Add new SentenceTransformer model

1_Pooling/config.json

@@ -0,0 +1,10 @@
+{
+  "word_embedding_dimension": 312,
+  "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 +1,489 @@
+---
+tags:
+- sentence-transformers
+- sentence-similarity
+- feature-extraction
+- generated_from_trainer
+- dataset_size:1473
+- loss:CosineSimilarityLoss
+base_model: sergeyzh/rubert-mini-frida
+widget:
+- source_sentence: А если я ИП или самозанятый, получу ли я софинансирование по ПДС?
+  sentences:
+  - Возможны программы 'Ипотека без ПВ под залог имеющегося жилья' или 'Нецелевой
+    кредит под залог'.
+  - В чем разница между именной и моментальной кредитной картой?
+  - Да, ИП и самозанятые могут получать софинансирование по ПДС.
+- source_sentence: При расторжении договора ПДС сроком до 2 лет возвращается 100%
+    внесенных средств.
+  sentences:
+  - Софинансирование по ПДС зависит от дохода...
+  - Софинансирование по ПДС — это возможность получить финансовую поддержку от государства
+    на личные взносы.
+  - При расторжении договора ПДС сроком от 2 до 7 лет возвращается 100% внесенных
+    средств и 100% дохода от инвестирования.
+- source_sentence: Страхование жизни и здоровья (Лайф) при ипотеке добровольное, но
+    отказ может повлиять на ставку.
+  sentences:
+  - При выполнении определенных условий, участник ПДС имеет право на возврат подоходного
+    налога до 88 000 рублей ежегодно...
+  - В каких случаях необходимо нотариальное согласие супруга на передачу недвижимости
+    в залог по ипотечному договору?
+  - Оформление полиса страхования жизни и здоровья для ипотеки является добровольным,
+    однако отказ от него может отразиться на процентной ставке.
+- source_sentence: Какие возможности есть для оплаты кредитной картой Сбера через
+    Apple Pay или Google Pay?
+  sentences:
+  - Что представляет собой ипотека?
+  - Кредитная карта Сбера выпускается на пластике международной платежной системы
+    МИР.
+  - Случаи применения двухвизитной схемы ипотечной сделки включают Военную ипотеку,
+    объекты в залоге, нотариально удостоверяемые сделки, операции по доверенности,
+    с участием нерезидентов, с предоставлением иного залога, а также ИЖС с использованием
+    эскроу-счетов...
+- source_sentence: Что такое минимальная гарантированная ставка по вкладу?
+  sentences:
+  - Нужно ли предоставлять документы о доходах при оформлении ипотеки по программе
+    'Отказ от финансовых документов'?
+  - Допускается ли внесение средств на счет ПДС с банковской карты, принадлежащей
+    другому лицу?
+  - Минимальная гарантированная ставка указывается на первой странице договора вклада
+    и определяет минимальный доход при хранении вклада до конца срока.
+pipeline_tag: sentence-similarity
+library_name: sentence-transformers
+metrics:
+- cosine_accuracy
+- cosine_accuracy_threshold
+- cosine_f1
+- cosine_f1_threshold
+- cosine_precision
+- cosine_recall
+- cosine_ap
+- cosine_mcc
+model-index:
+- name: SentenceTransformer based on sergeyzh/rubert-mini-frida
+  results:
+  - task:
+      type: binary-classification
+      name: Binary Classification
+    dataset:
+      name: binary sts validation
+      type: binary-sts-validation
+    metrics:
+    - type: cosine_accuracy
+      value: 0.8157181571815718
+      name: Cosine Accuracy
+    - type: cosine_accuracy_threshold
+      value: 0.6679937839508057
+      name: Cosine Accuracy Threshold
+    - type: cosine_f1
+      value: 0.8382978723404255
+      name: Cosine F1
+    - type: cosine_f1_threshold
+      value: 0.5157450437545776
+      name: Cosine F1 Threshold
+    - type: cosine_precision
+      value: 0.7519083969465649
+      name: Cosine Precision
+    - type: cosine_recall
+      value: 0.9471153846153846
+      name: Cosine Recall
+    - type: cosine_ap
+      value: 0.8755934249907517
+      name: Cosine Ap
+    - type: cosine_mcc
+      value: 0.5938990835056142
+      name: Cosine Mcc
+---
+
+# SentenceTransformer based on sergeyzh/rubert-mini-frida
+
+This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [sergeyzh/rubert-mini-frida](https://huggingface.co/sergeyzh/rubert-mini-frida). It maps sentences & paragraphs to a 312-dimensional dense vector space and can be used for semantic textual similarity, semantic search, paraphrase mining, text classification, clustering, and more.
+
+## Model Details
+
+### Model Description
+- **Model Type:** Sentence Transformer
+- **Base model:** [sergeyzh/rubert-mini-frida](https://huggingface.co/sergeyzh/rubert-mini-frida) <!-- at revision 32a82388a9f99c99eca74494731f7ee6e9a9fe3a -->
+- **Maximum Sequence Length:** 2048 tokens
