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": 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
+}

README.md

@@ -0,0 +1,796 @@
+---
+tags:
+- sentence-transformers
+- sentence-similarity
+- feature-extraction
+- dense
+- generated_from_trainer
+- dataset_size:7652
+- loss:MultipleNegativesRankingLoss
+widget:
+- source_sentence: 'query: މި ކާޑުތައް ބޭނުންކޮށްގެން ކޮށްފައިވާ މުއާމަލާތްތަކުގެ
+    އަގު އުޅެނީ އެއްލައްކަ ފަސްސަތޭކަ ހާސް ރުފިޔާ އާއި ދެމެދުގެ އަދަދުތަކުގަ އެވެ.
+    އަދި ވަގަށް ނެގިތަކެތީގައި އިލެކްޓްރޯނިކް ސާމާނުތަކާއި، ގަހަނާއާއި އެހެންވެސް
+    މާލީ ގޮތުން މުހިންމުތަކެއްޗާއި، މާލެ ސަރަހައްދުން ވިޔަފާރިކުރާ ތަންތަނުން ގަނެފައިވާ
+    ބައެއް ތަކެތި ހިމެނެއެވެ.'
+  sentences:
+  - 'passage: ކްރެޑިޓް ކާޑު އަމިއްލަ އަށް ހަދައިގެން ޖުމްލަ  3.5 މިލިއަން ރުފިޔާގެ
+    މުދާ ވަގަށް ގަނެފައިވާ ތިން ދިވެއްސަކާއި އެކަމުގެ އަޑީގައި ހުރި މެލޭޝިޔާ މީހަކު
+    މޯލްޑިވްސް ޕޮލިސް ސާވިސް އިން ހައްޔަރުކޮށްފި އެވެ.މޯލްޑިވްސް ޕޮލިސް ސާވިސްގައި
+    މިއަދު ބޭއްވި ނޫސް ކޮންފަރެންސެއްގައި ކްރިމިނަލް އިންވެސްޓިގޭޓިވް ޑިޕާޓްމަންޓުގެ
+    ކޮމާޝަލް ކްރައިމް ޔުނިޓްގެ ހެޑް އިންސްޕެކްޓާ އިސްމާއިލް އަތީފް ވިދާޅުވީ ރާއްޖޭގައި
+    ވަގު ކްރެޑިޓް ކާޑު ބޭނުންކޮށްގެން މިހާތަނަށް ކުރި އެންމެ ބޮޑު ވައްކަމުގައި ބައިވެރިވެފައިވާ
+    ތިން ދިވެހިންނާއި މެލޭޝިޔާގެ މީހަކު ހައްޔަރުކުރީ، މިދިޔަ އަހަރުގެ ސެޕްޓެމްބަރު
+    މަހުން ފެށިގެން ބަލަމުން ދިޔަ މައްސަލައެއްގައި މިދިޔަ މަހުގެ  25 ވަނަ ދުވަހު ކަމަށެވެ.
+    މި މައްސަލާގައި މިހާތަނަށް ހައްޔަރު ކުރި މީހުންގެ ތެރޭގައި ހިމެނެނީ ހ. ނޫރަންމާގެއާގޭ
+    މުހައްމަދު ޝަފްރާޒް،  ،28 ގދ. ތިނަދޫ އޮޅުތެރޭގެ މުހައްމަދު ތަމްދީން،  ،21 ހ. ސެނާ
+    އަހުމަދު ސާދު،  ،22 އަދި މެލޭޝިޔާގެ ރައްޔިތެއް ކަމަށްވާ ތަކިޔުއްދީން ބިން ހާޝިމް،  33
+    އެވެ. މިމައްސަލާގައި މެލޭސިޔާގައި ދިރިއުޅޭ މެލޭޝިޔާގެ ތިން މީހަކާއި ސްރީލަންކާގެ
+    ދެމީހަކު ހޯދަމުން ގެންދާ ކަމަށް ވެސް އޭނާ ވިދާޅުވި އެވެ."މިއީ ދިވެހި ރާއްޖޭގައި
+    މިހާތަނަށް ނުހިނގާވަރުގެ ބޮޑު ފްރޯޑް ކޭސްހެއް. ވަގު ކްރެޑިޓް ކާޑް ބޭނުންކޮށްގެން
+    ވަރަށް ގިނަ ތަންތަނުން ވަރަށް ބޮޑެތި ވިޔަފާރިތައް ވަނީ ކޮށްފައި. ޖުމްލަ އަދަދެއް
+    ކަމަށް އަންދާޒާ ކުރެވެނީ  3.5 މިލިއަން ރުފިޔާ،" އޭނާ ވިދާޅުވި އެވެ.އަތީފް ވިދާޅުވި
+    ގޮތުގައި މާލޭގެ ތަފާތު ފިހާރަތަކުން ވަގު ކާޑު ބޭނުންކޮށްގެން ކުރި ވިޔަފާރީގައި  80
+    ވަގު ކާޑު ބޭނުންކޮށްފައިވާ ކަމަށް މިހާތަނަށް މައުލޫމާތު ލިބިފައިވެ އެވެ. މި ކާޑުތައް
+    ބޭނުންކޮށްގެން ކުރި ވިޔަފާރީގައި ކޮންމެ މުއާމަލާތެއްގައިހެން ގާތްގަނޑަކަށް އެއްލަންކަ
+    އާއި ދެއްކަ ރުފިޔާގެ ވިޔަފާރި ކޮށްފައިވާ ކަމަށް އޭނާ ވިދާޅުވި އެވެ. އޭގެ ތެރޭގައި
+    އަގު ބޮޑެތި ހުރިހާ ބާވަތެއްގެ މުދާ ހިމެނޭ ކަމަށް ވެސް އޭނާ ވިދާޅުވި އެވެ.އަތީފު
+    ވިދާޅުވި ގޮތުގައި މި މައްސަލަ ހިނގާފައިވާ ގޮތަށް ބަލާއިރު، މި ކަމުގައި އިސް ދައުރެއް
+    އަދާކޮށްފައިވާ ކަމަށް ބެލެވެނީ ކްރެޑިޓް ކާޑު އުފައްދާ ފެކްޓަރީއެއްގައި ޓެކްނީޝަނެއްގެ
+    ވަޒީފާ ކުރިން އަދާކޮށްފައިވާ މީހެއް ކަމަށް ބެލެވޭ މެލޭޝިޔާ މީހާ އެވެ. އަތީފު ވިދާޅުވި
+    ގޮތުގައި މި މައްސަލާގައި ދިވެހިން ބައިވެރިވެފައިވާ ކަމަށް ބެލެވެނީ އެނާގެ އެހީތެރިންގެ
+    ގޮތުގަ އެވެ. މެލޭޝިޔާ މީހާ ރާއްޖެއިން ހައްޔަރުކުރީ ޓޫރިސްޓު ވިސާގައި މާލޭގައި
+    ހުއްޓަ އެވެ."މެލޭޝިޔާ މީހާ އަކީ ފުންނާބު އުސް މީހެއް ކަމަށް އެނގިފައި އޮތީ. އޭނަ
+    ދިން މައުލޫމާތުގެ އަލީގައި ދިވެހިން ވެސް މަސައްކަތް ކުރަމުން ދިޔައީ،" އަތީފު ވިދާޅުވި
+    އެވެ.އޭނާ ވިދާޅުވި ގޮތުގައި މި ވައްކަމުގައި ބައިވެރިވި ކޮންމެ ދިވެއްސެއްގެ އަތުން
+    ވެސް ލައްކައަކަށްވުރެ ގިނަ ރުފިޔާގެ އަގުބޮޑެތި މުދާ ފެނިފައިވެ އެވެ. އޭގެ ތެރޭގައި
+    މާލޭގެ ފިހާރަތަކުން ގަނެފައިހުރި އިލެކްޓްރޯނިކް ސާމާނާއި ޖަވާހިރާއި ގަހަނާ ފަދަ
+    ތަކެތި ހިމެނޭ ކަމަށް އޭނާ ވިދާޅުވި އެވެ. އަތީފު ވިދާޅުވި ގޮތުގައި އެއީ މި ވައްކަމުގައި
+    ބައިވެރިވުމުން  އެ މީހުންނަށް ހަދިޔާގެ ގޮތުގައި ލިބިފައިވާ މުދަލެވެ. މި މައްސަލާގައި
+    ބައިވެރިވެ ހޯދަމުން ގެންދާ ފަސް މީހުންނާ ބެހޭ އިތުރު މައުލޫމާތެއް ފުލުހުން ނުދެ
+    އެވެ.ފުލުސް އޮފީހުން ބުނި ގޮތުގައި މި މައްސަލަ ބެލުމުގައި ބޭންކް އޮފް މޯލްޑިވްސް
+    އާއި ސިޕްރިޔާ ޕްރައިވެޓް ލިމިޓެޑްގެ އެހީ ވެސް ވަނީ ލިބިފަ އެވެ. އަދި މި މައްސަލާގައި
+    މެލޭޝިޔާގެ ފުލުހުންގެ އެހީ އާއި ސިންގަޕޫރުގައި ހުންނަ ވިސާ ކާޑު ސެންޓަރުގެ އެހީ
+    ވެސް ހޯދަމުން ގެއްދާ ކަމަށް އޭނާ ވިދާޅުވި އެވެ.އަތީފު ވިދާޅުވި ގޮތުގައި މި ވައްކަމުގައި
+    ވިޔަފާރިކޮށްފައިވާ ބައެއް ފިހާރަތަކުން މި މައްސަލަ ވަނީ ބޭންކް އޮފް މޯލްޑިވްސް
+    މެދުވެރިކޮށް ހުށަހަޅައިފަ އެވެ. ފުލުހުން ބުނީ މި މައްސަލައިގެ ދައުވާ އުފުލާ ހަގީގީ
+    ފަރާތްތަކަށް ވާނީ ވަގަށް އުފައްދާފައިވާ ކާޑުތަކުގެ އަސްލު ވެރިފަރާތްތައް ކަމަށެވެ.'
