Add new SentenceTransformer model

.gitattributes

@@ -33,3 +33,4 @@ saved_model/**/* filter=lfs diff=lfs merge=lfs -text
 *.zip filter=lfs diff=lfs merge=lfs -text
 *.zst filter=lfs diff=lfs merge=lfs -text
 *tfevents* filter=lfs diff=lfs merge=lfs -text
+tokenizer.json filter=lfs diff=lfs merge=lfs -text

1_Pooling/config.json

@@ -0,0 +1,10 @@
+{
+  "word_embedding_dimension": 1024,
+  "pooling_mode_cls_token": true,
+  "pooling_mode_mean_tokens": false,
+  "pooling_mode_max_tokens": false,
+  "pooling_mode_mean_sqrt_len_tokens": false,
+  "pooling_mode_weightedmean_tokens": false,
+  "pooling_mode_lasttoken": false,
+  "include_prompt": true
+}

README.md

@@ -0,0 +1,504 @@
+---
+tags:
+- sentence-transformers
+- sentence-similarity
+- feature-extraction
+- generated_from_trainer
+- dataset_size:1609
+- loss:MultipleNegativesRankingLoss
+base_model: Snowflake/snowflake-arctic-embed-l-v2.0
+widget:
+- source_sentence: 'Die aktuelle Gemeinsame Agrarpolitik (GAP) gilt seit dem 1. Januar
+    2023 und endet voraussichtlich 2027. Die GAP setzt sich aus drei wesentlichen
+    Elementen zusammen,
+
+
+    der Konditionalität,
+
+    der ersten Säule mit den Direktzahlungen sowie
+
+    der zweiten Säule mit der Entwicklung des ländlichen Raums.'
+  sentences:
+  - Ist Feuchtgrünland produktiv?
+  - Was versteht man unter GAP?
+  - welche Zielarten gibt es auf Streuobstwiesen?
+- source_sentence: Mulchen stellt eine kosteneffiziente Alternative zur Mahd dar und
+    erfordert weniger Arbeitseinsatz, um Flächen offen zu halten. Daher gewinnt diese
+    Pflegemethode in bestimmten Bereichen der Landschaftspflege an Bedeutung, insbesondere
+    wenn es primär um das Offenhalten von Flächen geht. Wie bei der Mahd beeinflussen
+    der Zeitpunkt und die Häufigkeit des Mulchens die Reaktionen des Ökosystems, einschließlich
+    der Tier- und Pflanzenwelt. Ein entscheidender Faktor ist dabei, wie lange und
+    wie vollständig die Streu abgebaut wird, was wiederum stark vom jeweiligen Standort
+    abhängt. Allerdings sollte der Einsatz von Mulchern zur Erhaltung der wertvollen
+    Wiesenflora kritisch betrachtet werden. Insbesondere bei mageren Feuchtwiesen
+    ist diese Methode aufgrund der damit verbundenen Anreicherung von Nährstoffen
+    im Boden nicht zu empfehlen.
+  sentences:
+  - Was sollten Berater*innen bei der Beratung von Ackerwildkrautschutz beachten?
+  - Wie erhält man eine bestehende Streuobstwiese?
+  - Feuchtgrünland mulchen?
+- source_sentence: 'Der
+
+    Wasserhaushalt bezeichnet die Aufstellung der
+
+    Aufnahme und Abgabe von Wasser in einem geografischen
+
+    Gebiet.'
+  sentences:
+  - Wie lege ich einen Kleinstgewässer an?
+  - Was heißt Wasserhaushalt?
+  - Welche Ziele verfolgt die staatliche Förderung der Direktzahlungen?
+- source_sentence: 'Um den Humusanteil zu erhöhen, kann entweder
+
+    direkt Kompost ausgebracht bzw. können Ernte und
+
+    Zwischenfruchtrückstände eingearbeitet werden,
+
+    oder es können indirekte Maßnahmen zum
+
+    natürlichen Humusaufbau umgesetzt werden.
+
+    So kann der Humusgehalt z. B. durch angepasste
+
+    Fruchtfolgen, die Nutzung der landwirtschaftlichen
+
+    Flächen als Grünland sowie Maßnahmen der ökologischen
+
+    Landwirtschaft erhöht werden.'
+  sentences:
+  - Wie kann Humus aufgebaut werden?
+  - Was versteht man unter Mittelumschichtung von der 1. Säule in die 2. Säule?
+  - Mahd Feuchtgrünland?
+- source_sentence: 'Dabei verteilt sich die EU-Förderung auf zwei Säulen:
+
+
+    Die erste Säule bilden insbesondere die Direktzahlungen an Landwirtinnen und Landwirte,