+- **Output Dimensionality:** 312 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': 2048, 'do_lower_case': False}) with Transformer model: BertModel 
+  (1): Pooling({'word_embedding_dimension': 312, '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})
+  (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("George2002/duplicates_checker_v1")
+# Run inference
+sentences = [
+    'Что такое минимальная гарантированная ставка по вкладу?',
+    'Минимальная гарантированная ставка указывается на первой странице договора вклада и определяет минимальный доход при хранении вклада до конца срока.',
+    'Допускается ли внесение средств на счет ПДС с банковской карты, принадлежащей другому лицу?',
+]
+embeddings = model.encode(sentences)
+print(embeddings.shape)
+# [3, 312]
+
+# Get the similarity scores for the embeddings
+similarities = model.similarity(embeddings, embeddings)
+print(similarities.shape)
+# [3, 3]
+```
+
+<!--
+### Direct Usage (Transformers)
+
+<details><summary>Click to see the direct usage in Transformers</summary>
+
+</details>
+-->
+
+<!--
+### Downstream Usage (Sentence Transformers)
+
+You can finetune this model on your own dataset.
+
+<details><summary>Click to expand</summary>
+
+</details>
+-->
+
+<!--
+### Out-of-Scope Use
+
+*List how the model may foreseeably be misused and address what users ought not to do with the model.*
+-->
+
+## Evaluation
+
+### Metrics
+
+#### Binary Classification
+
+* Dataset: `binary-sts-validation`
+* Evaluated with [<code>BinaryClassificationEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.BinaryClassificationEvaluator)
+
+| Metric                    | Value      |
+|:--------------------------|:-----------|
+| cosine_accuracy           | 0.8157     |
+| cosine_accuracy_threshold | 0.668      |
+| cosine_f1                 | 0.8383     |
+| cosine_f1_threshold       | 0.5157     |
+| cosine_precision          | 0.7519     |
+| cosine_recall             | 0.9471     |
+| **cosine_ap**             | **0.8756** |
+| cosine_mcc                | 0.5939     |
+
+<!--
+## 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: 1,473 training samples
+* Columns: <code>sentence1</code>, <code>sentence2</code>, and <code>label</code>
+* Approximate statistics based on the first 1000 samples:
+  |         | sentence1                                                                         | sentence2                                                                         | label                                           |
+  |:--------|:----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:------------------------------------------------|
+  | type    | string                                                                            | string                                                                            | int                                             |
+  | details | <ul><li>min: 6 tokens</li><li>mean: 19.16 tokens</li><li>max: 58 tokens</li></ul> | <ul><li>min: 7 tokens</li><li>mean: 21.22 tokens</li><li>max: 66 tokens</li></ul> | <ul><li>0: ~42.40%</li><li>1: ~57.60%</li></ul> |
+* Samples:
+  | sentence1                                                                                  | sentence2                                                                                                                         | label          |
+  |:-------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------------------------------------------|:---------------|
+  | <code>Какие средства не подлежат списанию по исполнительным документам?</code>             | <code>Как погасить кредит, если счет арестован?</code>                                                                            | <code>0</code> |
+  | <code>В случае изменения реквизитов необходимо сообщить в Фонд не позднее 7 дней...</code> | <code>В случае изменения реквизитов необходимо сообщить в Фонд не позднее 10 дней...</code>                                       | <code>0</code> |
+  | <code>Как активировать карту Сбера, чтобы начать ей пользоваться?</code>                   | <code>После получения кредитной карты никаких дополнительных действий совершать не требуется, можно сразу ей пользоваться.</code> | <code>1</code> |
+* Loss: [<code>CosineSimilarityLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#cosinesimilarityloss) with these parameters:
+  ```json
+  {
+      "loss_fct": "torch.nn.modules.loss.MSELoss"
+  }
+  ```
+
+### Evaluation Dataset
+
+#### Unnamed Dataset
+
+* Size: 369 evaluation samples
+* Columns: <code>sentence1</code>, <code>sentence2</code>, and <code>label</code>