+  - 'passage: ބޮޑުތަކުރުފާނު މަގުގައި މިއަދު 33 އަހަރުގެ މީހެއްގެ ގަޔަށް ވަޅިހަރައި
+    މަރާލައިފި އެވެ.ވެސްޓްޕާކު ކައިރިން ހަމަލާދީ މަރާލާފައި ވަނީ މ. ފެއަރީ ކޯނާ އަލީޝިފާން
+    ކަމަށް ފުލުސް އޮފީހުން ބުންޏެވެ. އޭނާ ޒަހަމްކޮށްލާފައި ވަނީޖީއެން ސައިކަލެއްގައި
+    ދިޔަ ދެ މީހަކު ކަމަށް މައުލޫމާތު ލިބިފައިވާ ކަމަށްފުލުހުން ބުންޏެވެ.އައިޖީއެމްއެޗުން
+    ބުނީ އޭނާ އެ ހޮސްޕިޓަލަށް ގެންދިޔަ އިރު ވެސް އޮތީ މަރުވެފައި ކަމަށެވެ.އޭނާގެ ބާމަތިން
+    ތިން ތަނަކާއި އަތުގެ އެކި ތަންތަނަށް ވެސް ހަމަލާދީފައި ހުރި ކަމަށް ފުލުހުން ބުންޏެވެ.އެ
+    މައްސަލަ ފުލުހުން އަންނަނީ ތަހުގީގުކުރަމުންނެވެ.'
+  - 'passage: ކްރެޑިޓް ކާޑު އަމިއްލަ އަށް ހަދައިގެން ޖުމްލަ  3.5 މިލިއަން ރުފިޔާގެ
+    މުދާ ވަގަށް ގަނެފައިވާ ތިން ދިވެއްސަކާއި އެކަމުގެ އަޑީގައި ހުރި މެލޭޝިޔާ މީހަކު
+    މޯލްޑިވްސް ޕޮލިސް ސާވިސް އިން ހައްޔަރުކޮށްފި އެވެ.މޯލްޑިވްސް ޕޮލިސް ސާވިސްގައި
+    މިއަދު ބޭއްވި ނޫސް ކޮންފަރެންސެއްގައި ކްރިމިނަލް އިންވެސްޓިގޭޓިވް ޑިޕާޓްމަންޓުގެ
+    ކޮމާޝަލް ކްރައިމް ޔުނިޓްގެ ހެޑް އިންސްޕެކްޓާ އިސްމާއިލް އަތީފް ވިދާޅުވީ ރާއްޖޭގައި
+    ވަގު ކްރެޑިޓް ކާޑު ބޭނުންކޮށްގެން މިހާތަނަށް ކުރި އެންމެ ބޮޑު ވައްކަމުގައި ބައިވެރިވެފައިވާ
+    ތިން ދިވެހިންނާއި މެލޭޝިޔާގެ މީހަކު ހައްޔަރުކުރީ، މިދިޔަ އަހަރުގެ ސެޕްޓެމްބަރު
+    މަހުން ފެށިގެން ބަލަމުން ދިޔަ މައްސަލައެއްގައި މިދިޔަ މަހުގެ  25 ވަނަ ދުވަހު ކަމަށެވެ.
+    މި މައްސަލާގައި މިހާތަނަށް ހައްޔަރު ކުރި މީހުންގެ ތެރޭގައި ހިމެނެނީ ހ. ނޫރަންމާގެއާގޭ
+    މުހައްމަދު ޝަފްރާޒް،  ،28 ގދ. ތިނަދޫ އޮޅުތެރޭގެ މުހައްމަދު ތަމްދީން،  ،21 ހ. ސެނާ
+    އަހުމަދު ސާދު،  ،22 އަދި މެލޭޝިޔާގެ ރައްޔިތެއް ކަމަށްވާ ތަކިޔުއްދީން ބިން ހާޝިމް،  33
+    ��ެވެ. މިމައްސަލާގައި މެލޭސިޔާގައި ދިރިއުޅޭ މެލޭޝިޔާގެ ތިން މީހަކާއި ސްރީލަންކާގެ
+    ދެމީހަކު ހޯދަމުން ގެންދާ ކަމަށް ވެސް އޭނާ ވިދާޅުވި އެވެ."މިއީ ދިވެހި ރާއްޖޭގައި
+    މިހާތަނަށް ނުހިނގާވަރުގެ ބޮޑު ފްރޯޑް ކޭސްހެއް. ވަގު ކްރެޑިޓް ކާޑް ބޭނުންކޮށްގެން
+    ވަރަށް ގިނަ ތަންތަނުން ވަރަށް ބޮޑެތި ވިޔަފާރިތައް ވަނީ ކޮށްފައި. ޖުމްލަ އަދަދެއް
+    ކަމަށް އަންދާޒާ ކުރެވެނީ  3.5 މިލިއަން ރުފިޔާ،" އޭނާ ވިދާޅުވި އެވެ.އަތީފް ވިދާޅުވި
+    ގޮތުގައި މާލޭގެ ތަފާތު ފިހާރަތަކުން ވަގު ކާޑު ބޭނުންކޮށްގެން ކުރި ވިޔަފާރީގައި  80
+    ވަގު ކާޑު ބޭނުންކޮށްފައިވާ ކަމަށް މިހާތަނަށް މައުލޫމާތު ލިބިފައިވެ އެވެ. މި ކާޑުތައް
+    ބޭނުންކޮށްގެން ކުރި ވިޔަފާރީގައި ކޮންމެ މުއާމަލާތެއްގައިހެން ގާތްގަނޑަކަށް އެއްލަންކަ
+    އާއި ދެއްކަ ރުފިޔާގެ ވިޔަފާރި ކޮށްފައިވާ ކަމަށް އޭނާ ވިދާޅުވި އެވެ. އޭގެ ތެރޭގައި
+    އަގު ބޮޑެތި ހުރިހާ ބާވަތެއްގެ މުދާ ހިމެނޭ ކަމަށް ވެސް އޭނާ ވިދާޅުވި އެވެ.އަތީފު
+    ވިދާޅުވި ގޮތުގައި މި މައްސަލަ ހިނގާފައިވާ ގޮތަށް ބަލާއިރު، މި ކަމުގައި އިސް ދައުރެއް
+    އަދާކޮށްފައިވާ ކަމަށް ބެލެވެނީ ކްރެޑިޓް ކާޑު އުފައްދާ ފެކްޓަރީއެއްގައި ޓެކްނީޝަނެއްގެ
+    ވަޒީފާ ކުރިން އަދާކޮށްފައިވާ މީހެއް ކަމަށް ބެލެވޭ މެލޭޝިޔާ މީހާ އެވެ. އަތީފު ވިދާޅުވި
+    ގޮތުގައި މި މައްސަލާގައި ދިވެހިން ބައިވެރިވެފައިވާ ކަމަށް ބެލެވެނީ އެނާގެ އެހީތެރިންގެ
+    ގޮތުގަ އެވެ. މެލޭޝިޔާ މީހާ ރާއްޖެއިން ހައްޔަރުކުރީ ޓޫރިސްޓު ވިސާގައި މާލޭގައި
+    ހުއްޓަ އެވެ."މެލޭޝިޔާ މީހާ އަކީ ފުންނާބު އުސް މީހެއް ކަމަށް އެނގިފައި އޮތީ. އޭނަ
+    ދިން މައުލޫމާތުގެ އަލީގައި ދިވެހިން ވެސް މަސައްކަތް ކުރަމުން ދިޔައީ،" އަތީފު ވިދާޅުވި
+    އެވެ.އޭނާ ވިދާޅުވި ގޮތުގައި މި ވައްކަމުގައި ބައިވެރިވި ކޮންމެ ދިވެއްސެއްގެ އަތުން
+    ވެސް ލައްކައަކަށްވުރެ ގިނަ ރުފިޔާގެ އަގުބޮޑެތި މުދާ ފެނިފައިވެ އެވެ. އޭގެ ތެރޭގައި
+    މާލޭގެ ފިހާރަތަކުން ގަނެފައިހުރި އިލެކްޓްރޯނިކް ސާމާނާއި ޖަވާހިރާއި ގަހަނާ ފަދަ
+    ތަކެތި ހިމެނޭ ކަމަށް އޭނާ ވިދާޅުވި އެވެ. އަތީފު ވިދާޅުވި ގޮތުގައި އެއީ މި ވައްކަމުގައި
+    ބައިވެރިވުމުން  އެ މީހުންނަށް ހަދިޔާގެ ގޮތުގައި ލިބިފައިވާ މުދަލެވެ. މި މައްސަލާގައި
+    ބައިވެރިވެ ހޯދަމުން ގެންދާ ފަސް މީހުންނާ ބެހޭ އިތުރު މައުލޫމާތެއް ފުލުހުން ނުދެ
+    އެވެ.ފުލުސް އޮފީހުން ބުނި ގޮތުގައި މި މައްސަލަ ބެލުމުގައި ބޭންކް އޮފް މޯލްޑިވްސް
+    އާއި ސިޕްރިޔާ ޕްރައިވެޓް ލިމިޓެޑްގެ އެހީ ވެސް ވަނީ ލިބިފަ އެވެ. އަދި މި މައްސަލާގައި
+    މެލޭޝިޔާގެ ފުލުހުންގެ އެހީ އާއި ސިންގަޕޫރުގައި ހުންނަ ވިސާ ކާޑު ސެންޓަރުގެ އެހީ
+    ވެސް ހޯދަމުން ގެއްދާ ކަމަށް އޭނާ ވިދާޅުވި އެވެ.އަތީފު ވިދާޅުވި ގޮތުގައި މި ވައްކަމުގައި
+    ވިޔަފާރިކޮށްފައިވާ ބައެއް ފިހާރަތަކުން މި މައްސަލަ ވަނީ ބޭންކް އޮފް މޯލްޑިވްސް
+    މެދުވެރިކޮށް ހުށަހަޅައިފަ އެވެ. ފުލުހުން ބުނީ މި މައްސަލައިގެ ދައުވާ އުފުލާ ހަގީގީ
+    ފަރާތްތަކަށް ވާނީ ވަގަށް އުފައްދާފައިވާ ކާޑުތަކުގެ އަސްލު ވެރިފަރާތްތައް ކަމަށެވެ.'
+- source_sentence: 'query: ނިޔަފަރި އަތިރީގޭ، 20 އަހަރުގެ ޢަލީ ލަތީފް މަރުވެފައި އޮއްވާ
+    އިއްޔެ ހަވީރު ސަން އައިލެންޑް ރިސޯޓުގެ ކައިރިން ފެނިފައިވެ އެވެ.'
+  sentences:
+  - 'passage: ވައިބާ އެކައުންޓް ހެކްކޮށްގެން މަކާރައި ހީލަތުން މީހެއްގެ އަތުން ފައިސާ
+    ހޯދި ކަމުގެ ތުހުމަތު ސޯޝަލް މީޑިއާގައި ކުރަމުންދަނިކޮށް އެކަން ފުލުހުން ދޮގުކޮށްފި
+    އެވެ.
