Add new SentenceTransformer model.

.gitattributes

@@ -33,3 +33,5 @@ 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
+unigram.json filter=lfs diff=lfs merge=lfs -text

1_Pooling/config.json

@@ -0,0 +1,10 @@
+{
+  "word_embedding_dimension": 384,
+  "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
+}

README.md

@@ -0,0 +1,461 @@
+---
+base_model: sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2
+datasets: []
+language: []
+library_name: sentence-transformers
+pipeline_tag: sentence-similarity
+tags:
+- sentence-transformers
+- sentence-similarity
+- feature-extraction
+- generated_from_trainer
+- dataset_size:176856
+- loss:ContrastiveLoss
+widget:
+- source_sentence: قاب زنجیر
+  sentences:
+  - قاب زنجیر هارلی
+  - جارو شارژی عصایی g6 جارو شارژی اورجینال swivel sweeper g2 جارو شارژی سوئیول سوئیپر
+    Swivel Sweeper G6 جارو شارژی G6 جارو شارژی جی 6 جارو شارژی Swivel Sweeper
+  - Bitmain Antminer T17+ 64Th ASIC Miner دستگاه ماینر بیت مین Antminer T17+ 64Th
+- source_sentence: سنگ فرز
+  sentences:
+  - سنگ فرز آهنگری پوکا g1802 فرز آهنگری پوکا مدل Pukka G1802 سنگ فرز پوکا مدل G1802
+    فرز آهنگری 180 میلیمتری پوکا Pukka G1802 فرز آهنگری 2100 وات پوکا مدل PUKKA G1802
+    سنگ فرز اهنگری پوکا 1802 فرز آهنگری 2100 وات پوکا مدل Pukka G1802 فرز آهنگری کلید
+    بغل 2100 وات پوکا مدل G1802 فرز آهنگری کلید بقل پوکا مدل G1802 سنگفرزG1802 فرز
+    آهنگری 2100 وات پوکا مدل G1802 سنگ فرز آهنگری 2100 وات پوکا مدل g1802 فرز آهنگری
+    پوکا G1802 فرز آهنگری پوکا 2100 وات مدل G1802 Pukka G1802 Smithery Angle Grinder
+    فرز آهنگری پوکا 2100 وات G1802 سنگ فرز پوکا Pukka مدل G1802 فرز آهنگری پوکا مدل
+    G1802 سنگ فرز آهنگری پوکا مدل G1802 سنگ فرز آهنگری برقی 2100 وات پوکا مدل AG1802
+    فرز آهنگری مدل G1802 پوکا Pukka Angle Grinder G1802 سنگ فرز آهنگری پوکا G1802
+    فرزآهنگری پوکا مدل G1802
+  - کیف مدرسه  کوله مدرسه  کوله دخترانه  کوله پسرانه  کیف دخترانه  کیف پسرانه  کیف
+    مدرسه دخترانه  کوله مدرسه دخترانه »
+  - توپ بسکتبال نایکی مدل Versa tack رنگ آبی سایز 7 توپ بسکتبال نایک سبز توپ بسکتبال
+    بتا مدلVersa tackسایز7|زرد توپ بسکتبال لاستیکی بتا سایز7 – VERSA-TACK توپ بسکتبال
+    نایک Nike Versa Tack Basketball Yellow توپ بسکتبال بتا مدل Versa tack سایز 7|قرمز
+    توپ بسکتبال نایکی رنگ خاکستری مدلVersatackسایز7 توپ بسکتبال بتا مدل Versa tack
+    سایز 7|آبی VERSA TACK7  Basketball  Ball توپ بسکتبال بتا مدل Versa tack سایز 7|سبز
+    توپ بسکتبال پلاستیکی بتا مدل VERSA TACK7 توپ بسکتبال  نایکی مدل Versa tack رنگ
+    زرد سایز 7 توپ بسکتبال لاستیکی نایک | nike مدل versa tack توپ بسکتبال نایک Nike
+    Versa Tack Basketball Green توپ بسکتبال نایک Nike Versa Tack Basketball Blue توپ