+* Approximate statistics based on the first 369 samples:
+  |         | sentence1                                                                         | sentence2                                                                         | label                                           |
+  |:--------|:----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:------------------------------------------------|
+  | type    | string                                                                            | string                                                                            | int                                             |
+  | details | <ul><li>min: 6 tokens</li><li>mean: 18.25 tokens</li><li>max: 47 tokens</li></ul> | <ul><li>min: 7 tokens</li><li>mean: 20.62 tokens</li><li>max: 61 tokens</li></ul> | <ul><li>0: ~43.63%</li><li>1: ~56.37%</li></ul> |
+* Samples:
+  | sentence1                                                                                                                                | sentence2                                                                                                                                                                                           | label          |
+  |:-----------------------------------------------------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------|
+  | <code>Можно ли забрать деньги из программы долгосрочного сбережения ПДС?</code>                                                          | <code>Да, можно при достижении оснований (15 лет, возраст 55/60, особые ситуации) или досрочно согласно таблице выкупных сумм.</code>                                                               | <code>1</code> |
+  | <code>Минимальный взнос после вступле��ия в программу ПДС (на этапе накопления) - 1 000 рублей.</code>                                    | <code>Минимальный взнос после вступления в программу ПДС (на этапе накопления) - 1 500 рублей.</code>                                                                                               | <code>0</code> |
+  | <code>Закрыть вклад или счет можно в СберБанк Онлайн или в офисе Сбера; при досрочном закрытии срочного вклада теряются проценты.</code> | <code>Прекратить действие вклада или счета можно через интернет-банк СберБанк Онлайн либо в отделении банка; в случае досрочного закрытия срочного вклада начисленные проценты аннулируются.</code> | <code>1</code> |
+* Loss: [<code>CosineSimilarityLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#cosinesimilarityloss) with these parameters:
+  ```json
+  {
+      "loss_fct": "torch.nn.modules.loss.MSELoss"
+  }
+  ```
+
+### Training Hyperparameters
+#### Non-Default Hyperparameters
+
+- `eval_strategy`: steps
+- `per_device_train_batch_size`: 32
+- `per_device_eval_batch_size`: 16
+- `learning_rate`: 5e-06
+- `num_train_epochs`: 10
+- `warmup_ratio`: 0.1
+- `load_best_model_at_end`: True
+- `batch_sampler`: no_duplicates
+
+#### 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`: 32
+- `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`: 5e-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`: 10
+- `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`: False
+- `fp16_opt_level`: O1
+- `half_precision_backend`: auto
+- `bf16_full_eval`: False
+- `fp16_full_eval`: False
+- `tf32`: None
+- `local_rank`: 0
+- `ddp_backend`: None
+- `tpu_num_cores`: None
+- `tpu_metrics_debug`: False
+- `debug`: []
+- `dataloader_drop_last`: False
+- `dataloader_num_workers`: 0
+- `dataloader_prefetch_factor`: None
+- `past_index`: -1
+- `disable_tqdm`: False
+- `remove_unused_columns`: True
+- `label_names`: None
+- `load_best_model_at_end`: True
+- `ignore_data_skip`: False
+- `fsdp`: []
+- `fsdp_min_num_params`: 0
+- `fsdp_config`: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
+- `fsdp_transformer_layer_cls_to_wrap`: None
+- `accelerator_config`: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
+- `deepspeed`: None
+- `label_smoothing_factor`: 0.0
+- `optim`: adamw_torch
+- `optim_args`: None
+- `adafactor`: False
+- `group_by_length`: False
+- `length_column_name`: length
+- `ddp_find_unused_parameters`: None
+- `ddp_bucket_cap_mb`: None
+- `ddp_broadcast_buffers`: False
+- `dataloader_pin_memory`: True
+- `dataloader_persistent_workers`: False
+- `skip_memory_metrics`: True
+- `use_legacy_prediction_loop`: False
+- `push_to_hub`: False
+- `resume_from_checkpoint`: None
+- `hub_model_id`: None
+- `hub_strategy`: every_save
+- `hub_private_repo`: 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