+
+    އިއްޔެ ރެއިން ފެށިގެން ސޯޝަލް މީޑިއާގައި ދައުރުވަމުންދާ ޕޯސްޓެއްގައިވާ ގޮތުން
+    މީހެއްގެ ވައިބާ އެކައުންޓް ހެކްކޮށްގެން ފައިސާ ފޭރުނު ކަމަށް ބުނާ މައްސަލައިގައި
+    ފުލުހެއް ވެސް ހިމެނެ އެވެ. އަދި އެކަމުގެ ތުހުމަތުކުރާ ފުލުސް މީހާގެ ފޮޓޯއެއް ވެސް
+    ދައުރުކުރި އެވެ.
+
+    އެކަމާ ގުޅިގެން ފުލުހުން ނެރުނު ބަޔާނެއްގައި ބުނީ، އެ މައްސަލައަކީ މީހެއްގެ ވައިބާ
+    އެކައުންޓް ކޮމްޕްރޮމައިޒް ކޮށްގެން އެ މީހާ ދަންނަ މީހުންނަށް މެސެޖްކޮށް އޮޅުވާލައިގެން
+    ފައިސާ ހޯދާފައިވާ މައްސަލައެއް ކަމަށެވެ. އެ މައްސަލައާ ގުޅުންހުރި އިތުރު ތިން
+    މައްސަލައެއް ވެސް ބަލަމުންދާ ކަމަށް ފުލުހުން ބުންޏެވެ.
+
+    ފުލުހުން ބުނީ މައްސަލަ ހުށަހެޅުމާ އެކު ތަހުގީގުގެ ތެރެއިން އަޅަން ޖެހޭ ފިޔަވަޅުތައް
+    އަޅައި، ވައިބާ އެކައުންޓް ރިކަވާކޮށް އެ އެކައުންޓްގެ ވެރިފަރާތުގެ ބާރުގެ ދަށަށް
+    އެކައުންޓް ގެންގޮސްފައިވާ ކަމަށެެވެ. އަދި ތިން މީހެއްގެ އަތުން އޮޅުވާލައިގެން
+    ހޯދި ޖުމްލަ 10،100ރ. އީމެއިލް އަދި ބޭންކް އެކައުންޓް ކޮމްޕްރޮމައިޒް ވެފައިވާ އެކައުންޓަށް
+    ޖަމާކޮށްފައިވާ ކަމަށާއި އެ ފައިސާގެ ތެރެއިން 5،600ރ. ފައިސާ ދައުރުވެފައިވާ އެކައުންޓްތަކުގެ
+    ތެރެެއިން އެކައުންޓެއްގައި ހޯލްޑް ކުރެވިފައިވާ ކަމަށް ފުލުހުން ބުނެ އެވެ.
+
+    "މި މައްސަލައިގެ ތަހުގީގުގައި މިހާތަނަށް ފުލުހެއްގެ އެއްވެސް ބައިވެރިވުމެއް އަދި
+    ތުހުމަތުކުރެވިދާނެ އެއްވެސް ކަމެއް ފާހަގަކުރެވިފައެއް ނުވެ އެވެ،" އެ ބަޔާނުގައި
+    ބުންޏެވެ.
+
+    ފުލުހުން ބުނި ގޮތުގައި ތަހުގީގުގެ އެެއްވެސް ހިސާބެއްގައި ފުލުހެއްގެ ބައިވެރިވުން
+    އޮތް ކަމަށް ފާހަގަކުރެވިއްޖެ ނަމަ، ފިޔަވަޅު އަޅާނެ އެވެ.
+
+    އެ މައްސަލާގައި ފުލުހެއްގެ ބައިވެރިވުމެއް އޮތްކަން މިހާތަނަށް ފާހަގަނުކުރެވުނަސް،
+    އޮޅުވާލައިގެން ހޯދި ފައިސާ ދައުރުކުރުމުގައި ބޭނުންކުރި އެއް ބޭންކް އެކައުންޓަކީ
+    ފުލުހެއްގެ އަނބިމީހާގެ ބޭންކް އެކައުންޓް ކަމަށާއި އެ އެކައުންޓަކީ އަންހެން މީހާގެ
+    އީމެއިލް އާއި ބޭންކް އެކައުންޓް ކޮމްޕްރޮމައިޒްކޮށްގެން އެހެން ބައެއްގެ ބާރުގެ
+    ދަށަށް ގެންގޮސްފައިވާ އެކައުންޓެއް ކަމަށް ވެސް ފުލުހުން ބުންޏެވެ.
+
+    އެ މައްސަލަ ބަލަމުންދަނީ ފުލުހުންގެ އިކޮނޮމިކް ކްރައިމް ޑިޕާޓްމެންޓުންނެވެ. އެ
+    މައްސަލާގައި މަކަރާއި ހީލަތުން ހޯދާފައިވާ ފައިސާގެ ތެރެއިން ރިކަވާ ނުކުރެވި ހުރި
+    ފައިސާ ރިކަވާ ކުރުމުގެ މަސައްކަތް ދަނީ ކުރަމުންނެވެ.
+
+    އެ ބަޔާނުގައި ފުލުހުން ވަނީ ފުލުހުންގެ ހިދުމަތުގެ ނަން ކިލަނބުވާ ގޮތަށް މައުލޫމާތު
+    ފަތުރަމުންދާތީ ކަންބޮޑުވުން ފާޅުކޮށްފަ އެވެ.'
+  - 'passage: ގައުމީ އެއާލައިން، މޯލްޑިވިއަން ހިންގާ އައިލެންޑް އޭވިއޭޝަނުން މޯލްޑިވްސް
+    އެއާޕޯޓްސް ކޮމްޕެނީ ލިމިޓެޑް (އެމްއޭސީއެލް) އަށް ނުދައްކާ ހުރި ފައިސާގެ އަދަދު
+    1.12 ބިލިއަން ރުފިޔާއަށް އަރާ ކަމަށް އެމްއޭސީއެލް އިން ބުނެފި އެވެ.
+
+    އެމްއޭސީއެލްގެ މާލީ ހާލަތު ދެނެގަތުމަށް ރައްޔިތުންގެ މަޖިލީހުގެ އެސްއޯއީ ކޮމެޓީގެ
+    ސަބް ކޮމިޓީއަކުން މިއަދު ވަނީ އެ ކުންފުނީގެ ވެރިން ހާޒިރުކޮށްފަ އެވެ.
+
+    އެ ބައްދަލުވުމުގައި ކުންފުނީގެ މާލީ ހާލަތާ ގުޅޭގޮތުން ވާހަކަ ދައްކަވަމުން، މެނޭޖިން
+    ޑިރެކްޓަރު އިބްރާހިމް ޝަރީފު ވިދާޅުވީ އާންމު ގޮތެއްގައި އެމްއޭސީއެލް އަކީ ކޭޝްކޮށް
+    ވިޔަފާރިކުރާ ކުންފުންޏެއް ކަމަށާއި މާލީ ދަތިތަކާ ދުރު ފައިދާ ނެރެދޭ ކުންފުންޏެއް
+    ކަމަށެވެ.
+
+    ނަމަވެސް، އެ ކުންފުންޏަށް މާލީ ގޮތުން ދިމާވާ އެންމެ ބޮޑު ގޮންޖެހުމަކީ ސަރުކާރުގެ
+    އެހެން ކުންފުނިތަކުން ދައްކަންޖެހޭ ފައިސާ ނުދައްކާ ލަސްވުން ކަން އޭނާ ފާހަގަކުރެއްވި
+    އެވެ. އަދި، މިކަމުގެ ނަތީޖާއަކީ ކެޕިޓަލް ހަރަދުތައް ބެލެހެއްޓުމަށް ލޯނުތައް ނަގަން
+    ޖެހުން ކަމަށްވެސް ޝަރީފު ވިދާޅުވި އެވެ.
+
+    "ހުރިހާ އެސްއޯއީސް ތަކެއް ނޫން. ހާއްސަކޮށް އައިލެންޑް އޭވިއޭޝަނުން 1.12 ބިލިއަން
+    ރުފިޔާ އެބަހުރި އަންނަން އެމްއޭސީއެލް އަށް މިހާރުވެސް. އެއީ ގާތްގަނޑަކަށް އަހަރަކު
+    78 މިލިއަން ރުފިޔާގެ ޑިސްކައުންޓު ދޭއިރުވެސް 1.12 ބިލިއަން ރުފިޔާ އަޅުގަނޑުމެންނަށް
+    އެބައޮތް އެބޭފުޅުން ދޭން."
+
+    އަދި، މިކަން ހައްލުވެއްޖެނަމަ ކުންފުންޏަށް ދިމާވެފައިވާ މާލީ މައްސަލަތަކެއް ލުޔެއް
+    ލިބޭނެކަން ވެސް، މިދިޔަ އަހަރު އެމްއޭސީއެލް ހިންގުމާ ހަވާލުވި ޝަރީފު ވިދާޅުވި
+    އެވެ.
+
+    މިއަދުގެ ބައްދަލުވުމުގައި ޝަރީފު ވަނީ އެމްއޭސީއެލް އިން މިދިޔަ އަހަރު އައިލެންޑް
+    އޭވިއޭޝަނަށް ދިން ޑިސްކައުންޓުތަކުގެ ތަފުސީލުވެސް ހިއްސާކޮށްފަ އެވެ.
+
+    އޭގެ ތެރޭގައި ހިމެނެނީ ތެލުން ދިން 38.77 މިލިއަނުގެ ޑިސްކައުންޓާއި ޑޮމެސްޓިކް
+    ގްރައުންޑް ހޭންޑްލިން އިން ދިން 12.73 މިލިއަނުގެ ޑިސްކައުންޓު، އަދި ގްރައުންޑު
+    ޕަވާ ޔުނިޓުން ދިން 11.39 މިލިއަނުގެ ޑިސްކައުންޓުގެ އިތުރުން ޕާކް ކުރުމަށް ދިން
+    9.7 މިލިއަން ރުފިޔާގެ ޑިސްކައުންޓެވެ.
+
+    އެމްއޭސީއެލް އަކީ މިވަގުތު ސަރުކާރު ކުންފުނިތަކުގެ ތެރެއިން އެންމެ ބޮޑު ފައިދާއެއްގައި
+    ހިންގާ އެއް ކުންފުންޏެވެ. އެގޮތުން މިދިޔަ އަހަރު އެކަނިވެސް އެ ކުންފުނިން  ފައިދާގެ
+    ގޮތުގައި 1.1 ބިލިއަން ރުފިޔާ ހޯދި އެވެ.
+
+    ނަމަވެސް، އައިލެންޑް އޭވިއޭޝަން އަކީ މާލީ ގޮތުން އެންމެ ގޯސް ހާލަތުގައި އޮތް ސަރުކާރުގެ
+    އެއް ކުންފުންޏެވެ. އެ ކުންފުންޏަށް މިދިޔަ އަހަރު އެކަނިވެސް 71 މިލިއަން ރުފިޔާގެ
+    ގެއްލުންވި އެވެ.'