+    بسکتبال نایکی رنگ سبز مدلVersatackسایز7 توپ بسکتبال نایکی مدل VERSA TACK | اورجینال
+    توپ بسکتبال بتا مدل Versa tack سایز 7|خاکستری
+- source_sentence: چاقو کلمبیا
+  sentences:
+  - برنج هندی gtc برنج هندی جی تی سی مقدار 10 کیلوگرم برنج GTC هندی (10کلویی) برنج
+    هندی  GTC. اصل باسماتی 1121. ( 10 کیلوگرمی) برنج هندی باسماتی GTC مقدار 10 کیلوگرم
+    برنج هندی درجه یک GTC برنج هندی GTC برنج دانه بلند درجه یک هندی باسماتی با وزن
+    10 کیلوگرم برنج هندی gtc 10 کیلوگرم
+  - 'مودم روتر ADSL2 Plus بی سیم N300 تی پی-لینک مدلTD-8961N-V1 مودم تی پی لینکW8961N_V3گارانتی
+    پارس ارتباط مودم روتر  بی‌سیم تی پی-لینک مدل 8961 ورژن 4 گارانتی 3ساله مودم روتر
+    ADSL2 Plus بی‌سیم N300 تی پی-لینک مدل TP-Link TD W8961N V1 مودم  ADSL2 Plus تی
+    پی لینک مدل N300 TD-W8961N_V1 مودم روتر ADSL2 Plus مدل TD-W8961N_V4 مودم روتر
+    ADSL2 Plus تی پی-لینک مدل TD-W8961N_V6 مودم روتر +ADSL2 تی پی-لینک مدل TD-W8961N-V4
+    ورژن 4 مودم تی پی لینک مدل 8961ورژن4 اورجینال با ارسال رایگان مودم روتر +ADSL2
+    بی‌سیم N300 تی پی-لینک TD-W8961N_v4 مودم وای فای Tp-link 8961n ورژن ۴ قیمت خرید
+    TP-Link TD-W8961N  Wireless N  Modem Router مودم روتر ADSL2 Plus بی‌سیم N300 تی
+    پی-لینک مدلTD-W8961N_V4 ورژن4 مودم روتر بی‌سیم تی پی لینک مدل 8961 ورژن 4 مودم
+    روتر ��ی پی-لینک ADSL2 Plus بی‌ سیم N300 مدل TD-W8961N_V1 مودم روتر ADSL2 وایرلس
+    تی پی- لینک مدل TD-W8961N_Ver 4.0 مودم و روتر تی پی لینک | مدل TD-W8961N ا TP-LINK
+    TD-W8961N ADSL2 Plus Wireless N300 Modem Router مودم W8961N ورژن 4 TP-LINK TD-W8961N_V4.0
+    ADSL2 Plus Wireless N300 Modem Router مودم روتر بی سیم سری TD-W8961N ADSL2 Plus
+    ورژن ۴ مودم 8961 tp link نسل 4 فایل فلش مودم تی پی لینک TP-Link TD-W8961N V3 Tplink
+    TD-w8961n مودم روتر ADSL2 Plus tp-link W8961N V1 تی پی لینک مودم روتر ADSL2 Plus
+    بی‌سیم N300 تی پی-لینک مدل TD-W8961N_V4 مودم روتر ADSL2 Plus بی‌سیم N300 تی پی-لینک
+    مدل TD-W8961N-V 4 مودم روتر ADSL بی سیم تی پی لینک مدل TD-W8961N ورژن 4 با گارانتی
+    مودم روتر ADSL2 Plus بی‌سیم تی پی-لینک مدل TD-W8961N_V1 مودم .TP-Link TD-W8961N
+    مودم روتر بی‌سیم ای دی اس ال  تی پی-لینک مدل  TP-LINK ADSL TD-W8961 مودم روتر
+    ADSL2 Plus بی‌سیم N300 تی پی-لینک مدل TD-W8961N V4 مودم روتر ADSL2 Plus بی‌سیم
+    N300 تی پی-لینک مدل TD-W8961N v4.0 EU مودم روتر TP-LINK TD8961N مودم تی پی لینک
+    مدل TD-W8961N-V4 مودم روتر ADSL تی پی لینک مدل TD-W8961n TP-LINK TD-W8961N ADSL2
+    Plus Wireless N300 Modem Router مودم روتر ADSL2 Plus بی‌سیم N300 تی پی-لینک مدل
+    TD-W8961N_V4.0 مودم روتر تی پلینک td w8961n ورژن 4 مودم Tp-link TD-W8961N گارانتی
+    3ساله TP-LINK TD-W8961N_V1 ADSL2 Plus Wireless N300 Modem Router مودم روتر ADSL2
