 | 630 | 0.5821 | - |
| 0.3093 | 640 | 0.3278 | - |
| 0.3142 | 650 | 0.5094 | - |
| 0.3190 | 660 | 0.4114 | - |
| 0.3238 | 670 | 0.4379 | - |
| 0.3287 | 680 | 0.5234 | - |
| 0.3335 | 690 | 0.5318 | - |
| 0.3383 | 700 | 0.4787 | - |
| 0.3432 | 710 | 0.3483 | - |
| 0.3480 | 720 | 0.465 | - |
| 0.3528 | 730 | 0.4302 | - |
| 0.3577 | 740 | 0.3866 | - |
| 0.3625 | 750 | 0.453 | - |
| 0.3673 | 760 | 0.3842 | - |
| 0.3722 | 770 | 0.4903 | - |
| 0.3770 | 780 | 0.33 | - |
| 0.3819 | 790 | 0.4736 | - |
| 0.3867 | 800 | 0.3975 | - |
| 0.3915 | 810 | 0.3676 | - |
| 0.3964 | 820 | 0.2913 | - |
| 0.4012 | 830 | 0.4038 | - |
| 0.4060 | 840 | 0.4749 | - |
| 0.4109 | 850 | 0.4103 | - |
| 0.4157 | 860 | 0.4588 | - |
| 0.4205 | 870 | 0.3013 | - |
| 0.4254 | 880 | 0.4855 | - |
| 0.4302 | 890 | 0.3959 | - |
| 0.4350 | 900 | 0.3933 | - |
| 0.4399 | 910 | 0.3598 | - |
| 0.4447 | 920 | 0.4467 | - |
| 0.4495 | 930 | 0.4035 | - |
| 0.4544 | 940 | 0.4247 | - |
| 0.4592 | 950 | 0.4468 | - |
| 0.4640 | 960 | 0.3264 | - |
| 0.4689 | 970 | 0.3445 | - |
| 0.4737 | 980 | 0.363 | - |
| 0.4785 | 990 | 0.3709 | - |
| 0.4834 | 1000 | 0.4586 | - |
| 0.4882 | 1010 | 0.3139 | - |
| 0.4930 | 1020 | 0.567 | - |
| 0.4979 | 1030 | 0.3755 | - |
| 0.5027 | 1040 | 0.2952 | - |
| 0.5075 | 1050 | 0.3576 | - |
| 0.5124 | 1060 | 0.311 | - |
| 0.5172 | 1070 | 0.381 | - |
| 0.5220 | 1080 | 0.3554 | - |
| 0.5269 | 1090 | 0.3065 | - |
| 0.5317 | 1100 | 0.4087 | - |
| 0.5365 | 1110 | 0.2437 | - |
| 0.5414 | 1120 | 0.4124 | - |
| 0.5462 | 1130 | 0.435 | - |
| 0.5510 | 1140 | 0.2396 | - |
| 0.5559 | 1150 | 0.3464 | - |
| 0.5607 | 1160 | 0.3872 | - |
| 0.5655 | 1170 | 0.4872 | - |
| 0.5704 | 1180 | 0.351 | - |
| 0.5752 | 1190 | 0.2864 | - |
| 0.5800 | 1200 | 0.4254 | - |
| 0.5849 | 1210 | 0.3073 | - |
| 0.5897 | 1220 | 0.3146 | - |
| 0.5945 | 1230 | 0.268 | - |
| 0.5994 | 1240 | 0.3106 | - |
| 0.6042 | 1250 | 0.426 | - |
| 0.6090 | 1260 | 0.4197 | - |
| 0.6139 | 1270 | 0.3648 | - |
| 0.6187 | 1280 | 0.272 | - |
| 0.6235 | 1290 | 0.3805 | - |
| 0.6284 | 1300 | 0.3631 | - |
| 0.6332 | 1310 | 0.265 | - |
| 0.6380 | 1320 | 0.288 | - |
| 0.6429 | 1330 | 0.2716 | - |
| 0.6477 | 1340 | 0.3444 | - |
| 0.6525 | 1350 | 0.2418 | - |
| 0.6574 | 1360 | 0.3825 | - |
| 0.6622 | 1370 | 0.2237 | - |
| 0.6670 | 1380 | 0.2659 | - |
| 0.6719 | 1390 | 0.244 | - |
| 0.6767 | 1400 | 0.2628 | - |
| 0.6815 | 1410 | 0.3385 | - |
| 0.6864 | 1420 | 0.3503 | - |
| 0.6912 | 1430 | 0.3228 | - |
| 0.6960 | 1440 | 0.3461 | - |