+  - 'passage: ސަން އައިލެންޑް ރިސޯޓް ކައިރި އަށް ސްނޯކްލިން އަށް ގޮސް އުޅުނު ޅ. ނައިފަރު،
+    އަތިރީގޭ އަލީ ލަރީފް މަރުވެގެން މިރޭ  35: 8 ގައި މާލެ ގެނެސްފި އެވެ.އެ ރިސޯޓްގެ
+    ޑައިވިންގް ޑައިރެކްޓަރު ހުސައިން ރަޝީދު ބުނި ގޮތުގައި އަލީ ލަރީފަކީ އެ ރިސޯޓުން
+    ހިންގި ޑައިވިން ކޯހެއްގެ ބައިވެރިއެކެވެ. އޭނާ ނިޔާވީ މިއަދަކީ ކޯހުގެ ޗުއްޓީ ދުވަހަކަށް
+    ވުމުން، ކޯހުގެ އިތުރު ތިން ބައިވެރިއަކާ އެކު އެ ރިސޯޓްގެ ފާލަން ކައިރި އަށް ސްނޯކްލިން
+    އަށް ގޮސް އުޅެނިކޮށެވެ."އެ ހަތަރު ކުދިން އެކުގައި ސްނޯކްލިން އަށް ގޮސް އުޅުނީ.
+    އެ ކުދިން ތިބީ ރަށުގެ އުތުރު ފަރާތުގައި އޮންނަ ފާލަން ކައިރީގައި."ހުސައިން ރަޝީދު
+    ބުނި ގޮތުގައި އުމުރުން  24 އަހަރުގެ އަލީ ލަރީފް މަރުވި ކަން އެނގުނީ، އެ ހަތަރު
+    ކުދިން އެކުގައި ސްނޯކްލިން އަށް ގޮސް އުޅުމަށް ފަހު އޭގެ ތެރެއިން ތިން ކުދިން މައްޗަށް
+    އެރި ވަގުތު، އަލީ ލަރީފް ނެތްކަން ފާހަގަކުރެވުމުންނެވެ. އެ ވަގުތު އެ ތިން ކުދިން
+    އެ ސަރަހައްދުގެ މޫދު އަޑި ބަލައި އަލީ ލަރީފް ފެނޭތޯ ހޯދީ އެވެ."އަލީ ލަރީފް ނެތްކަން
+    އެނގުނުތާ ފަސް ވަރަކަށް މިނެޓް ތެރޭގައި އެ ތިންކުދިން ވެގެން އޭނާ ހޯދައިފި. ދެން
+    އޭނާ ނަގައިގެން އަޅުގަނޑުމެން މާލެ އަށް ދެންމެ މި ގެނައީ،" ހުސައިން ރަޝީދު ބުންޏެވެ.ޅ.
+    ނައިފަރު އަތިރީގެ މުހައްމަދު އަބްދުލް ގާދިރު އާއި އާމިރާ މުހައްމަދުގެ ދަރިފުޅު
+    އަލީ ލަރީފާ ބެހޭ ގޮތުން އޭނާގެ ބޮޑު ބޭބެ އިމާދު އަބްދުލް ގާދިރު ބުނީ، އަލީ ލަރީފު
+    ޑައިވިން ކޯހެއްގައި ސަން އައިލޭންޑް ރިސޯޓަށް ދިޔައީ މީގެ މަހެއްހާ ދުވަސް ކުރިން
+    ކަމަށެވެ.އަލީ ލަރީފުގެ ބޮޑު ބޭބެ ބުނި ގޮތުގައި އަލީ ލަރީފު މަރުވެފައި އޮއްވައި
+    ފެނުނީ އެ ކުދިން ސްނޯކްލިން އަށް ގޮސް އުޅުނު ހިސާބުގެ ގާތްގަނޑަކަށް  19 ވަރަކަށް
+    މީޓަރު ފުނުންނެވެ. އަދި އަލީ ލަރީފު ނެގި އިރު އޮތީ މަރުވެފައި ކަމަށް، އޭނާއާ އެކު
+    ސްނޯކްލިން އަށް ދިޔަ އަނެއް ކުދިންނާ ހަވާލާދީ ބޮޑު ބޭބެ ބުންޏެވެ."އަޅުގަނޑަށް
+    އެނގިފައިވާ ގޮތުން އަލީ ލަރީފު މަރުވި ހާދިސާ ހިނގީ މިއަދު ހަވީރު  15: 4 ހާ އިރު.
+    އެ ރިސޯޓުގެ އެހީގައި އަލީ ލަރީފުގެ ހަށިގަނޑު މާލެ ގެނެވުނީ މިރޭ  35: 8 ހާ އިރު."އޭނާ
+    ބުނި ގޮތުގައި ޑޮކްޓަރުން ބަލައި އަލީ ލަރީފުގެ މަރު ސާބިތުކުރިހާ އަވަހަކަށް ޖަނާޒާގެ
+    ކަންތައް ކުރިއަށް ގެންދާނެ އެވެ. "އަދި މި އުޅެނީ އޭނާގެ މަރު ސާބިތުކުރާ ޑޮކްޓަރު
+    ނައިސްގެން،" މިރޭ  25: 10 ގައި އަލީ ލަރީފުގެ ބޮޑު ބޭބެ، އައި.ޖީ.އެމް.އެޗް ހޮސްޕިޓަލުގައި
+    ހުރެ ބުންޏެވެ.އިމާދު ބުނި ގޮތުގައި އަލީ ލަރީފުގެ ހަށިގަނޑު ނަގައިގެން އެންމެ ފުރަތަމަ
+    ގެންދިޔައީ އދ. މާމިިގިލީ ސިއްހީ މަރުކަޒަށް ދެއްކުމަށެވެ. ނަމަވެސް އެ މަރުކަޒުން
+    ބުނި ގޮތުގައި ސަން އަައިލެންޑް ރިސޯޓް ކައިރިން މަރުވި މީހާގެ ހަށިގަނޑު އެ ރަށަށް
+    ގެނައުމަށް ފަހު މަރުކަޒަށް ނުގެނެސް އެ ދޯނިން ސީދާ ގެންދިޔައީ މާލެއަށެވެ.'
+- source_sentence: 'query: އިއްޔެ ހަވީރު ފެދުގައި ހިނގި އެކްސިޑެންޓެއްގައި ޒަހަމްވި
+    20 އަހަރުގެ އަހްމަދު ސަމާގެ ފަރުވާއަށް ޗެންނާއީ އަށް ފޮނުވާފައިވޭ. އޭނާގެ އާއިލާއިން
+    ބުނި ގޮތުގައި އެ މީހުން އޭނާ ބޭރު ގައުމަކަށް ގެންދިއުމަށް ތައްޔާރުވަމުން ދިޔައެވެ.
+    "އަހަރެމެން މަސައްކަތް ކުރަމުން މިދަނީ ވީހާވެސް އަވަހަކަށް އޭނާ ހޮސްޕިޓަލުން ނެރެން،"
+    އޭނާގެ ބައްޕަ މުޙައްމަދު ވިދާޅުވިއެވެ.'
+  sentences:
+  - 'passage: ސަރުކާރު ހިންގާ އެމްޑީޕީގެ މެމްބަރަކު ކަމަކަށް އެދި އުނދަގޫކޮށްފި ނަމަ
+    އޭނާ ބުނާ ކަންތައް ކޮށްދެއްވާނެ ކަމަށާއި އެ ކަމަކު އެހެން ޕާޓީއެއްގެ މެމްބަރަކު
+    އުނދަގޫކޮށްފި ނަމަ، ރައީސް މުހައްމަދު ނަޝީދުގެ ނުލަފާކަން ރީތިކޮށް ފެނިގެންދާނެ
+    ކަމަށް އެ މަނިކުފާނު ވިދާޅުވެއްޖެ އެވެ.މި މަހުގެ  17 ވަނަ ދުވަހު ރ. އަލިފުއްޓަށް
+    ވަޑައިގެން އެ ރަށުގެ ރައްޔިތުންނާ ބައްދަލުކުރައްވައި ދެއްކެވި ވާހަކަފުޅުގައި ރައީސް
+    ވިދާޅުވެފައިވަނީ އެ މަނިކުފާނު ކުރައްވާފައި ނުކުރައްވާނެ ކަމެއް "ތިޔައިން ބޭފުޅަކު
+    އަދި ހިތަކަށް ވެސް ނާރާނެ" ކަމަށެވެ. އަދި ރައީސް ވިދާޅުވީ ކޮންމެ ކަމެއްގައި ވެސް
+    ރައްޔިތުންގެ ހަގީގީ ބާރު އެ މަނިކުފާނުގެ މައްޗަށް ފޯރާނީ ރައްޔިތުންގެ މަޖިލީސް
+    މެދުވެރިކޮށް ކަމަށެވެ."ކޮންމެ ކަމެއް ވެސް ތިޔަ ބޭފުޅުންގެ ހަގީގީ ބާރު އަޅުގަނޑުގެ
+    މައްޗަށް ފޯރާނީ މަޖިލިސް މެދުވެރިކޮށ��ގެން. ތިޔަ ބޭފުޅުންގެ މެމްބަރު އަޅުގަނޑަށް
+    މުހިންމުވާނީ. އަޅުގަނޑުގެ ޕާޓީގެ މެމްބަރެއް އަޅުގަނޑަށް އުނދަގޫކުރީމާ އޭނާ ބުނާ
+    ކަންތައް އަޅުގަނޑު ކޮށްދޭނަން. އެހެން ޕާޓީއެއްގެ މެމްބަރެއް އަޅުގަނޑަށް އުނދަގޫކުރީމާ
+    އަޅުގަނޑުގެ ނުލަފާކަން ރީތިކޮށް ފެނިގެންދާނެ. އެއްގޮތަކަށް ވެސް ހީފުޅު ނުކުރައްވާތި،
+    ތިޔަ އިން ބޭފުޅަކު އަދި ހިތަކަށް ވެސް ނާރާނެ، އަޅުގަނޑު ކޮށްފައި ނުކުރާނެ ކަންކަމެއް،"
+    ރައީސް ނަޝީދު ވިދާޅުވި އެވެ.ރައީސް އެ މޭރުމުން ވާހަކަ ދެއްކެވި ނަމަވެސް، އެ މަނިކުފާނު
+    ދެކެ ބަޔަކު ކިތަންމެ ރުޅި އަޔަސް ކޯފާވެވަޑައިނުގަންނަވާނެ ކަމަށާއި ކިތަންމެ ބަޔަކު
+    ނަފްރަތު ކުރިޔަސް އެ މަނިކުފާނު އެ ބަޔަކާ ދުރަށް ޖެހިވަޑައި ނުގަންނަވާނެ ކަމަށް
+    ވެސް އެ ބައްދަލުވުމުގައި ރައީސް ވިދާޅުވި އެވެ.އަލިފުށީ ރައްޔިތުންނާ ބައްދަލުކުރައްވައި
+    ރައީސް ދެއްކެވި މި ވާހަކަފުޅުވަނީ ރައީސް އޮފީހުގެ ވެބްސައިޓް، ޕްރެޒިޑެންސީމޯލްޑިވްސް
+    ޑޮޓް އޯގް ޑޮޓް އެމްވީގައި ވެސް ޝާއިއުކޮށްފަ އެވެ.ރައީސްގެ ވާހަކަފުޅުގައި ވަނީ
+    މޭ  9 ގައި ބާއްވާ އާންމު އިންތިހާބު އެމްޑީޕީ ނުވަތަ ސަރުކާރުން ތާއީދުކުރާ ކެންޑިޑޭޓުންނަށް
+    އަޣުލަބިއްޔަތު ލިބުމުގެ މުހިންމު ކަމުގެ މައްޗަށް ވެސް އަލިއަޅުވާލައްވައިފަ އެވެ.