+| Epoch  | Step | Training Loss | Validation Loss | binary-sts-validation_cosine_ap |
+|:------:|:----:|:-------------:|:---------------:|:-------------------------------:|
+| 0.2553 | 12   | 0.217         | -               | -                               |
+| 0.5106 | 24   | 0.22          | -               | -                               |
+| 0.7660 | 36   | 0.1985        | -               | -                               |
+| 1.0213 | 48   | 0.2037        | -               | -                               |
+| 1.0638 | 50   | -             | 0.2223          | 0.7656                          |
+| 1.2766 | 60   | 0.205         | -               | -                               |
+| 1.5319 | 72   | 0.1976        | -               | -                               |
+| 1.7872 | 84   | 0.2051        | -               | -                               |
+| 2.0426 | 96   | 0.1796        | -               | -                               |
+| 2.1277 | 100  | -             | 0.2085          | 0.8037                          |
+| 2.2979 | 108  | 0.1993        | -               | -                               |
+| 2.5532 | 120  | 0.188         | -               | -                               |
+| 2.8085 | 132  | 0.1925        | -               | -                               |
+| 3.0638 | 144  | 0.2108        | -               | -                               |
+| 3.1915 | 150  | -             | 0.1975          | 0.8317                          |
+| 3.3191 | 156  | 0.1852        | -               | -                               |
+| 3.5745 | 168  | 0.1796        | -               | -                               |
+| 3.8298 | 180  | 0.1981        | -               | -                               |
+| 4.0851 | 192  | 0.1917        | -               | -                               |
+| 4.2553 | 200  | -             | 0.1880          | 0.8486                          |
+| 4.3404 | 204  | 0.192         | -               | -                               |
+| 4.5957 | 216  | 0.1955        | -               | -                               |
+| 4.8511 | 228  | 0.1688        | -               | -                               |
+| 5.1064 | 240  | 0.1741        | -               | -                               |
+| 5.3191 | 250  | -             | 0.1799          | 0.8625                          |
+| 5.3617 | 252  | 0.1762        | -               | -                               |
+| 5.6170 | 264  | 0.1796        | -               | -                               |
+| 5.8723 | 276  | 0.1786        | -               | -                               |
+| 6.1277 | 288  | 0.177         | -               | -                               |
+| 6.3830 | 300  | 0.1738        | 0.1739          | 0.8686                          |
+| 6.6383 | 312  | 0.1826        | -               | -                               |
+| 6.8936 | 324  | 0.1599        | -               | -                               |
+| 7.1489 | 336  | 0.1844        | -               | -                               |
+| 7.4043 | 348  | 0.1747        | -               | -                               |
+| 7.4468 | 350  | -             | 0.1702          | 0.8730                          |
+| 7.6596 | 360  | 0.1742        | -               | -                               |
+| 7.9149 | 372  | 0.1663        | -               | -                               |
+| 8.1702 | 384  | 0.1658        | -               | -                               |
+| 8.4255 | 396  | 0.1623        | -               | -                               |
+| 8.5106 | 400  | -             | 0.1676          | 0.8756                          |
+
+
+### Framework Versions
+- Python: 3.11.2
+- Sentence Transformers: 4.1.0
+- Transformers: 4.49.0
+- PyTorch: 2.5.1
+- Accelerate: 1.5.2
+- Datasets: 3.5.1
+- 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",
+}
+```
+
+<!--
+## 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 @@
+{
+  "architectures": [
+    "BertModel"
+  ],
+  "attention_probs_dropout_prob": 0.1,
+  "classifier_dropout": null,
+  "emb_size": 312,
+  "gradient_checkpointing": false,
+  "hidden_act": "gelu",
+  "hidden_dropout_prob": 0.1,
+  "hidden_size": 312,
+  "initializer_range": 0.02,
+  "intermediate_size": 600,
+  "layer_norm_eps": 1e-12,
+  "max_position_embeddings": 2048,
+  "model_type": "bert",
+  "num_attention_heads": 12,
+  "num_hidden_layers": 7,
+  "pad_token_id": 0,
+  "position_embedding_type": "absolute",
+  "torch_dtype": "float32",
+  "transformers_version": "4.50.0",
+  "type_vocab_size": 2,
+  "use_cache": true,
+  "vocab_size": 83828
+}