+    die – bei Erfüllung der jeweiligen Voraussetzungen – je Hektar landwirtschaftlicher
+    Fläche gewährt werden. Das bisher verpflichtende Greening wurde mit weiteren Anforderungen
+    in die Vorschriften zur Konditionalität überführt; die bisherige Greeningprämie
+    entfällt. Neu sind Zahlungen für die freiwilligen "Öko-Regelungen“.
+
+    Die zweite Säule umfasst gezielte Förderprogramme für die nachhaltige und umweltschonende
+    Bewirtschaftung und die ländliche Entwicklung.'
+  sentences:
+  - Was ist bei Maßnahmen zum Ackerwildkrautschutz zu beachten?
+  - Vorteile von Agroforst gegen Erosion?
+  - Wie verteilt sich die EU-Förderung der GAP?
+pipeline_tag: sentence-similarity
+library_name: sentence-transformers
+---
+
+# SentenceTransformer based on Snowflake/snowflake-arctic-embed-l-v2.0
+
+This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [Snowflake/snowflake-arctic-embed-l-v2.0](https://huggingface.co/Snowflake/snowflake-arctic-embed-l-v2.0). It maps sentences & paragraphs to a 1024-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:** [Snowflake/snowflake-arctic-embed-l-v2.0](https://huggingface.co/Snowflake/snowflake-arctic-embed-l-v2.0) <!-- at revision 7f311bb640ad3babc0a4e3a8873240dcba44c9d2 -->
+- **Maximum Sequence Length:** 8192 tokens
+- **Output Dimensionality:** 1024 dimensions
+- **Similarity Function:** Cosine Similarity
+<!-- - **Training Dataset:** Unknown -->
+<!-- - **Language:** Unknown -->
+<!-- - **License:** Unknown -->
+
+### Model Sources
+
+- **Documentation:** [Sentence Transformers Documentation](https://sbert.net)
+- **Repository:** [Sentence Transformers on GitHub](https://github.com/UKPLab/sentence-transformers)
+- **Hugging Face:** [Sentence Transformers on Hugging Face](https://huggingface.co/models?library=sentence-transformers)
+
+### Full Model Architecture
+
+```
+SentenceTransformer(
+  (0): Transformer({'max_seq_length': 8192, 'do_lower_case': False}) with Transformer model: XLMRobertaModel 
+  (1): Pooling({'word_embedding_dimension': 1024, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
+  (2): Normalize()
+)
+```
+
+## Usage
+
+### Direct Usage (Sentence Transformers)
+
+First install the Sentence Transformers library:
+
+```bash
+pip install -U sentence-transformers
+```
+
+Then you can load this model and run inference.
+```python
+from sentence_transformers import SentenceTransformer
+
+# Download from the 🤗 Hub
+model = SentenceTransformer("zolekode/wibila-adapter-snowflake-arctic-embed-l-v2.0")
+# Run inference
+sentences = [
+    'Dabei verteilt sich die EU-Förderung auf zwei Säulen:\n\nDie erste Säule bilden insbesondere die Direktzahlungen an Landwirtinnen und Landwirte, die – bei Erfüllung der jeweiligen Voraussetzungen – je Hektar landwirtschaftlicher Fläche gewährt werden. Das bisher verpflichtende Greening wurde mit weiteren Anforderungen in die Vorschriften zur Konditionalität überführt; die bisherige Greeningprämie entfällt. Neu sind Zahlungen für die freiwilligen "Öko-Regelungen“.\nDie zweite Säule umfasst gezielte Förderprogramme für die nachhaltige und umweltschonende Bewirtschaftung und die ländliche Entwicklung.',
+    'Wie verteilt sich die EU-Förderung der GAP?',
+    'Was ist bei Maßnahmen zum Ackerwildkrautschutz zu beachten?',
+]
+embeddings = model.encode(sentences)
+print(embeddings.shape)
+# [3, 1024]
+
+# 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.*
+-->
+
+<!--
+## Bias, Risks and Limitations
+
+*What are the known or foreseeable issues stemming from this model? You could also flag here known failure cases or weaknesses of the model.*
+-->
+
+<!--