| 0.7009 | 1450 | 0.3283 | - |
| 0.7057 | 1460 | 0.3345 | - |
| 0.7105 | 1470 | 0.429 | - |
| 0.7154 | 1480 | 0.254 | - |
| 0.7202 | 1490 | 0.196 | - |
| 0.7250 | 1500 | 0.3695 | - |
| 0.7299 | 1510 | 0.2672 | - |
| 0.7347 | 1520 | 0.3063 | - |
| 0.7395 | 1530 | 0.3582 | - |
| 0.7444 | 1540 | 0.3276 | - |
| 0.7492 | 1550 | 0.3168 | - |
| 0.7540 | 1560 | 0.3315 | - |
| 0.7589 | 1570 | 0.3494 | - |
| 0.7637 | 1580 | 0.3574 | - |
| 0.7685 | 1590 | 0.2926 | - |
| 0.7734 | 1600 | 0.3158 | - |
| 0.7782 | 1610 | 0.2219 | - |
| 0.7830 | 1620 | 0.2301 | - |
| 0.7879 | 1630 | 0.3057 | - |
| 0.7927 | 1640 | 0.2204 | - |
| 0.7975 | 1650 | 0.2708 | - |
| 0.8024 | 1660 | 0.2864 | - |
| 0.8072 | 1670 | 0.3662 | - |
| 0.8120 | 1680 | 0.2674 | - |
| 0.8169 | 1690 | 0.284 | - |
| 0.8217 | 1700 | 0.2438 | - |
| 0.8265 | 1710 | 0.3772 | - |
| 0.8314 | 1720 | 0.3122 | - |
| 0.8362 | 1730 | 0.2474 | - |
| 0.8410 | 1740 | 0.2981 | - |
| 0.8459 | 1750 | 0.2331 | - |
| 0.8507 | 1760 | 0.2858 | - |
| 0.8555 | 1770 | 0.2362 | - |
| 0.8604 | 1780 | 0.254 | - |
| 0.8652 | 1790 | 0.2155 | - |
| 0.8700 | 1800 | 0.2614 | - |
| 0.8749 | 1810 | 0.2149 | - |
| 0.8797 | 1820 | 0.2774 | - |
| 0.8845 | 1830 | 0.3404 | - |
| 0.8894 | 1840 | 0.2184 | - |
| 0.8942 | 1850 | 0.2138 | - |
| 0.8990 | 1860 | 0.3272 | - |
| 0.9039 | 1870 | 0.3183 | - |
| 0.9087 | 1880 | 0.2401 | - |
| 0.9135 | 1890 | 0.2773 | - |
| 0.9184 | 1900 | 0.2353 | - |
| 0.9232 | 1910 | 0.2686 | - |
| 0.9280 | 1920 | 0.3028 | - |
| 0.9329 | 1930 | 0.2799 | - |
| 0.9377 | 1940 | 0.4128 | - |
| 0.9425 | 1950 | 0.1866 | - |
| 0.9474 | 1960 | 0.2149 | - |
| 0.9522 | 1970 | 0.2565 | - |
| 0.9570 | 1980 | 0.3198 | - |
| 0.9619 | 1990 | 0.2368 | - |
| 0.9667 | 2000 | 0.1715 | - |
| 0.9715 | 2010 | 0.2219 | - |
| 0.9764 | 2020 | 0.2335 | - |
| 0.9812 | 2030 | 0.2485 | - |
| 0.9860 | 2040 | 0.2966 | - |
| 0.9909 | 2050 | 0.2007 | - |
| 0.9957 | 2060 | 0.2383 | - |
| 0.9996 | 2068 | - | 0.8064 |
| 0.0048 | 10 | 0.2327 | - |
| 0.0097 | 20 | 0.2529 | - |
| 0.0145 | 30 | 0.2527 | - |
| 0.0193 | 40 | 0.2244 | - |
| 0.0242 | 50 | 0.4014 | - |
| 0.0290 | 60 | 0.3844 | - |
| 0.0338 | 70 | 0.2978 | - |
| 0.0387 | 80 | 0.3432 | - |
| 0.0435 | 90 | 0.184 | - |
| 0.0483 | 100 | 0.3491 | - |
| 0.0532 | 110 | 0.2435 | - |
| 0.0580 | 120 | 0.2032 | - |
| 0.0628 | 130 | 0.257 | - |
| 0.0677 | 140 | 0.3178 | - |
| 0.0725 | 150 | 0.2575 | - |
| 0.0773 | 160 | 0.2099 | - |
| 0.0822 | 170 | 0.232 | - |
| 0.0870 | 180 | 0.2196 | - |
| 0.0918 | 190 | 0.2303 | - |