config_sentence_transformers.json

@@ -0,0 +1,36 @@
+{
+  "__version__": {
+    "sentence_transformers": "4.1.0",
+    "transformers": "4.50.0",
+    "pytorch": "2.5.1"
+  },
+  "prompts": {
+    "query": "search_query: ",
+    "passage": "search_document: ",
+    "CEDRClassification": "categorize_sentiment: ",
+    "GeoreviewClassification": "categorize_entailment: ",
+    "GeoreviewClusteringP2P": "paraphrase: ",
+    "HeadlineClassification": "categorize_topic: ",
+    "InappropriatenessClassification": "categorize_topic: ",
+    "KinopoiskClassification": "categorize_sentiment: ",
+    "MassiveIntentClassification": "categorize_entailment: ",
+    "MassiveScenarioClassification": "categorize_entailment: ",
+    "RuReviewsClassification": "categorize_entailment: ",
+    "RUParaPhraserSTS": "paraphrase: ",
+    "RuSTSBenchmarkSTS": "search_query: ",
+    "STS22": "paraphrase: ",
+    "RuSciBenchGRNTIClassification": "categorize_topic: ",
+    "RuSciBenchGRNTIClusteringP2P": "categorize_topic: ",
+    "RuSciBenchOECDClassification": "categorize_topic: ",
+    "RuSciBenchOECDClusteringP2P": "categorize_topic: ",
+    "SensitiveTopicsClassification": "categorize_topic: ",
+    "TERRa": "categorize_entailment: ",
+    "Classification": "categorize: ",
+    "MultilabelClassification": "categorize: ",
+    "Clustering": "categorize: ",
+    "PairClassification": "categorize: ",
+    "STS": "paraphrase: "
+  },
+  "default_prompt_name": "Classification",
+  "similarity_fn_name": "cosine"
+}

model.safetensors

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:74bf28342e14b2f718b79832d649d10503b2adc6240485361bd87dae484cb69a
+size 129063328

modules.json

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

sentence_bert_config.json

@@ -0,0 +1,4 @@
+{
+  "max_seq_length": 2048,
+  "do_lower_case": false
+}

special_tokens_map.json

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

tokenizer_config.json

@@ -0,0 +1,65 @@
+{
+  "added_tokens_decoder": {
+    "0": {
+      "content": "[PAD]",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "1": {
+      "content": "[UNK]",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "2": {
+      "content": "[CLS]",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "3": {
+      "content": "[SEP]",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "4": {
+      "content": "[MASK]",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    }
+  },
+  "clean_up_tokenization_spaces": true,
+  "cls_token": "[CLS]",
+  "do_basic_tokenize": true,
+  "do_lower_case": false,
+  "extra_special_tokens": {},
+  "mask_token": "[MASK]",
+  "max_length": 512,
+  "model_max_length": 2048,
+  "never_split": null,
+  "pad_to_multiple_of": null,
+  "pad_token": "[PAD]",
+  "pad_token_type_id": 0,
+  "padding_side": "right",
+  "sep_token": "[SEP]",
+  "stride": 0,
+  "strip_accents": null,
+  "tokenize_chinese_chars": true,
+  "tokenizer_class": "BertTokenizer",
+  "truncation_side": "right",
+  "truncation_strategy": "longest_first",
+  "unk_token": "[UNK]"
+}