+### Recommendations
+
+*What are recommendations with respect to the foreseeable issues? For example, filtering explicit content.*
+-->
+
+## Training Details
+
+### Training Dataset
+
+#### Unnamed Dataset
+
+
+* Size: 1,609 training samples
+* Columns: <code>anchor</code> and <code>positive</code>
+* Approximate statistics based on the first 1000 samples:
+  |         | anchor                                                                             | positive                                                                         |
+  |:--------|:-----------------------------------------------------------------------------------|:---------------------------------------------------------------------------------|
+  | type    | string                                                                             | string                                                                           |
+  | details | <ul><li>min: 3 tokens</li><li>mean: 94.33 tokens</li><li>max: 862 tokens</li></ul> | <ul><li>min: 6 tokens</li><li>mean: 13.8 tokens</li><li>max: 33 tokens</li></ul> |
+* Samples:
+  | anchor                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                          | positive                                                                 |
+  |:------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------|
+  | <code>Mehrjährige Blühstreifen bleiben mind. 2 bis zu 5 Jahren am gleichen Standort und werden nicht jährlich umgebrochen und neu eingesät. Das Saatgut kann aus Kultur- und Wildarten bestehen. Im Gegensatz dazu werden mehrjährige Regiosaatgut-Blühstreifen und -flächen auf Ackerstandorten mit ausschließlich gebietseigenem Saatgut* (Mouseover/Glossar) eingesät. Je nach Förderprogramm werden die Flächen mehrere Jahre nicht umgebrochen und unterschiedlich gepflegt. Gebietseigenes Saatgut ist entweder zertifiziertes Regiosaatgut (VWW oder RegioZert) oder selbst geerntetes Saatgut von einer Spenderfläche in der Nähe. </code>                                                                                                                                                                                                                                              | <code>Was sind Mehrjährige Blühstreifen mit Regiosaatgut?</code>         |
+  | <code>Artenreiche Blühflächen stellen vor allem in agrarisch intensiv geprägten Landschaften Flächen dar, die Bestäubern, Nützlingen und anderen Wildtieren als Nahrungs-, Schutz-, Lebens- oder Überwinterungsflächen dienen. Sie können zudem als Lebensrauminseln in ansonsten stark ausgeräumter Flur einen großen Beitrag zum Biotopverbund leisten. <br>Naturschutzfachlich besonders hochwertig werden die Flächen durch gebietseigene Pflanzen, an die die heimische Insektenfauna angepasst ist. Im Vergleich zu Kultur- und Zierpflanzen, die nur für Generalisten von Bedeutung sind, bieten Wildarten auch Lebensraum und Nahrung für spezialisierte Bestäuber, v.a. aus der Gruppe der Wildbienen.<br>Weitere positive Effekte: <br>-	Botanischer Artenreichtum<br>-	Pufferwirkung<br>-	Erosionsminderung<br>-	Landschaftsbildbereicherung<br>-	Evtl. Schlaguntergliederung</code> | <code>Ziele von Mehrjährigen Blühstreifen mit Regiosaatgut?</code>       |
+  | <code>Entlang von Hecken oder Waldrändern, nur auf der sonnenzugewandten Seite mit wenig Schattenwurf, Problemunkrautdruck auf der Fläche möglichst gering (z.B. Distel, Quecke). zur Schlagunterteilung und im Sinne des Biotopverbunds in ausgeräumten Landschaften. nicht auf Flächen mit hohem Potenzial an (gefährdeten) Ackerwildkräutern</code>                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                          | <code>Wo eigenen sich Mehrjährigen Blühstreifen mit Regiosaatgut?</code> |