+    ރައީސް ވިދާޅުވީ އެ އިންތިހާބުގައި އެމްޑީޕީ އަށް އަޣުލަބިއްޔަތު ނުލިބި ދިއުމަކީ
+    ވަރަށް ނާދިރުކަމެއް ކަމަށާއި އެހެންވިޔަސް އެ މަނިކުފާނު ވެރިކަމުން ދުރުކުރެއްވޭކަށް
+    ވެސް ނެތް ކަމަށެވެ. ލާމަރުކަޒީ ބިލް މަޖިލީހަށް ބަލައިގަތުމާ ދެކޮޅަށް  19 މެމްބަރަކު
+    ވޯޓު ދެއްވި ދެއްވުމަށް އިޝާރާތްކުރައްވަމުން ރައީސް ނަޝީދު ވިދާޅުވީ، އިދިކޮޅު ޑީއާރުޕީގެ
+    މެމްބަރުން އަނެއް ކޮޅަށް އަނބުރާލައްވަން ވެސް އެ މަނިކުފާނަށް އެނގިވަޑައިގަންނަވާ
+    ކަމަށެވެ."އަދި އަޅުގަނޑު ހަޔާތް ހުރީތީވެ އެކަން ނުކުރަނީ. އެކަމަކު ހަމަ އެ މެމްބަރު
+    އަނެއްކޮޅަށް އަނބުރަން ހަމަ މާ ފަސޭހަ. އެމްޑީޕީ މެމްބަރުންނެއް ނޭނބުރޭނެ. އެއީކީއެއް
+    ވާނެކަމެއް ނޫން. އަޅުގަނޑާ އެކީގައި އެ ]މެންބަރުން[ އެނބުރޭނީ. އެކަމަކު އަޅުގަނޑަށް
+    މާ ފަސޭހަ ޑީއާރުޕީ މެމްބަރުން. ނުހަމަ ގޮތުގައި ކަމެއް ގެންގޮސްގެން ނިންމަންވެއްޖިއްޔާ
+    ތަންކޮޅެއް ހަރަދު ބޮޑުވާނެ. އެއީ ކޮންމެ ދުވަހަކު ކޮންމެ ވޯޓަކާ އެކީގައި މިކަން
+    ކުރަންޖެހެންޏާ ތަންކޮޅެއް ދަތިވާނެ. އެކަމަކު އަޅުގަނޑުމެން ބޭނުން އަދަދަށް ޑީއާރުޕީ
+    މެމްބަރުން، ރައްޔިތުންގެ މަޖިލީހުގައި، ޑީއާރުޕީ މެމްބަރަކު ހުރެޖިއްޔާ އެމްޑީޕީ
+    ބޭނުން ކަންތައްތަކަށް ދުވަހަކު ވެސް އަޣުލަބިއްޔަތެއް ނުގެއްލޭނެ. އެމްޑީޕީގެ އަޣުލަބިއްޔަތެއް
+    އޮތިއްޔާ އަޅުގަނޑަށް ނުރައްކާ. އެކަމަކު ދަންނަވަން، ރައްޔިތުންނަށް ރަނގަޅޭ. އަޅުގަނޑު
+    ބުނާހާ ގޮތެއް އެ ބޭފުޅުންނެއް ނުހައްދަވާނެ."ރައީސް ނަޝީދު އަދި ވިދާޅުވީ އެ މަނިކުފާނަކީ
+    ނުކުރެއްވޭ ކަންތައްތަކުގެ ވާހަކަ ދައްކަވާ ބޭފުޅެއް ނޫން ކަމަށެވެ. އަދި ވިދާޅުވީ
+    ރާއްޖޭގެ ވެރިކަން ބަދަލުވުމަކީ އެންމެ ފުރަތަމަ ފުއްދަވައި ދެއްވުނު ފުރަތަމަ ވައުދު
+    ކަމަށާއި އެއީ ފެށުން ކަމަށެވެ."އަޅުގަނޑެއް ހަމަ ގައިމު ވެސް ބޭނުމެއް ނޫން، އިންތިހާބެއް
+    އަންނާތީވެ، އެކަމާ އަޅުވައި، ތިޔަ ބޭފުޅުންގެ ލޮލުގައި އަނދުނެއް އަޅުވާކަށް. އަޅުގަނޑުމެންނެއް،
+    މި ސަރުކާރަކުންނެއް ބޭނުމެއް ނޫން، އާދައިގެ ބަހުން ދަންނަވަންޏާ، ތިޔަ ބޭފުޅުން
+    ދަޅަ ހައްދާކަށް ]ދައްކާކަށް[. އަޅުގަނޑުމެންނަށް އެނގޭ ރައްޔިތުން ކަންކަމަށް ބޭނުންވެފައި
+    ތިބޭ މިންވަރު، ތިއްބަވާ މިންވަރު. އަދި އަޅުގަނޑުމެންނަށް ވިސްނޭ އެ ކަންކަން މިހާރުން
+    މިހާރަށް ކުރަން ވެސް ޖެހޭކަން. އަދި ކޮށްދޭނަމޭ ބުނީމާ އެ ކަމުގެ ހިތްހަމަޖެހުން
+    ރައްޔިތުންނަށް ވެސް ލިބޭނެކަން. އަޅުގަނޑަށް އިތުރަށް އެނގޭ އެއްޗަކީ ކުޑަ މިންވަރަކަށް
+    ވެސް ތިމާގެ އަދި މި ސަރުކާރުގެ ގަދަރާއި އިއްޒަތް ހިފަހައްޓަން ބޭނުމިއްޔާ ހުސް
+    ވާހަކައެއް އަޅުގަނޑުމެން ދައްކައިގެން ނުވާނެކަން. އެހެންވީމަ އަޅުގަނޑެއް ނުދައްކަން
+    ހުސް ވާހަކައެއް. އަޅުގަނޑުމެން ދައްކަމުން އަންނަނީ އަޅުގަނޑުމެންނަށް ކުރެވޭނެ
+    ކަންތައްތަކުގެ ވާހަކަ. އެ ]ކަން[ ކުރުމަށް ވަކި ތަރުތީބެއް ހަމަޖައްސާފައި އޮތީމަ
+    އެ ކަމުގެ ވާހަކަ ]ދައްކަނީ[،" ރައީސް ނަޝީދު ވިދާޅުވި އެވެ.ރައީސްގެ ވާހަކަފުޅުގައި
+    ވިދާޅުވީ އެމްޑީޕީގެ ސިޔާސަތު އެކުލަވާލެއްވުމުގައި ލަފާ ހޯއްދެވީ އިނގިރޭސިވިލާތުގެ
+    ކޮންޒަވެޓިވް ޕާޓީގެ ވަޒީރެއްގެ ފަރާތްޕުޅުން ކަމަށާއި އެއީ މާގްރެޓް ތެޗާގެ ސަރުކާރުގައި
+    ޕްރައިވަޓައިޒް ކުރުމަށް އުޅުއްވި ވަޒީރެއް ކަމަށެވެ. ރައީސް ވިދާޅުވީ އެ ވަޒީރަށް
+    ވުރެ ރަނގަޅު ބޭފުޅަކަށް ޕްރައިވަޓައިޒް ކުރުމުގެ ވިސްނުން ނެރުއްވޭނެ ކަމަށް ފެނިވަޑައިނުގަތީމަ
+    އެ ވަޒީރާއެކު މަޝްވަރާ ކުރެއްވީ ކަމަށެވެ.ރައީސްގެ ވާހަކަފުޅުގައި ވަނީ އަލިފުށީގެ
+    ރައްޔިތުންނަށް ބައެއް ވައުދުތައް ވެ ވަޑައިގެންފަ އެވެ. އޭގެ ތެރޭގައި އެ ރަށުގެ
+    ނަރުދަމާގެ މަސައްކަތް މި އަހަރު ފެށުމާއި ހައުސިން ޔުނިޓް ބިނާކުރުމާއި ބެންކްގެ
+    ހިދުމަތް ފޯރުކޮށްދިނުމާއި އަލިފުށީގެ ވަށައިގެންވާ މަގުގައި ތާރު އެޅުމެވެ.'