| 0.0967 | 200 | 0.271 | - |
| 0.1015 | 210 | 0.1831 | - |
| 0.1063 | 220 | 0.1815 | - |
| 0.1112 | 230 | 0.2543 | - |
| 0.1160 | 240 | 0.2217 | - |
| 0.1208 | 250 | 0.2435 | - |
| 0.1257 | 260 | 0.247 | - |
| 0.1305 | 270 | 0.2078 | - |
| 0.1353 | 280 | 0.1966 | - |
| 0.1402 | 290 | 0.13 | - |
| 0.1450 | 300 | 0.1588 | - |
| 0.1498 | 310 | 0.1402 | - |
| 0.1547 | 320 | 0.1944 | - |
| 0.1595 | 330 | 0.1297 | - |
| 0.1643 | 340 | 0.2317 | - |
| 0.1692 | 350 | 0.137 | - |
| 0.1740 | 360 | 0.1501 | - |
| 0.1788 | 370 | 0.1475 | - |
| 0.1837 | 380 | 0.1325 | - |
| 0.1885 | 390 | 0.1457 | - |
| 0.1933 | 400 | 0.1415 | - |
| 0.1982 | 410 | 0.1256 | - |
| 0.2030 | 420 | 0.1201 | - |
| 0.2078 | 430 | 0.0994 | - |
| 0.2127 | 440 | 0.1208 | - |
| 0.2175 | 450 | 0.158 | - |
| 0.2223 | 460 | 0.1329 | - |
| 0.2272 | 470 | 0.1148 | - |
| 0.2320 | 480 | 0.1643 | - |
| 0.2368 | 490 | 0.1067 | - |
| 0.2417 | 500 | 0.089 | - |
| 0.2465 | 510 | 0.1037 | - |
| 0.2513 | 520 | 0.1159 | - |
| 0.2562 | 530 | 0.102 | - |
| 0.2610 | 540 | 0.1189 | - |
| 0.2658 | 550 | 0.0932 | - |
| 0.2707 | 560 | 0.0655 | - |
| 0.2755 | 570 | 0.1196 | - |
| 0.2803 | 580 | 0.1225 | - |
| 0.2852 | 590 | 0.1129 | - |
| 0.2900 | 600 | 0.098 | - |
| 0.2948 | 610 | 0.1093 | - |
| 0.2997 | 620 | 0.094 | - |
| 0.3045 | 630 | 0.1147 | - |
| 0.3093 | 640 | 0.0661 | - |
| 0.3142 | 650 | 0.1133 | - |
| 0.3190 | 660 | 0.0813 | - |
| 0.3238 | 670 | 0.0922 | - |
| 0.3287 | 680 | 0.1496 | - |
| 0.3335 | 690 | 0.113 | - |
| 0.3383 | 700 | 0.1132 | - |
| 0.3432 | 710 | 0.0712 | - |
| 0.3480 | 720 | 0.1276 | - |
| 0.3528 | 730 | 0.1022 | - |
| 0.3577 | 740 | 0.0779 | - |
| 0.3625 | 750 | 0.1139 | - |
| 0.3673 | 760 | 0.0753 | - |
| 0.3722 | 770 | 0.1194 | - |
| 0.3770 | 780 | 0.0701 | - |
| 0.3819 | 790 | 0.1178 | - |
| 0.3867 | 800 | 0.0992 | - |
| 0.3915 | 810 | 0.0906 | - |
| 0.3964 | 820 | 0.0699 | - |
| 0.4012 | 830 | 0.1325 | - |
| 0.4060 | 840 | 0.1236 | - |
| 0.4109 | 850 | 0.1026 | - |
| 0.4157 | 860 | 0.1389 | - |
| 0.4205 | 870 | 0.087 | - |
| 0.4254 | 880 | 0.134 | - |
| 0.4302 | 890 | 0.1171 | - |
| 0.4350 | 900 | 0.1081 | - |
| 0.4399 | 910 | 0.1205 | - |
| 0.4447 | 920 | 0.0975 | - |
| 0.4495 | 930 | 0.1331 | - |
| 0.4544 | 940 | 0.1272 | - |
| 0.4592 | 950 | 0.1445 | - |
| 0.4640 | 960 | 0.0818 | - |
| 0.4689 | 970 | 0.0996 | - |
| 0.4737 | 980 | 0.1063 | - |
| 0.4785 | 990 | 0.1124 | - |
| 0.4834 | 1000 | 0.168 | - |
| 0.4882 | 1010 | 0.0961 | - |
| 0.4930 | 1020 | 0.1498 | - |