+    Plus بی‌سیم N300 تی پی لینک مدل TD_W8961N _Ver 4.0 300Mbps TP-LINK TD_W8961N _Ver
+    4.0 300Mbps Wireless N ADSL2+ Modem Router مودم روتر ADSL2 تی پی-لینک TD W8961N
+    V4 گارانتی مودم تی پی لینک ۸۹۶۱ TD-W8961N مودم روتر +ADSL2 تی پی-لینک مودم روتر
+    +ADSL2 بی‌سیم N300 تی پی لینک مدل TD-W8961N_V1 مودم روتر +ADSL2 تی پی-لینک مدل
+    TD-W8961N مودم روتر ADSL2 Plus بی‌سیم TP-Link مدل TD-W8961N کد 7433 مودم روتر
+    tp-link مدل W8961N ورژن 4 رنگ سفید 2 آنتن مودم ADSL2+ تی پی-لینک مدل TD-W8961N
+    گارانتی 3سال مودم تی پی لینک مدل TD W8961N V1 مودم تی پی لینک 8961n مودم روتر
+    ADSL2 Plus بی‌سیم N300 تی پی لینک مدل TD-W8961N_V1 مودم دوآنتن  tp-link 8961 با
+    3 سال گارانتی مودم روتر تی پی لینک مدل TP-LINK TD-W8961N - TD-W8961N ADSL2 Plus
+    Wireless N300 Modem Router مودم تی پی لینک 8961N ورژن 4 با گارانتی 12 ماهه مودم
+    روتر بی‌سیم تی پی-لینک مدل TD-W8961N مودم روتر بی سیم ADSL2 Plus مدل TD-W8961N
+    ورژن 4 TP-LINK TD-W8961N_V1 مودم و روتر بی سیم +ADSL2 تی پی لینک مدل TP-Link TD-W8961N
+    (Ver 4.0) مودم روتر ADSL تی پی لینک مدل W8961N V4 (ضمانت 3 سال پارس ارتباط) مودم
+    ADSL تی پی لینک مدل 8961N (گارانتی یکساله ایویز) TP-LINK TD_W8961N _Ver 4.0 300Mbps
+    Wireless N ADSL2+ Modem Router مودم مودم روتر ADSL2 Plus بی‌سیم N300 تی پی-لینک
+    مدل TPLink TD-W8961N_V1 در بروزکالا مودم روتر ADSL2 Plus بی‌سیم N300 تی پی-لینک
+    مدل TD-W8961N_V1 مودم روتر tp-link W8961N مودم روتر تی پی لینک مدل TD-W8961N مودم
+    تی پی لینک 8961 (سه سال گارانتی پارس ارتباط) مودم روتر +ADSL2 تی پی-لینک مدل TD-W8961N_V4|پارس
+    تک مودم روتر  TP-LINK TD-W8961N V1 ADSL2 Plus Wireless N300 Modem RouterD W8961N
+    V1 مودم روتر ADSL 2+ تی پی لینک مدل – tp-link TD-W8961N مودم ADSL تی پی-لینک N300
+    مدل TD-W8961N_V1 مودم روتر ADSL2 Plus بی‌سیم تی پی-لینک مدل TD-W8961N_V4 مودم
+    روتر تی پی لینک 8961 | TP-LINK TD-W8961N ADSL2 Plus Wireless N300 Modem Router
+    TP-LINK TD-W8961N_V4 مودم روتر +ADSL2 تی پی لینک مدل TD-W8961N_V4 مودم روتر ADSL2
+    Plus بی‌سیم N300 تی پی لینک مدل TD W8961N V1 مودم روتر ADSL2 Plus بی‌سیم N300
+    تی پی-لینک مدل TD-W8961N_V1 شرکتی ADSL2 Plus Wireless N300 Router Modem TP-Link
+    Model TD-W8961N_V1 مودم روتر بی‌سیم تی پی لینک مدل W8961N-V4 (آخرین ورژن) مودم
+    روتر ADSL2 Plus بی‌سیم N300 تی پی-لینک مدل Modem Router TP-LINK TD-W8961N_V1 مودم
+    روتر ADSL2 Plus بی‌سیم N300 تی پی-لینک مدل TD-W8961N_V1 سه سال گارانتی TP-Link
+    TD-W8961N V3 Modem: TP-Link TD-W8961N مودم روتر ADSL2 Plus بی‌سیم N300 تی پی-لینک
+    مدل TP-LINK TD-W8961N_V1 TP-LINK TD-W8961N  Ver 4.0 EU مودم تی پی لینک 8961 سه