+  - 'passage: އިއްޔެ ރޭ ފޭދޫގައި އެކްސިޑެންޓްވެގެން ފަރުވާ އަށް މާލެ ފޮނުވާލި ހިތަދޫ
+    ފަސްމާ އަހުމަދު ސައްމާހް އިތުރު ފަރުވާ އަށް ރާއްޖޭން ބޭރަށް ގެންދަން ތައްޔާރުވަމުން
+    އަންނަ ކަމަށް އާއިލާ އިން މިއަދު ބުނެފި އެވެ.ސައްމާހް، 20، ގެ ބައްޕަ މުހައްމަދު
+    އަބްދުﷲ "ހަވީރަ"ށް ބުނީ މި ވަގުތު އައިޖީއެމްއެޗްގައި ފަރުވާދެމުން އަންނަ ދަރިފުޅު
+    ރާއްޖޭން ބޭރަށް، މިއަދު ނުވަތަ މިރޭގެ ވަގުތެއްގައި ގެންދެވޭތޯ މަސައްކަތް ކުރަމުން
+    އަންނަ ކަމަށެވެ."އެކަމަކު ގެންދާނީ ލަންކާ އަށް ކަމެއް ނުވަތަ އިންޑިއާ އަށް ކަމެއް
+    އަދި ކަށަވަރެއް ނުވޭ. މިއަދު ނޫނީ މި ރޭގެ ވަގުތެއްްގައި ފުރޭތޯ އަޅުގަނޑުމެން މި
+    ބަލަނީ،" އައިޖީއެމްއެޗްގައި ހުރެ މުހައްމަދު ބުންޏެވެ.އޭނާ ބުނީ ހިތަދޫ ރީޖަނަލް
+    ހޮސްޕިޓަލްގައި ފަރުވާ ދިނުމަށް ފަހު، ސަައްމާހް މާލެ ގެނެސް ފަރުވާ ދޭން ފެށި ނަމަވެސް
+    ހާލަތަށް މާ ބޮޑު ކުރިއެރުމެއް ނާންނަ ކަމަށެވެ."ގެނައި އިރު ހެއެއް ނެތް. އެކަމަކު
+    މިހާރު ހޭ އެބަހުރި،" މުހައްމަދު ބުންޏެވެ. "އޭނާގެ ހާލަތަށް މާ ބޮޑު ކުރިއެރުމެއް
+    އައިސްފައެއް ނެތް. ޑޮކްޓަރު ވިދާޅުވީ ބޮލަށް ގެއްލުންވެފައި ހުރުމުން ހޭ އެރުން
+    ކުޑަވަނީ ކަމަށް."މުހައްމަދު އަދި ބުނީ ސައްމާހުގެ ބޯ ފަޅައިގެން ގޮސް، ސިކުނޑި އަަށް
+    ލޭ އެޅުން ފިޔަވައި އިތުރު ބޮޑު އަނިޔާއެއް ލިބިފައި ނުވާ ކަމަށެވެ."ﷲގެ އިރާދަފުޅުން
+    ދަރިފުޅުގެ ބޮލަށް ލިބުނު ގެއްލުން ފިޔަވައި ތަނެއް ބިންދައިގެން ދިއުން ކަހަލަ އިތުރު
+    ބޮޑު އަނިޔާއެއްވެފައެއް ނެތް،" މުހައްމަދު ބުންޏެވެ.ސައްމާހް އެކްސިޑެންޓްވީ އޭނާ
+    އާއި ހިތަދޫ ޗަރުކޭސީގޭ މަމްދޫން އަހުމަދު އަލިދީދީ، 22، އާ ދެ މީހުން ސައިކަލްގައި
+    ދަނިކޮށް ފޭދޫ ބޮޑު މަގުގަ އެވެ. އެ ރޭ ދަންވަރު އެ މީހުން ދިޔައީ ހިތަދޫން ގަމަށް
+    ކަމަށް މަމްދޫންގެ އާއިލާ ބުނެފައިވެ އެވެ.އެ ހާދިސާ ހިނގީ އެ މީހުން ދުއްވާފައި
+    ދިޔަ ސައިކަލް ކާރެއްގެ ކުރިއަށް އަރަން އުޅެނިކޮށް، ކޮންޓްރޯލް ނުވެ ގޮސް ފާރެއްގައި
+    ޖެހިގެންނެވެ.މި ހާދިސާގައި މަމްދޫނަށް ހިތަދޫ ރީޖަނަލް ހޮސްޕިޓަލުގައި ފަރުވާ ދެމުން
+    ދަނިކޮށް ވަނީ މަރުވެފަ އެވެ.'
+  - "passage: ޝަންގްރިއްލާ އިން އައްޑު އަތޮޅުގައި ހިންގަމުން އަންނަ ވިލިނގިލި ރިސޯޓުގެ\
+    \ ވަޒީފާ އިން ގަވައިދާ ހިލާފަށް ހަތަރު މުވައްޒަފަކު ވަކިކޮށްފައިވާ ކަމަށް ބުނެ\
+    \ ހަޅުތާލުކުރަމުން ގެންދާ އެ ރިސޯޓުގެ ގިނަ އަދަދެއްގެ ދިވެހި މުވައްޒަފުންނާ މެދު\
+    \ މެނޭޖްމަންޓުން އަދިވެސް ވަކި ގޮތެއް ނުނިންމާ ކަމަށް ޓޫރިޒަމް އެމްޕްލޯއި އެސޯސިއޭޝަން\
+    \ އޮފް މޯލްޑިވްސް (ޓީމް) އިން މިއަދު ބުނެފި އެވެ.ސ. ފޭދޫ ބަނދަރުގައި ތިބެގެން\
+    \ ހުކުރު ދުވަހު ހެނދުނުން ފެށިގެން ހަލުތާލު ކުރަމުންދާ މުވައްޒަފުންނާ މިއަދުން\
+    \ ފެށިގެން ޓީމުގެ ނައިބް ރައީސް މައުރޫފް ޒާކިރު ވެސް ގެންދަވަނީ ބައިވެރިވެވަޑައިގަންނަވަމުންނެވެ.\"\
+    ގަވައިދާ ހިލާފަށް މުވައްޒަފުންތަކެއް ވަކި ކުރުމާ ގުޅިގެން، އިތުރު މުވައްޒަފުންތަކެއް\
+    \ ހަޅުތާލު ކުރަން ފެށުމުން އެ މީހުން ވެސް ވަޒީފާ އިން ވަކިކޮށްފައިވާ ކަމަށް ބުނެ\
+    \ ފުލުހުން ގެންގޮސް ރަށުން ބޭރުކޮށްލާފައިވާ އިރު މިއީ ގާނޫނުއަސާސީގެ ދަށުން ވެސް\
+    \ ކުރެވޭނެ ކަމެއް ނޫން،\" މައުރޫފް ވިދާޅުވި އެވެ.އޭނާ ވިދާޅުވި ގޮތުގައި ހައްގުތަކެއް\
+    \ ހޯދުމަށް ހަޅުތާލުކުރަމުން ދަނިކޮށް ވަޒީފާ އިން ވަކިކުރި ކަމަކަށް މެނޭޖްމަންޓަކަށް\
+    \ ނޭންގޭނެ އެވެ. އަދި މުވައްޒަފުންނާ މެދު ފިޔަވަޅެއް އަޅައިފިއްޔާ އެކަން ރަސްމީކޮށް\
+    \ ލިއުމުން އަންގަން ޖެހޭނެ ކަމަށް ވެސް މައުރޫފް ވިދާޅުވި އެވެ.\"އެހެންނަމަވެސް\
+    \ ހަޅުތާލު ކުރަމުން ދާ މުވައްޒަފުންނާ ދޭތެރޭ އެޅި ފިޔަވަޅެއް މިހާތަނަށް ލިއުމަކުން\
+    \ އަންގާފައެއް ނެތް. އަޅުގަނޑުމެން މި ގެންދަނީ ލޭބާ ރިލޭޝަންއޮތޯރިޓީ އަށް ވެސް\
+    \ މިކަން ހުށަހަޅައިގެން މެނޭޖްމަންޓުގެ ފަރާތުން ލިއުމެއް ހޯދުމަށް މަސައްކަތް ކުރަމުން،\"\
+    \ އޭނާ ވިދާޅުވި އެވެ.މައުރޫފް ވިދާޅުވީ މި މައްސަލާގައި ރިސޯޓްގެ މެނޭޖްމަންޓާ މަޝްވަރާކޮށްފައިވާ\
+    \ ކަމަށެވެ. އެހެންނަމަވެސް ހަޅުތާލު ކުރަމުންދާ މުވައްޒަފުންނާ މެދު އަދިވެސް ގޮތެއް\
+    \ ނިންމާފައި ނުވާ ކަމަށް ރިސޯޓުގެ ޖެނެރަލް މެނޭޖަރު ވެސް ވިދާޅުވި ކަމަށް މައުރޫފް\
+    \ ވިދާޅުވި އެވެ.ރާއްޖޭގައި ހަދާފައިވާ އެންމެ ފެންވަރު މަތީ އެއް ރިސޯޓްގެ  150\
+    \ ދިވެހި މުވައްޒަފުން ހަޅުތާލުގައި މިހާރު ބައިވެރިވަމުން އަންނަ ކަމަށް ބެލެވެ\
+    \ އެވެ.\"މިކަން ފުރަތަމަ ހިނގި އިރު ޖީއެމް ނުވެސް ނެތް. އެހެންނަމަވެސް މިހާރު\
+    \ ޖީއެމް ވަޑައިގަތުމުން މިކަމާ ބެހޭ ގޮތުން ވާހަކަ ދެއްކީމަ ވިދާޅުވީ އެއްވެސް ޑިސިޝަނެއް\
+    \ މެނޭޖްމަންޓުން އަދިވެސް ނަގާފައިނުވާ ކަމަށް،\" މައުރޫފް ވިދާޅުވި އެވެ. \"އެހެންނަމަވެސް\
+    \ މިއަދުގެ ވަގުތެއްގައި އިތުރަށް މަޝްވަރާ ކުރައްވާނެ ކަމަށް ޖީއެމް ވިދާޅުވި.\"\
+    މައުރޫފް ވިދާޅުވީ މުވައްޒަފުންގެ ހައްގުތައް ނުލިބެނީސް ހަޅުތާލު ހުއްޓާ ނުލައި\
+    \ ކުރިއަށް ގެންދާނެ ކަމަށެވެ. އެހެންނަމަވެސް މި މައްސަލަ ވަޒީފާއާ ބެހޭ ޓްރިބިއުނަލް\
+    \ އަށް ހުށަހަޅާފައި ނުވާ ކަމަށް އޭނާ ވިދާޅުވި އެވެ.\"އެތަނަށް އަދި އަޅުގަނޑުމެން\
+    \ މި މައްސަލަ ހުށަހަޅާފައެއް ނެތް. އެތަނަށް މައްސަލަތައް ހުށަހެޅުމުން ވަރަށް ދިގު\
+    \ ޕްރޮސީޖާއެއްގެ ތެރެއިން ނިންމަން ނަގަނީ،\" އޭނާ ވިދާޅުވި އެވެ. \"އެހެންވެ އައްޑޫގައި\
+    \ ތިބި މުވައްޒަފުންތަކެއް ޓްރިބިއުނަލް އަށް ހުށަހަޅައިގެން ކުރިއަށް ގެންދިއުމަކީ\
+    \ ވެސް ފަސޭހަ ކަމެއް ނޫން. އެހެންވެ މުވައްޒަފުންގެ ހައްގު ހޯދުމަށް އެ މީހުން ހަޅުތާލު\
+    \ ކުރަމުން ގެންދާނެ.\"ވިލިނގިލި ރިސޯޓުގެ ހަތަރު މުވައްޒަފަކު ވަޒީފާ އިން ވަކިކޮށްފައި\
+    \ ވަނީ އެ ރިސޯޓުގެ ކޮޓަރިއެއްގައި ހުރި ވަސީލަތްތަކެއް ގަވާއިދާ ހިލާފަށް ބޭނުން\
+    \ ކުރާ ކަމަށް ބުނެ މިދިޔަ ބުދަ ދުވަހު އެވެ. ގިނަ އަދަދެއްގެ މުވައްޒަފުން ހަޅުތާލަކަށް\
+    \ ނިކުތީ އެ ހަތަރު މުވައްޒަފުން ވަޒީފާ އިން ވަކިކުރީ ގަވާއިދާ ހިލާފަށް ކަމަށް\
+    \ ބަލައިގެންނެވެ. \tވިލިނގިލި ރިސޯޓް އެންޑް ސްޕާގެ ކޮމިއުނިކޭޝަން މެނޭޖަރު ލެސްލީ\
+    \ ގާޝިއާ މިއަދު ވިދާޅުވީ މުވައްޒަފުންނާއި މެނޭޖްމަންޓާ ދެމެދު އުފެދިފައިވާ މައްސަލަތައް\
+    \ ހައްލު ކުރުމަށް މަސައްކަތް ކުރަމުން އަންނަ ކަމަށެވެ. އެގޮތުން ދެކުނު ޕްރޮވިންސް\
+    \ އޮފީހާއި ޓީމާ މަޝްވަރާކޮށްގެން ހައްލެއް ހޯދުމަށް މަސައްކަތް ކުރައްވާ ކަމަށް\
+    \ ވެސް އޭނާ ވިދާޅުވި އެވެ. އޭގެ އިތުރު ތަފުސީލެއް އޭނާ ނުދެއްވަ އެވެ."