+* Loss: [<code>MultipleNegativesRankingLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters:
+  ```json
+  {
+      "scale": 20.0,
+      "similarity_fct": "cos_sim"
+  }
+  ```
+
+### Evaluation Dataset
+
+#### Unnamed Dataset
+
+
+* Size: 71 evaluation samples
+* Columns: <code>anchor</code> and <code>positive</code>
+* Approximate statistics based on the first 71 samples:
+  |         | anchor                                                                              | positive                                                                          |
+  |:--------|:------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|
+  | type    | string                                                                              | string                                                                            |
+  | details | <ul><li>min: 6 tokens</li><li>mean: 108.54 tokens</li><li>max: 581 tokens</li></ul> | <ul><li>min: 7 tokens</li><li>mean: 14.86 tokens</li><li>max: 28 tokens</li></ul> |
+* Samples:
+  | anchor                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                         | positive                                                         |
+  |:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-----------------------------------------------------------------|
+  | <code>Ackerwildkräuter sind in der heutigen konventionell bewirtschafteten Landschaft selten geworden. Aufgrund der Intensivierung der Landwirtschaft gehören sie zu den gefährdetsten Pflanzengesellschaften in Mitteleuropa. Sie gelten als „Unkräuter“ und sind nicht erwünscht. Allerdings gibt es diese Begleitflora schon seit Beginn des Ackerbaus. Sie stellen eine wichtige Funktion im Okösystem Acker dar. Viele von ihnen bieten Insekten Nahrung in Form von Blüten und sind Lebensraum für viele Wildtiere. Die Blüten bringen - Farbe in die Landschaft, die Pflanzen verfestigen - den Boden und dienen so dem Erosionsschutz. Diverse Ackerwildkräuter sind sogar essbar oder haben heilende Wirkung. </code> | <code>Was sind Ackerwildkräuter?</code>                          |
+  | <code>Wiederherstellung einer artenreichen Ackerflora in der monotonen Ackerlandschaft. Damit einhergehend auch Förderung der Insekten, Vögel und weiteren Wildtieren.</code>                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                  | <code>Was bringt der Schutz von Ackerwildkräutern?</code>        |
+  | <code>Ein wesentlicher Hinderungsgrund könnte die Ackerhygiene sein. Ackerwildkräuter gelten als „Unkräuter“, zudem gibt es auch die Befürchtung von Ertragseinbußen.</code>                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                   | <code>Was spricht gegen den Schutz von Ackerwildkräutern?</code> |
+* Loss: [<code>MultipleNegativesRankingLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters:
+  ```json
+  {
+      "scale": 20.0,
+      "similarity_fct": "cos_sim"
+  }
+  ```
+
+### Training Hyperparameters
+#### Non-Default Hyperparameters
+
+- `eval_strategy`: steps
+- `per_device_train_batch_size`: 16
+- `per_device_eval_batch_size`: 16
+- `learning_rate`: 3e-06
+- `max_steps`: 1000
+
+#### All Hyperparameters
+<details><summary>Click to expand</summary>
+
+- `overwrite_output_dir`: False
+- `do_predict`: False
+- `eval_strategy`: steps
+- `prediction_loss_only`: True
+- `per_device_train_batch_size`: 16
+- `per_device_eval_batch_size`: 16
+- `per_gpu_train_batch_size`: None