+    سال گارانتی مودم روتر تی پی لینک مدل TP-LINK TD-W8961N – V4.0 TD-W8961N ADSL2
+    Plus Wireless مودم روتر ADSL2 Plus بی‌سیم N300 تی پی-لینک مدل TD-W8961N_V1 گارانتی
+    پارس ارتباط مودم روتر +ADSL2 تی پی-لینک مدل TD-W8961N_V4 مودم روتر ADSL2 Plus
+    بی‌سیم N300 تی پی-لینک مدل TD-W8961N ورژن 4.0 روتر مودم TP-Link مدل W8961N V4
+    مودم تی پی لینک مدل TD-W8961N ورژن 4 Modem wireless router ADSLTP-link model TD-W8961
+    TP-LINK TD-W8961N_V4 ADSL2 Plus Wireless N300 Modem Router مودم روتر ADSL2Plusبی
+    سیمN300تی پی-لینک مدلTD-W8961N_V3 قیمت ویژه مودم ADSL2 Plus بی‌سیم N300 تی پی-لینک
+    مدل TD-W8961N_V4 مودم روتر ADSL2 Plus بی سیم N300 تی پی لینک مدل 8961 ورژن4 مودم
+    روتر ADSL2 Plus بی سیم N300 تی پی-لینک مدل TD-W8961N_V1 TD-W8961N ADSL2+ Wireless
+    N300 Modem Router مودم روتر ADSL2 Plus بی‌سیم N300 تی پی-لینک مدل TD-W8961N_V1
+    - گارانتی ۳ ساله مودم روتر ADSL2 Plus بی‌سیم N300 تی پی لینک TP-LINK TD-W8961N
+    مودم روتر ADSL2 Plus بی‌سیم N300 تی پی-لینک مدل TD-W8961N_V1 گارانتی دارد مودم
+    Adsl Tplink 8961 v.4 TP-LINK TD-W8961N 300Mbps Wireless N ADSL2+ Modem Router
+    Ver 4.0 مودم_TP_LINK_8961 مودم روتر تی پی لینک TPLINK ADSL2 Plus بی سیم N300 مدل
+    TD-W8961N ورژن 4 با یک سال گارانتی شرکتی مودم TP-LINK TD-W8961N_V4 پک 10 عددی،هزینه
+    ارسال محاسبه شده است مودم روتر بیسیم تی پی لینک TD-W8961N ورژن4 مودم روتر تی پی
+    لینک TPLINK ADSL2 Plus بی سیم N300 مدل TD-W8961N ورژن 4 بدون گارانتی مودم روتر  تی
+    پی لینک مدل TD-W8961NTP-LINK  ورژن 4   ارسال رایگان مودم روتر ADSL2 Plus بی‌سیم
+    N300 تی پی لینک مدل TD-W8961N V4 مودم tplink adsl 8961 v.4 Modem TP-Link TD-8961N
+    | مودم روتر بی سیم ای دی اس ال تی پی لینک مودم روتر تی پی لینک مدل +TP-LINK TD_W8961N
+    _Ver 4.0 300Mbps Wireless N ADSL2 مودم تی پی لینک TP-LINK W8961N VER:4.0 مودم
+    روتر +ADSL2 بی‌سیم N300 تی پی لینک مدل TD-W8961N-V1 مودم روتر +ADSL2 تی پی-لینک
+    مدل TD-W8961N V4 مودم روتر بی‌سیم ADSL2 Plus تی پی-لینک مدل W8961N /سه سال گارانتی
+    مودم adsl 8961 ورژن 4 tp link 8961 modem مودم روتر +ADSL2 بی سیم تی پی لینک TD-W8961N
+    V1 مودم دو انتن TPlink 8961 مودم روتر وایرلس تی پی لینک مدل TD-W8961N مودم روتر
+    +ADSL۲ و بی‌سیم تی پی-لینک ورژن 4-مدل TD-W۸۹۶۱N مودم روتر ADSL2 Plus تی پی-لینک
+    TD-W8961N_V1 مودم روتر ADSL  تی پی لینک مدل W8961N V4 مودم روتر ADSL2 Plus بی
+    سیم N300 مدل TD-W8961N مودم روتر TP-Link مدل TD-W8961N ورژن 4.0 مودم ADSL2 Plus
+    تی پی-لینک ورژن TD-W8961N Version 4 مودم روتر ADSL2 Plus بی‌سیم N300 تی‌پی لینک
+    مدل TD-W8961N_V1 مودم روتر +ADSL2 بیسیم 300Mbps تی پی لینک مدل TD-W8961N مودم
+    TP-LINK TD-W8961N_V4 پک 5 عددی،هزینه ارسال محاسبه شده است مودم تی پی لینک  مدل