+- source_sentence: 'query: މިމަހުގެ ކުރީކޮޅުން ފެށިގެން ރައްޔިތުންގެ މަޖިލިސް ޖަލްސާތައް
+    ބާއްވަމުން އަންނައިރު، މިއަދު ބޭއްވި ވޯޓުގައި 57 މެންބަރުންގެ އަޣުލަބިއްޔަތުން
+    ފާސްކުރި އެ ގަރާރަށް އިދިކޮޅު ފަރާތްތަކުން ދެކޮޅެއް ނަހަދައެވެ.'
+  sentences:
+  - 'passage: މާލޭގެ ގެއަކުން ވަގަށްނަގާފައިވާކަމަށް ބެލެވޭ އިލެކްޓްރޯނިކް ސާމާނުތަކެއް
+    ފުލުހުން ހޯދައި ތިން މީހަކު މިއަދު ހައްޔަރުކޮށްފި އެވެ.މިއަދު ހެނދުނު ފުލުހުންނަށް
+    ލިބުނުމައުލޫމާތަކާއި ގުޅިގެން މި މައްސަލައިގައި ހައްޔަރުކުރި މީހުން ދިރިއުޅެމުން
+    ދިޔަ ތަންތަން ބަލާ ފާސްކުރުމުގެތެރޭގައި ހ. ބެރެބެދިމާގެއާގެ އިން ވަގަށް ނަގާފައިވާ
+    ލެޕްޓޮޕަކާއި ދެ ފޯނު ވަނީފުލުހުން ހޯދައިފާ ކަމަށް ފުލުސް އޮފީހުން ބުންޏެވެ.މި 
+    މައްސަލައާ ގުޅިގެން ހައްޔަރުކޮށްފައި ވަނީ ގއ.ވިލިގިލި ހަނދުވަރީގެ މިޔާދު އަހުމަދު،
+    33، އާއި ހ. ސީރާޒް އިބްރާހީމްޝާހް، 33، އާއި މ. ސޭބޫގެ މުހައްމަދު ފާރިޝް، 27، އެވެ.ވަގަށް
+    ނެގި ތަކެތިވެރިފަރާތާ ހަވާލުކުރުމުގެ މަސައްކަތް ދަނީ ކުރަމުން ކަމަށާއި މި މައްސަލަ
+    ފުލުހުން ތަހުގީގުކުރަމުން އަންނަ ކަމަށް ވެސް ފުލުސް އޮފީހުގެ ބަޔާނެއްގައިވެ އެވެ.'
+  - 'passage: ރާއްޖޭގެ ވެރިކަން ކުރުމުގެ މާ ބޮޑު ޝައުގުވެރިކަމެއް މިވަގުތު ނެތް ކަމަށާއި
+    2028 ގެ ރިޔާސީ އިންތިހާބުގައި އޭނާ ވާދަކުރުމާ މެދު ގޮތެއް ނިންމުމުގެ ބާރު އޮތީ
+    ރައްޔިތުންގެ އަތް މަތީގައި ކަމަށް މީދޫ ދާއިރާގެ މެންބަރު އަދި މޯލްޑިވްސް ޑިވެލޮޕްމަންޓު
+    އެލަޔަންސް (އެމްޑީއޭ) ލީޑަރު އަހް��ަދު ސިޔާމް މުހައްމަދު ވިދާޅުވެއްޖެ އެވެ.
+
+    "ރާއްްޖެ ޓީވީ" އަށް ދެއްވި ހާއްސަ އިންޓަވިއުއެއްގައި ވެރިކަން ކުރަން ބޭނުންވެއްޖެ
+    ނަމަ އެކަން ކާމިޔާބު ކުރާނެ ކަމުގެ ޔަގީންކަން ސިޔާމް މިއަދު ދެއްވި އެވެ. މިހާތަނަށް
+    ކާމިޔާބު ނުވާ އެއްވެސް ސިޔާސީ ކެމްޕޭނެއް ނުކުރައްވާ ކަމަށް މީދޫ ދާއިރާގެ ގޮނޑި
+    އެންމެ ގިނަ ދައުރުގައި ފުރުއްވި މެންބަރު ވިދާޅުވި އެވެ.
+
+    "ތި ވާހަކައިގައި އަޅުގަނޑު ދަންނަވާނީ އެއީ ރައްޔިތުން ނިންމާ އެއްޗެއް ދެއްތޯ.
+    ރައްޔިތުން ނިންމަންވީ މިސާލަކަށް އަހްމަދު ސިޔާމް ތިމަންނަމެންގެ މި ގައުމު ހިންގައިދޭށޭ
+    ފަސް އަހަރު. އިރާދު ކުރެއްވިއްޔާ އަޅުގަނޑު އެކަން ކޮށްދޭނަން. ދިވެހިރާއްޖޭގެ ރައްޔިތުންނަށް
+    އެއްވެސް ޒަމާނަކު ނުފެންނަ ވަރަކަށް ވާ ވަރަށް މަތީ ތަރައްގީ ގެނެސްދޭނަން އަޅުގަނޑު,"
+    ސިޔާމް ވިދާޅުވި އެވެ.
+
+    ރާއްޖޭގެ އެންމެ މުހިންމު ދެ މިނިވަން މުއައްސަސާ ކަމަށްވާ އިލެކްޝަންސް ކޮމިޝަން
+    (އީސީ) އާއި އެންޓި ކޮރަޕްޝަން ކޮމިޝަން (އޭސީސީ) ގެ މައްޗަށް ރައީސުލްޖުމްހޫރިއްޔާގެ
+    ފުރިހަމަ ބާރު އޮންނަ ގޮތަށް ދާދިފަހުން ގާނޫނުތައް ވަނީ ބަދަލުކޮށްފަ އެވެ. މިހާރު
+    އެ ކޮމިޝަންތަކުގެ ރައީސް އާއި ނައިބު ރައީސް އައްޔަނު ކުރައްވާނީ ރައީސް ޑރ. މުހައްމަދު
+    މުއިއްޒު އެވެ.
+
+    އެ ކަމަށް އިޝާރާތް ކުރައްވައި ސިޔާމް ވިދާޅުވީ މިނިވަން މުސްތަގިއްލު ކޮމިޝަންތައް
+    ކަމަށް ކަނޑައަޅާފައިވާ ތަންތަން ހިނގަން ޖެހޭނީ މިނިވަންކަމާއެކު ކަމަށެވެ. އެއްވެސް
+    އިރަކު މިނިވަންކޮށް އެ ތަންތަން ހިނގާ ކަމަށް ދެކެވަޑައިނުގަންނަވާ ކަމަށް ސިޔާމް
+    ވިދާޅުވި އެވެ.
+
+    "މި ހިނގައިދާ ހުރިހާ ވައްކަންތަކާއި, ސަރުކާރުގެ ތެރެއިން ފޭދިގެންދާ އެތައް ބިލިއަން
+    ރުފިޔާއަކަށް ވާނުވާއެއް ނޭނގޭ ހުރިހާ ކޮމިޝަންތައް އޮންނައިރު ވެސް. މިހާރު އޮންނަ
+    ގޮތުން އިންޑެޕެންޑެންޓެއް ނޫން އޮންނަ ގޮތެއް. ރައްޔިތުންގެ މަޖިިލީހަށް ފެންނަ
+    ގޮތަކަށް އެކަން ކުރަން އޮންނަނީ. މަޖިލީހުގެ މެޖޯރިޓީ އޮންނަ ފަރާތަކަށް ނޫންތޯ
+    އޭތި ދެވޭނީ. އެހެންވީމާ މެޖޯރިޓީ އޮންނަ ފަރާތަކަށް އޭނާ އެބަ ޖެހޭ ތައުބާވާން,"
+    ސިޔާމް ވިދާޅުވި އެވެ.
+
+    މިވަގުތު އޮތް ޑިމޮކްރަޓިކް ނިޒާމުގައި މާ ބޮޑު ހާމަކަމެއް އޮތް ކަމަށް ދެކެވަޑައިނުގަންނަވާ
+    ކަމަށް ވެސް ސިޔާމް ވިދާޅުވި އެވެ. އަދި, ނިޒާމީ ބޮޑެތި ބަދަލުތަކެއް ގެންނަން ޖެހޭ
+    ކަމަށް ވިދާޅުވެ ސިޔާމް ފާހަގަކުރެއްވީ ސްވިޒަލޭންޑުގެ އޮންނަ ނިޒާމުގެ ވާހަކަ އެވެ.
+
+    މިފަދަ ވާހަކަތަކެއް ދެއްކެވިއިރު، ސިޔާމް ހުންނެވީ މި ސަރުކާރާއި ރައީސް ޑރ. މުހައްމަދު
+    މުއިއްޒުއާއެކު މަސައްކަތް ކުރައްވާ ލީޑަރެއްގެ ގޮތުގަ އެވެ. މަޖިލީހުގައި ވެސް އެމްޑީއޭއިން
+    މަސައްކަތް ކުރައްވަނީ ސަރުކާރާ އެއްކޮޅަށެވެ. އަދި، މި ސަރުކާރުގެ ސިޔާސީ ގިނަ މަގާމުތަކުގައިވެސް
+    އެމްޑީއޭގެ އިސް އޮފިޝަލުން އެބަތިއްބެވެ.'