+- `per_gpu_eval_batch_size`: None
+- `gradient_accumulation_steps`: 1
+- `eval_accumulation_steps`: None
+- `torch_empty_cache_steps`: None
+- `learning_rate`: 3e-06
+- `weight_decay`: 0.0
+- `adam_beta1`: 0.9
+- `adam_beta2`: 0.999
+- `adam_epsilon`: 1e-08
+- `max_grad_norm`: 1.0
+- `num_train_epochs`: 3.0
+- `max_steps`: 1000
+- `lr_scheduler_type`: linear
+- `lr_scheduler_kwargs`: {}
+- `warmup_ratio`: 0.0
+- `warmup_steps`: 0
+- `log_level`: passive
+- `log_level_replica`: warning
+- `log_on_each_node`: True
+- `logging_nan_inf_filter`: True
+- `save_safetensors`: True
+- `save_on_each_node`: False
+- `save_only_model`: False
+- `restore_callback_states_from_checkpoint`: False
+- `no_cuda`: False
+- `use_cpu`: False
+- `use_mps_device`: False
+- `seed`: 42
+- `data_seed`: None
+- `jit_mode_eval`: False
+- `use_ipex`: False
+- `bf16`: False
+- `fp16`: False
+- `fp16_opt_level`: O1
+- `half_precision_backend`: auto
+- `bf16_full_eval`: False
+- `fp16_full_eval`: False
+- `tf32`: None
+- `local_rank`: 0
+- `ddp_backend`: None
+- `tpu_num_cores`: None
+- `tpu_metrics_debug`: False
+- `debug`: []
+- `dataloader_drop_last`: False
+- `dataloader_num_workers`: 0
+- `dataloader_prefetch_factor`: None
+- `past_index`: -1
+- `disable_tqdm`: False
+- `remove_unused_columns`: True
+- `label_names`: None
+- `load_best_model_at_end`: False
+- `ignore_data_skip`: False
+- `fsdp`: []
+- `fsdp_min_num_params`: 0
+- `fsdp_config`: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
+- `fsdp_transformer_layer_cls_to_wrap`: None
+- `accelerator_config`: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
+- `deepspeed`: None
+- `label_smoothing_factor`: 0.0
+- `optim`: adamw_torch
+- `optim_args`: None
+- `adafactor`: False
+- `group_by_length`: False
+- `length_column_name`: length
+- `ddp_find_unused_parameters`: None
+- `ddp_bucket_cap_mb`: None
+- `ddp_broadcast_buffers`: False
+- `dataloader_pin_memory`: True
+- `dataloader_persistent_workers`: False
+- `skip_memory_metrics`: True
+- `use_legacy_prediction_loop`: False
+- `push_to_hub`: False
+- `resume_from_checkpoint`: None
+- `hub_model_id`: None
+- `hub_strategy`: every_save
+- `hub_private_repo`: 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`: batch_sampler
+- `multi_dataset_batch_sampler`: proportional
+
+</details>
+
+### Training Logs
+| Epoch  | Step | Training Loss | Validation Loss |
+|:------:|:----:|:-------------:|:---------------:|
+| 0.1584 | 16   | 0.632         | -               |
+| 0.3168 | 32   | 0.5394        | -               |
+| 0.4752 | 48   | 0.4463        | -               |
+| 0.6337 | 64   | 0.5024        | -               |
+| 0.7921 | 80   | 0.641         | -               |
+| 0.9505 | 96   | 0.5595        | -               |
+| 0.9901 | 100  | -             | 0.7457          |
+| 1.1089 | 112  | 0.4359        | -               |
+| 1.2673 | 128  | 0.4481        | -               |
+| 1.4257 | 144  | 0.5644        | -               |
+| 1.5842 | 160  | 0.3657        | -               |
+| 1.7426 | 176  | 0.526         | -               |
+| 1.9010 | 192  | 0.4793        | -               |
+| 1.9802 | 200  | -             | 0.7288          |
+| 2.0594 | 208  | 0.5828        | -               |
+| 2.2178 | 224  | 0.4173        | -               |
+| 2.3762 | 240  | 0.4809        | -               |
+| 2.5347 | 256  | 0.4637        | -               |
+| 2.6931 | 272  | 0.502         | -               |
+| 2.8515 | 288  | 0.5129        | -               |
+| 2.9703 | 300  | -             | 0.7152          |
+| 3.0099 | 304  | 0.4433        | -               |
+| 3.1683 | 320  | 0.3589        | -               |