+    8961nوایرلس دو آنتن چهار پورت ورژن 4 مودم روتر ADSL2 Plus بی‌سیم N300 تی پی-لینک
+    مدل TD-W8961Nورژن 4 مودم  ADSL TP-link TD-W8961N-V4 مودم روتر تی پی لینک مدل 8961
+    مودم روتر ADSL2 plus بی سیم N300 تی پی - لینک مدل TD-W8961N-V1 مودم آکبند TP-LINK
+    8961با 3 سال گارانتی مودم تی پی لینک تی دی دبلیو 8961  ان مودم روتر tp-link مدل
+    TD-W8961N TP-LINK TD-W8961N (EU) Ver 4.0 مودم روتر  ADSL2 تی پی لینک (TP LINK)
+    مدل TD- W8961N -V4 مودم روتر تی پی لینک مدل TP-LINK TD-W8961N V4 مودم روتر ADSL2
+    Plus   N300 تی پی لینک 8961N ورژن4 مودم TP Link TD W8961N مودم روتر ADSL2 plus
+    تی پی-لینک مدل TD-W8961NV4 مودم روتر تی پی لینک مدل TD-W8961N_V1 مودم تی پی-لینک
+    TD W8961N V1'
+  - چاقو سفری کلمبیا
+- source_sentence: مت یوگا
+  sentences:
+  - ونس دخترانه  ونس زنانه  کتوني طبي کتوني زنانه  کتاني کفش زنانه  کفش اسپرت   کفش
+    طبي   اسپرت بندي   ونس بندي  ونس ... ونس دخترانه  ونس زنانه  کتونی طبی کتونی زنانه  کتانی
+    کفش زنانه  کفش اسپرت   کفش طبی   اسپرت بندی   ونس بندی  ونس اسپرت
+  - زیرانداز یوگا شش میل ، مت ورزشی شیش میل ، مت یوگا ضخامت 6 میلی متر سبز Six-mile
+    yoga mat, six-mile sports mat زیرانداز یوگا شش میل ، مت ورزشی شیش میل ، مت یوگا
+    ضخامت 6 میلی متر مشکی زیرانداز یوگا شش میل ، مت ورزشی شیش میل ، مت یوگا ضخامت
+    6 میلی متر بنفش زیرانداز یوگا شش میل ، مت ورزشی شیش میل ، مت یوگا ضخامت 6 میلی
+    متر زیرانداز یوگا شش میل ، مت ورزشی شیش میل ، مت یوگا ضخامت 6 میلی متر زرشکی زیرانداز
+    یوگا شش میل ، مت ورزشی شیش میل ، مت یوگا ضخامت 6 میلی متر آبی
+  - شکر پاش پاشاباغچه 80078 شکرپاش پاشاباغچه کد 80078 Pasabahce 80078 Sugar Shaker
+    شکرپاش پاشاباغچه
+- source_sentence: سپر جلو 405
+  sentences:
+  - مانع پرش 40 سانتی مانع تمرین پرش مدل S217
+  - سرویس قاشق و چنگال ۲۴ پارچه ایکیا سرویس قاشق چنگال IKEA مدل FORNUFT سرویس قاشق
+    چنگال 6 نفره FORNUFT ایکیا سرویس قاشق و چنگال ایکیا FORNUFT سرویس قاشق و چنگال
+    ایکیا 24 پارچه مدل FORNUFT سرویس قاشق چنگال و کارد 24 پارچه ایکیا FORNUFT
+  - سپر جلو 405
+---
+
+# SentenceTransformer based on sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2
+
+This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2](https://huggingface.co/sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2). It maps sentences & paragraphs to a 384-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:** [sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2](https://huggingface.co/sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2) <!-- at revision bf3bf13ab40c3157080a7ab344c831b9ad18b5eb -->
+- **Maximum Sequence Length:** 128 tokens
+- **Output Dimensionality:** 384 tokens
+- **Similarity Function:** Cosine Similarity