| 0.4979 | 1030 | 0.1202 | - |
| 0.5027 | 1040 | 0.1063 | - |
| 0.5075 | 1050 | 0.1772 | - |
| 0.5124 | 1060 | 0.1073 | - |
| 0.5172 | 1070 | 0.1248 | - |
| 0.5220 | 1080 | 0.1265 | - |
| 0.5269 | 1090 | 0.1239 | - |
| 0.5317 | 1100 | 0.1154 | - |
| 0.5365 | 1110 | 0.0984 | - |
| 0.5414 | 1120 | 0.1572 | - |
| 0.5462 | 1130 | 0.149 | - |
| 0.5510 | 1140 | 0.0775 | - |
| 0.5559 | 1150 | 0.1215 | - |
| 0.5607 | 1160 | 0.1423 | - |
| 0.5655 | 1170 | 0.2041 | - |
| 0.5704 | 1180 | 0.1489 | - |
| 0.5752 | 1190 | 0.1116 | - |
| 0.5800 | 1200 | 0.1711 | - |
| 0.5849 | 1210 | 0.1188 | - |
| 0.5897 | 1220 | 0.1028 | - |
| 0.5945 | 1230 | 0.0867 | - |
| 0.5994 | 1240 | 0.1198 | - |
| 0.6042 | 1250 | 0.1741 | - |
| 0.6090 | 1260 | 0.1689 | - |
| 0.6139 | 1270 | 0.1622 | - |
| 0.6187 | 1280 | 0.1141 | - |
| 0.6235 | 1290 | 0.161 | - |
| 0.6284 | 1300 | 0.1321 | - |
| 0.6332 | 1310 | 0.092 | - |
| 0.6380 | 1320 | 0.1303 | - |
| 0.6429 | 1330 | 0.1126 | - |
| 0.6477 | 1340 | 0.1341 | - |
| 0.6525 | 1350 | 0.0947 | - |
| 0.6574 | 1360 | 0.2087 | - |
| 0.6622 | 1370 | 0.1157 | - |
| 0.6670 | 1380 | 0.1085 | - |
| 0.6719 | 1390 | 0.0938 | - |
| 0.6767 | 1400 | 0.125 | - |
| 0.6815 | 1410 | 0.163 | - |
| 0.6864 | 1420 | 0.1575 | - |
| 0.6912 | 1430 | 0.1585 | - |
| 0.6960 | 1440 | 0.1875 | - |
| 0.7009 | 1450 | 0.1624 | - |
| 0.7057 | 1460 | 0.1535 | - |
| 0.7105 | 1470 | 0.2075 | - |
| 0.7154 | 1480 | 0.1321 | - |
| 0.7202 | 1490 | 0.0914 | - |
| 0.7250 | 1500 | 0.1906 | - |
| 0.7299 | 1510 | 0.1301 | - |
| 0.7347 | 1520 | 0.1832 | - |
| 0.7395 | 1530 | 0.1919 | - |
| 0.7444 | 1540 | 0.1693 | - |
| 0.7492 | 1550 | 0.193 | - |
| 0.7540 | 1560 | 0.1707 | - |
| 0.7589 | 1570 | 0.1851 | - |
| 0.7637 | 1580 | 0.1886 | - |
| 0.7685 | 1590 | 0.1727 | - |
| 0.7734 | 1600 | 0.1654 | - |
| 0.7782 | 1610 | 0.1279 | - |
| 0.7830 | 1620 | 0.1506 | - |
| 0.7879 | 1630 | 0.1939 | - |
| 0.7927 | 1640 | 0.148 | - |
| 0.7975 | 1650 | 0.1656 | - |
| 0.8024 | 1660 | 0.1648 | - |
| 0.8072 | 1670 | 0.2508 | - |
| 0.8120 | 1680 | 0.1731 | - |
| 0.8169 | 1690 | 0.1835 | - |
| 0.8217 | 1700 | 0.1428 | - |
| 0.8265 | 1710 | 0.231 | - |
| 0.8314 | 1720 | 0.1976 | - |
| 0.8362 | 1730 | 0.1659 | - |
| 0.8410 | 1740 | 0.2064 | - |
| 0.8459 | 1750 | 0.1229 | - |
| 0.8507 | 1760 | 0.1709 | - |
| 0.8555 | 1770 | 0.1506 | - |
| 0.8604 | 1780 | 0.173 | - |
| 0.8652 | 1790 | 0.1587 | - |
| 0.8700 | 1800 | 0.1733 | - |
| 0.8749 | 1810 | 0.1407 | - |
| 0.8797 | 1820 | 0.187 | - |