+| 3.3267 | 336  | 0.4861        | -               |
+| 3.4851 | 352  | 0.4709        | -               |
+| 3.6436 | 368  | 0.4372        | -               |
+| 3.8020 | 384  | 0.4782        | -               |
+| 3.9604 | 400  | 0.4677        | 0.7058          |
+| 4.1188 | 416  | 0.5042        | -               |
+| 4.2772 | 432  | 0.5005        | -               |
+| 4.4356 | 448  | 0.4328        | -               |
+| 4.5941 | 464  | 0.4602        | -               |
+| 4.7525 | 480  | 0.4502        | -               |
+| 4.9109 | 496  | 0.3994        | -               |
+| 4.9505 | 500  | -             | 0.6976          |
+| 5.0693 | 512  | 0.4291        | -               |
+| 5.2277 | 528  | 0.5666        | -               |
+| 5.3861 | 544  | 0.4714        | -               |
+| 5.5446 | 560  | 0.4349        | -               |
+| 5.7030 | 576  | 0.3345        | -               |
+| 5.8614 | 592  | 0.3174        | -               |
+| 5.9406 | 600  | -             | 0.6913          |
+| 6.0198 | 608  | 0.4839        | -               |
+| 6.1782 | 624  | 0.5433        | -               |
+| 6.3366 | 640  | 0.4126        | -               |
+| 6.4950 | 656  | 0.4541        | -               |
+| 6.6535 | 672  | 0.3581        | -               |
+| 6.8119 | 688  | 0.3931        | -               |
+| 6.9307 | 700  | -             | 0.6863          |
+| 6.9703 | 704  | 0.4682        | -               |
+| 7.1287 | 720  | 0.4342        | -               |
+| 7.2871 | 736  | 0.5381        | -               |
+| 7.4455 | 752  | 0.4055        | -               |
+| 7.6040 | 768  | 0.3558        | -               |
+| 7.7624 | 784  | 0.318         | -               |
+| 7.9208 | 800  | 0.3926        | 0.6833          |
+| 8.0792 | 816  | 0.3996        | -               |
+| 8.2376 | 832  | 0.3984        | -               |
+| 8.3960 | 848  | 0.4556        | -               |
+| 8.5545 | 864  | 0.354         | -               |
+| 8.7129 | 880  | 0.3261        | -               |
+| 8.8713 | 896  | 0.5176        | -               |
+| 8.9109 | 900  | -             | 0.6814          |
+| 9.0297 | 912  | 0.4186        | -               |
+| 9.1881 | 928  | 0.4077        | -               |
+| 9.3465 | 944  | 0.4186        | -               |
+| 9.5050 | 960  | 0.4862        | -               |
+| 9.6634 | 976  | 0.3857        | -               |
+| 9.8218 | 992  | 0.4086        | -               |
+| 9.9010 | 1000 | -             | 0.6808          |
+
+
+### Framework Versions
+- Python: 3.11.11
+- Sentence Transformers: 3.3.1
+- Transformers: 4.47.1
+- PyTorch: 2.5.1+cu121
+- Accelerate: 1.2.1
+- Datasets: 3.2.0
+- 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",
+}
+```
+
+#### MultipleNegativesRankingLoss
+```bibtex
+@misc{henderson2017efficient,
+    title={Efficient Natural Language Response Suggestion for Smart Reply},
+    author={Matthew Henderson and Rami Al-Rfou and Brian Strope and Yun-hsuan Sung and Laszlo Lukacs and Ruiqi Guo and Sanjiv Kumar and Balint Miklos and Ray Kurzweil},
+    year={2017},
+    eprint={1705.00652},
+    archivePrefix={arXiv},
+    primaryClass={cs.CL}
+}
+```
+
+<!--
+## Glossary
+
+*Clearly define terms in order to be accessible across audiences.*
+-->
+
+<!--
+## Model Card Authors
+
+*Lists the people who create the model card, providing recognition and accountability for the detailed work that goes into its construction.*
+-->
+
+<!--
+## Model Card Contact
+
+*Provides a way for people who have updates to the Model Card, suggestions, or questions, to contact the Model Card authors.*
+-->