+<!-- - **Training Dataset:** Unknown -->
+<!-- - **Language:** Unknown -->
+<!-- - **License:** Unknown -->
+
+### Model Sources
+
+- **Documentation:** [Sentence Transformers Documentation](https://sbert.net)
+- **Repository:** [Sentence Transformers on GitHub](https://github.com/UKPLab/sentence-transformers)
+- **Hugging Face:** [Sentence Transformers on Hugging Face](https://huggingface.co/models?library=sentence-transformers)
+
+### Full Model Architecture
+
+```
+SentenceTransformer(
+  (0): Transformer({'max_seq_length': 128, 'do_lower_case': False}) with Transformer model: BertModel 
+  (1): Pooling({'word_embedding_dimension': 384, '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("DashReza7/sentence-transformers_paraphrase-multilingual-MiniLM-L12-v2_FINETUNED_on_torob_data")
+# Run inference
+sentences = [
+    'سپر جلو 405',
+    'سپر جلو 405',
+    'سرویس قاشق و چنگال ۲۴ پارچه ایکیا سرویس قاشق چنگال IKEA مدل FORNUFT سرویس قاشق چنگال 6 نفره FORNUFT ایکیا سرویس قاشق و چنگال ایکیا FORNUFT سرویس قاشق و چنگال ایکیا 24 پارچه مدل FORNUFT سرویس قاشق چنگال و کارد 24 پارچه ایکیا FORNUFT',
+]
+embeddings = model.encode(sentences)
+print(embeddings.shape)
+# [3, 384]
+
+# 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 Hyperparameters
+#### Non-Default Hyperparameters
+
+- `per_device_train_batch_size`: 64
+- `per_device_eval_batch_size`: 64
+- `learning_rate`: 2e-05
+- `num_train_epochs`: 1
+- `warmup_ratio`: 0.1
+- `fp16`: True
+
+#### All Hyperparameters
+<details><summary>Click to expand</summary>
+
+- `overwrite_output_dir`: False
+- `do_predict`: False
+- `eval_strategy`: no
+- `prediction_loss_only`: True
+- `per_device_train_batch_size`: 64
+- `per_device_eval_batch_size`: 64
+- `per_gpu_train_batch_size`: None
+- `per_gpu_eval_batch_size`: None
+- `gradient_accumulation_steps`: 1
+- `eval_accumulation_steps`: None
+- `learning_rate`: 2e-05
+- `weight_decay`: 0.0
+- `adam_beta1`: 0.9
+- `adam_beta2`: 0.999
+- `adam_epsilon`: 1e-08
+- `max_grad_norm`: 1.0
+- `num_train_epochs`: 1
+- `max_steps`: -1
+- `lr_scheduler_type`: linear
+- `lr_scheduler_kwargs`: {}
+- `warmup_ratio`: 0.1
+- `warmup_steps`: 0
+- `log_level`: passive
+- `log_level_replica`: warning
+- `log_on_each_node`: True
+- `logging_nan_inf_filter`: True
+- `save_safetensors`: True
+- `save_on_each_node`: False
+- `save_only_model`: False
+- `restore_callback_states_from_checkpoint`: False
+- `no_cuda`: False
+- `use_cpu`: False
+- `use_mps_device`: False
+- `seed`: 42
+- `data_seed`: None
+- `jit_mode_eval`: False
+- `use_ipex`: False
+- `bf16`: False
+- `fp16`: True
+- `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`: False