| 0.8845 | 1830 | 0.2365 | - |
| 0.8894 | 1840 | 0.1434 | - |
| 0.8942 | 1850 | 0.1547 | - |
| 0.8990 | 1860 | 0.2597 | - |
| 0.9039 | 1870 | 0.2158 | - |
| 0.9087 | 1880 | 0.1674 | - |
| 0.9135 | 1890 | 0.196 | - |
| 0.9184 | 1900 | 0.2011 | - |
| 0.9232 | 1910 | 0.2137 | - |
| 0.9280 | 1920 | 0.2141 | - |
| 0.9329 | 1930 | 0.2114 | - |
| 0.9377 | 1940 | 0.2817 | - |
| 0.9425 | 1950 | 0.1285 | - |
| 0.9474 | 1960 | 0.1401 | - |
| 0.9522 | 1970 | 0.2044 | - |
| 0.9570 | 1980 | 0.2434 | - |
| 0.9619 | 1990 | 0.1693 | - |
| 0.9667 | 2000 | 0.1225 | - |
| 0.9715 | 2010 | 0.1716 | - |
| 0.9764 | 2020 | 0.1703 | - |
| 0.9812 | 2030 | 0.1686 | - |
| 0.9860 | 2040 | 0.242 | - |
| 0.9909 | 2050 | 0.1553 | - |
| 0.9957 | 2060 | 0.1721 | - |
| 0.9996 | 2068 | - | 0.8140 |
</details>
### Framework Versions
- Python: 3.11.11
- Sentence Transformers: 3.3.1
- Transformers: 4.48.1
- PyTorch: 2.5.1+cu124
- Accelerate: 1.2.1
- Datasets: 2.19.1
- Tokenizers: 0.21.0
## Citation
### BibTeX
#### Sentence Transformers
```bibtex
@inproceedings{reimers-2019-sentence-bert,
title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",
author = "Reimers, Nils and Gurevych, Iryna",
booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing",
month = "11",
year = "2019",
publisher = "Association for Computational Linguistics",
url = "https://arxiv.org/abs/1908.10084",
}
```
#### MatryoshkaLoss
```bibtex
@misc{kusupati2024matryoshka,
title={Matryoshka Representation Learning},
author={Aditya Kusupati and Gantavya Bhatt and Aniket Rege and Matthew Wallingford and Aditya Sinha and Vivek Ramanujan and William Howard-Snyder and Kaifeng Chen and Sham Kakade and Prateek Jain and Ali Farhadi},
year={2024},
eprint={2205.13147},
archivePrefix={arXiv},
primaryClass={cs.LG}
}
```
#### MultipleNegativesRankingLoss
```bibtex
@misc{henderson2017efficient,
title={Efficient Natural Language Response Suggestion for Smart Reply},
author={Matthew Henderson and Rami Al-Rfou and Brian Strope and Yun-hsuan Sung and Laszlo Lukacs and Ruiqi Guo and Sanjiv Kumar and Balint Miklos and Ray Kurzweil},
year={2017},
eprint={1705.00652},
archivePrefix={arXiv},
primaryClass={cs.CL}
}
```
## The German-RAG AI Team
[Marcel Rosiak](https://de.linkedin.com/in/marcel-rosiak)
[Soumya Paul](https://de.linkedin.com/in/soumya-paul-1636a68a)
[Siavash Mollaebrahim](https://de.linkedin.com/in/siavash-mollaebrahim-4084b5153?trk=people-guest_people_search-card)
[Zain ul Haq](https://de.linkedin.com/in/zain-ul-haq-31ba35196) |