adapter_config.json

@@ -0,0 +1,32 @@
+{
+  "alpha_pattern": {},
+  "auto_mapping": null,
+  "base_model_name_or_path": "Snowflake/snowflake-arctic-embed-l-v2.0",
+  "bias": "none",
+  "eva_config": null,
+  "exclude_modules": null,
+  "fan_in_fan_out": false,
+  "inference_mode": false,
+  "init_lora_weights": true,
+  "layer_replication": null,
+  "layers_pattern": null,
+  "layers_to_transform": null,
+  "loftq_config": {},
+  "lora_alpha": 32,
+  "lora_bias": false,
+  "lora_dropout": 0.1,
+  "megatron_config": null,
+  "megatron_core": "megatron.core",
+  "modules_to_save": null,
+  "peft_type": "LORA",
+  "r": 8,
+  "rank_pattern": {},
+  "revision": null,
+  "target_modules": [
+    "value",
+    "query"
+  ],
+  "task_type": "FEATURE_EXTRACTION",
+  "use_dora": false,
+  "use_rslora": false
+}

adapter_model.safetensors

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:fa9645aeeb01fe28b4787278a9d313669455ef2e862a6098635acd3810357587
+size 3158808

config_sentence_transformers.json

@@ -0,0 +1,12 @@
+{
+  "__version__": {
+    "sentence_transformers": "3.3.1",
+    "transformers": "4.47.1",
+    "pytorch": "2.5.1+cu121"
+  },
+  "prompts": {
+    "query": "query: "
+  },
+  "default_prompt_name": null,
+  "similarity_fn_name": "cosine"
+}

modules.json

@@ -0,0 +1,20 @@
+[
+  {
+    "idx": 0,
+    "name": "0",
+    "path": "",
+    "type": "sentence_transformers.models.Transformer"
+  },
+  {
+    "idx": 1,
+    "name": "1",
+    "path": "1_Pooling",
+    "type": "sentence_transformers.models.Pooling"
+  },
+  {
+    "idx": 2,
+    "name": "2",
+    "path": "2_Normalize",
+    "type": "sentence_transformers.models.Normalize"
+  }
+]

sentence_bert_config.json

@@ -0,0 +1,4 @@
+{
+  "max_seq_length": 8192,
+  "do_lower_case": false
+}

special_tokens_map.json

@@ -0,0 +1,51 @@
+{
+  "bos_token": {
+    "content": "<s>",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "cls_token": {
+    "content": "<s>",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "eos_token": {
+    "content": "</s>",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "mask_token": {
+    "content": "<mask>",
+    "lstrip": true,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "pad_token": {
+    "content": "<pad>",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "sep_token": {
+    "content": "</s>",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "unk_token": {
+    "content": "<unk>",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  }
+}

tokenizer.json

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:e4f7e21bec3fb0044ca0bb2d50eb5d4d8c596273c422baef84466d2c73748b9c
+size 17083053

tokenizer_config.json

@@ -0,0 +1,62 @@
+{
+  "added_tokens_decoder": {
+    "0": {
+      "content": "<s>",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "1": {
+      "content": "<pad>",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "2": {
+      "content": "</s>",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "3": {
+      "content": "<unk>",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "250001": {
+      "content": "<mask>",
+      "lstrip": true,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    }
+  },
+  "bos_token": "<s>",
+  "clean_up_tokenization_spaces": true,
+  "cls_token": "<s>",
+  "eos_token": "</s>",
+  "extra_special_tokens": {},
+  "mask_token": "<mask>",
+  "max_length": 512,
+  "model_max_length": 8192,
+  "pad_to_multiple_of": null,
+  "pad_token": "<pad>",
+  "pad_token_type_id": 0,
+  "padding_side": "right",
+  "sep_token": "</s>",
+  "stride": 0,
+  "tokenizer_class": "XLMRobertaTokenizer",
+  "truncation_side": "right",
+  "truncation_strategy": "longest_first",
+  "unk_token": "<unk>"
+}