+- `hub_always_push`: False
+- `gradient_checkpointing`: False
+- `gradient_checkpointing_kwargs`: None
+- `include_inputs_for_metrics`: False
+- `eval_do_concat_batches`: True
+- `fp16_backend`: auto
+- `push_to_hub_model_id`: None
+- `push_to_hub_organization`: None
+- `mp_parameters`: 
+- `auto_find_batch_size`: False
+- `full_determinism`: False
+- `torchdynamo`: None
+- `ray_scope`: last
+- `ddp_timeout`: 1800
+- `torch_compile`: False
+- `torch_compile_backend`: None
+- `torch_compile_mode`: None
+- `dispatch_batches`: None
+- `split_batches`: None
+- `include_tokens_per_second`: False
+- `include_num_input_tokens_seen`: False
+- `neftune_noise_alpha`: None
+- `optim_target_modules`: None
+- `batch_eval_metrics`: False
+- `eval_on_start`: False
+- `batch_sampler`: batch_sampler
+- `multi_dataset_batch_sampler`: proportional
+
+</details>
+
+### Training Logs
+| Epoch  | Step | Training Loss |
+|:------:|:----:|:-------------:|
+| 0.1809 | 500  | 0.0271        |
+| 0.3618 | 1000 | 0.0172        |
+| 0.5427 | 1500 | 0.0152        |
+| 0.7236 | 2000 | 0.0141        |
+| 0.9045 | 2500 | 0.0133        |
+
+
+### Framework Versions
+- Python: 3.10.12
+- Sentence Transformers: 3.0.1
+- Transformers: 4.42.4
+- PyTorch: 2.4.0+cu121
+- Accelerate: 0.32.1
+- Datasets: 2.21.0
+- Tokenizers: 0.19.1
+
+## Citation
+
+### BibTeX
+
+#### Sentence Transformers
+```bibtex
+@inproceedings{reimers-2019-sentence-bert,
+    title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",
+    author = "Reimers, Nils and Gurevych, Iryna",
+    booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing",
+    month = "11",
+    year = "2019",
+    publisher = "Association for Computational Linguistics",
+    url = "https://arxiv.org/abs/1908.10084",
+}
+```
+
+#### ContrastiveLoss
+```bibtex
+@inproceedings{hadsell2006dimensionality,
+    author={Hadsell, R. and Chopra, S. and LeCun, Y.},
+    booktitle={2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'06)}, 
+    title={Dimensionality Reduction by Learning an Invariant Mapping}, 
+    year={2006},
+    volume={2},
+    number={},
+    pages={1735-1742},
+    doi={10.1109/CVPR.2006.100}
+}
+```
+
+<!--
+## Glossary
+
+*Clearly define terms in order to be accessible across audiences.*
+-->
+
+<!--
+## Model Card Authors
+
+*Lists the people who create the model card, providing recognition and accountability for the detailed work that goes into its construction.*
+-->
+
+<!--
+## Model Card Contact
+
+*Provides a way for people who have updates to the Model Card, suggestions, or questions, to contact the Model Card authors.*
+-->

config.json

@@ -0,0 +1,26 @@
+{
+  "_name_or_path": "sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2",
+  "architectures": [
+    "BertModel"
+  ],
+  "attention_probs_dropout_prob": 0.1,
+  "classifier_dropout": null,
+  "gradient_checkpointing": false,
+  "hidden_act": "gelu",
+  "hidden_dropout_prob": 0.1,
+  "hidden_size": 384,
+  "initializer_range": 0.02,
+  "intermediate_size": 1536,
+  "layer_norm_eps": 1e-12,
+  "max_position_embeddings": 512,
+  "model_type": "bert",
+  "num_attention_heads": 12,
+  "num_hidden_layers": 12,
+  "pad_token_id": 0,
+  "position_embedding_type": "absolute",
+  "torch_dtype": "float32",
+  "transformers_version": "4.42.4",
+  "type_vocab_size": 2,
+  "use_cache": true,
+  "vocab_size": 250037
+}

config_sentence_transformers.json

@@ -0,0 +1,10 @@
+{
+  "__version__": {
+    "sentence_transformers": "3.0.1",
+    "transformers": "4.42.4",
+    "pytorch": "2.4.0+cu121"
+  },
+  "prompts": {},
+  "default_prompt_name": null,
+  "similarity_fn_name": "cosine"
+}

model.safetensors

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:6e777db23cef5c27d53a8a0116fc0e1465344c36f2fcec838de74d89a6c29c7b
+size 470637416

modules.json

@@ -0,0 +1,14 @@
+[
+  {
+    "idx": 0,
+    "name": "0",
+    "path": "",
+    "type": "sentence_transformers.models.Transformer"
+  },
+  {
+    "idx": 1,
+    "name": "1",
+    "path": "1_Pooling",
+    "type": "sentence_transformers.models.Pooling"
+  }
+]

sentence_bert_config.json

@@ -0,0 +1,4 @@
+{
+  "max_seq_length": 128,
+  "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:cad551d5600a84242d0973327029452a1e3672ba6313c2a3c3d69c4310e12719
+size 17082987

tokenizer_config.json

@@ -0,0 +1,64 @@
+{
+  "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>",
+  "do_lower_case": true,
+  "eos_token": "</s>",
+  "mask_token": "<mask>",
+  "max_length": 128,
+  "model_max_length": 128,
+  "pad_to_multiple_of": null,
+  "pad_token": "<pad>",
+  "pad_token_type_id": 0,
+  "padding_side": "right",
+  "sep_token": "</s>",
+  "stride": 0,
+  "strip_accents": null,
+  "tokenize_chinese_chars": true,
+  "tokenizer_class": "BertTokenizer",
+  "truncation_side": "right",
+  "truncation_strategy": "longest_first",
+  "unk_token": "<unk>"
+}

unigram.json

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:da145b5e7700ae40f16691ec32a0b1fdc1ee3298db22a31ea55f57a966c4a65d
+size 14763260