+  - 'passage: 16: 13ރައްޔިތުންގެ ޚާއްސަ މަޖިލީހުގެ ރައީސް އައްބާސް އިބްރާހީމްގެ މައްޗަށް
+    އިތުބާރު ނެތްކަމަށް ހުށަހެޅިފައިވާ މައްސަލައާ މެދު ބަހުސްކުރުމަށް ބޭއްވި ޖަލްސާގައި
+    އިތުބާރުނެތްކަމަށް ފާހެއް ނުވިއެވެ. އިތުބާރު ނެތްކަމަށް ވޯޓް ދެއްވީ  49 މެމްބަރުންނެވެ.ހެނދުނު  02:
+    9 ގައި ފެށި މި ޖަލްސާގެ ރިއާސަތުގައި އިންނެވީ ޚާއްސަ މަޖިލީހުގެ ނާއިބު ރައީސް
+    އަލްއުސްތާޒް ޝާހީން ހަމީދެވެ. ރައްޔިތުންގެ މަޖިލިސް ކުރާ ގެއިން މައުލޫމާތު ދެއްވި
+    ގޮތުގައި މި ޖަލްސާ ފެށުނު އިރު ތިއްބެވީ ޖުމްލަ  79 މެންބަރުންނެވެ.މިއަދުގެ ޖަލްސާއަކީ
+    އައްބާސްގެ އިތުބާރު ނެތް ކަމަށް މަޖިލީހުގެ  26 މެމްބަރަކު ސޮއިކުރައްވައި މި މަހުގެ  9
+    ވަނަ ދުވަހު ހުށަހަޅުއްވާފައިވާ މައްސަލައާ ގުޅިގެން ބާއްވާ ޖަލްސާއެކެވެ. އައްބާސް
+    އިބްރާހީމްގެ މައްޗަށް އިތުބާރު ނެތް ކަމަށް އެންމެ ފުރަތަމަ ހުށަހަޅުއްވާފައިވަނީ،  2006
+    މާޗް  6 ވަނަ ދުވަހު އެވެ. އެ މައްސަލައާ މެދު  2006 މާޗް މަހު  27 ވަނަ ދުވަހު ބޭއްވި
+    ޖަލްސާގައި އައްބާސްގެ މައްޗަށް އިތުބާރު ނެތް ކަމަށް ވޯޓު ދެއްވީ އެންމެ  24 މެންބަރުންނެވެ.
+    އިތުބާރު އޮތް ކަމަށް  54 މެންބަރުން ވޯޓު ދެއްވުމުން، އައްބާސްގެ މައްޗަށް އިތުބާރު
+    ނެތް ކަމަށް ފާހެއް ނުވި އެވެ.ހާއްސަ މަޖިލީހުން މައްސަލައެއް ފާސްވަނީ މަދުވެގެން  57
+    ވޯޓް ލިބިގެންނެވެ.'
+- source_sentence: 'query: މޯލްޑިވްސް އެމްއެންޑީއެފް ކޯސްޓް ގާޑުން ހޮނިހިރު ދުވަހުގެ
+    ރޭ ސްރީލަންކާގެ މަސްބޯޓެއް އަތުލައިގަތެވެ. ބޯޓުގައި 344 ކިލޯގެ ކްރިސްޓަލް މެތާއި
+    124.6 ކިލޯ ކޮކެއިން ފެނުނެވެ. ބޯޓުގައި ތިބި 5 ފަޅުވެރިން އެންމެން ވެސް ސްރީލަންކާގެ
+    ފިރިހެނުން ކަމަށް ފުލުހުން މަޢުލޫމާތު ދިނެވެ.'
+  sentences:
+  - 'passage: "އަޅުގަނޑު ގަސްތުކުރަން މި ޕާޓީގެ މެންބަޝިޕް ޑްރައިވެއް، މެންބަރުން
+    އިތުރުކުރުމުގެ ހާއްސަ މަސައްކަތެއް އަޅުގަނޑު ފަށައިގެން ކުރިއަށް އޮތް މަސްދުވަހުގެ
+    ތެރޭގައި މި ޕާޓީ އަށް މީހުން ގެނައުމުގެ މަސައްކަތްކުރަން. އަޅުގަނޑާ އެކު އަޅުގަނޑާ
+    ވަރަށް އެކުގައި މަސައްކަތްކުރާ ވަރަށް ގިނަ އިލްމީ، ހިންގުންތެރި، ޒުވާން ބޭފުޅުންތަކެއް
+    މިހާރު ވެސް ގުޅިފައިވާ ކަމުގެ ޔަގީން ތިޔަ ބޭފުޅުންނަށް އަރުވަން،" މިދިޔަ ހުކުރު
+    ދުވަހުގެ ރޭ ކާނިވާ ސަރަހައްދުގައި ބޭއްވި ބިޔަ ޖަލްސާގައި އެ ޕާޓީގެ އާ މެންބަރު
+    އަދި މަޖިލީހުގެ ރައީސް އަބްދުﷲ ޝާހިދު ވައުދުވެ ވަޑައިގެންނެވި އެވެ.އެތައް ހާސް
+    ބަޔަކު ބައިވެރިވި އެ ޖަލްސާގައި ވާހަކަ ދައްކަވަމުން ކެޔޮދޫ ދާއިރާގެ މެންބަރު ޝާހިދު
+    ވިދާޅުވީ އެ މަނިކުފާނު އެމްޑީޕީއާ ގުޅިވައިގަތުމުން ވަރަށް ގިނަ ބަޔަކު މަރުހަބާ
+    ކިޔާފައިވާ ކަމަށާއި އަދި އެ މަނިކުފާނާ އެކު އެ ޕާޓީއާ ގުޅޭނެ ކަމުގެ ޔަގީންކަން
+    ދީފައިވާ ކަމަށެވެ. ޑީއާރުޕީ ދޫކުރައްވައި މިދިޔަ ހަފުތާގައި އެމްޑީޕީއާ ގުޅިވަޑައިގެންނެވި
+    ޝާހިދު އެ ރޭ ކުރެއްވި ވައުދާ އެކު އެ މަނިކުފާނު މިހާރު ވެސް ވަނީ އެ ޕާޓީ އަށް
+    މީހުން އިތުރުކުރެއްވުމަށް މަސައްކަތްތައް ފައްޓަވައިފަ އެވެ. ހަފުތާ ބަންދުގައި
+    ލަންކާ އަށް ކުރެއްވި ދަތުރުފުޅުގައި ވެސް އެ މަނިކުފާނު ވަނީ އެ ޕާޓީ އަށް މެންބަރުންތަކެއް
+    ވައްދައިފަ އެވެ. ސޯޝަލް މީޑިއާގައި އެ ފޮޓޯތައް މިހާރު އާންމުވެފައިވާ އިރު އެ މަނިކުފާނު
+    ވިދާޅުވެފައި ވަނީ ގިނަ އަދަދެއްގެ މެންބަރުންތަކެއް އެ މަނިކުފާނާ އެކު އެމްޑީޕީއާ
+    ގުޅޭނެ ކަމަށެވެ."އަޅުގަނޑު މިއަދު މިހުރީ އެމްޑީޕީގެ މެންބަރުންނާ އެކު ރާއްޖޭގެ
+    ރައްޔިތުންނަށް ހެޔޮ ގޮތްތައް ހޯދައިދިނުމަށް ކުރެވެން ހުރި ހުރިހާ މަސައްކަތްތަކެއް
+    ކުރުމަށް އާކުރަމުން،" އެމްޑީޕީގެ ޕޯޑިއަމްގައި ފުރަތަމަ ފަހަރަށް ވާހަކަ ދައްކަވަމުން
+    ޝާހިދު ވިދާޅުވި އެވެ.އެމްޑީޕީން ބުނީ ޝާހިދު ލަންކާ އަށް ކުރެއްވި ދަތުރުފުޅުގައި
+    ސޮއިކުރެއްވި މެންބަރުންނަކީ އެ މަނިކުފާނު ވިދާޅުވި އެއް މަސް ދުވަހުގެ މަސައްކަތުގެ
+    ފެށުން ކަމަށާއި މި މަސައްކަތުގެ ތެރެއިން ގިނަ މެންބަރުންތަކެއް އެ ޕާޓީއާ ގުޅޭނެ
+    ކަމުގެ ޔަގީންކަން އެބަ އޮތް ކަމަށެވެ.'
+  - 'passage: އއ. މާވަރު ފަޅުތެރެއިން  2006 ވަނަ އަހަރު ފެނުނު  1.6 ޓަނުގެ މަސްތުވާތަކެތީގެ
+    ތެރެއިން ތަހުގީގަށް އެއް ޕެކެޓް ބޭއްވުމަށް ފަހު އެ ހުރިހާ ތަކެއްޗެއް ވެސް އަންދާލާފައި
+    ވަނީ ވަރަށް ފާޅުކަންބޮޑު ގޮތެއްގައި ކަމަށް ފުލުސް އޮފީހުން ބުނެފި އެވެ.ފުލުހުންގެ
+    ބެލުމުގެ ދަށުގައި ހުރި އެ މަސްތުވާތަކެއްޗަށް ވީ ނުވީއެއް ނޭނގޭ ކަމަށް އާއްމު ބައެއް
+    ފަރާތްތަކުންނާއި ރައްޔިތުންގެ މަޖިލީހުގެ ޖަލްސާއެއްގައި މެމްބަރަކު ވެސް ވިދާޅުވުމާ
+    ގުޅިގެން ފުލުހުން ނެރުނު ނޫސް ބަޔާނެއްގައި ވަނީ އެތަކެތި ނައްތާލާފައި ވަނީ އެކި
+    ދުވަސް މަތިން މަސްތުވާތަކެތި އަންދާލުމާ ބެހޭ ކޮމެޓީގެ ބެލުމުގެ ދަށުން ނޫސްވެރިންގެ
+    ވެސް ހާޒިރުގައި ކަމަށެވެ.އެ ބަޔާނުގައިވާ ގޮތުގައި ދޮޅު ޓަނަށް ވުރެ ގިނަ މަސްތުވާތަކެތީގެ
+    ތެރޭގައި ހިމެނޭ  1697 ޕެކެޓްގެ ތެރެއިން އެއް ޕެކެޓް ތަހުގީގަށް ބޭއްވުމަށް ފަހު،
+    އެކި ދުވަސް މަތިން ދޫނިދު އާއި ހުޅުމާލޭގައި ވަނީ އަންދާލައިފަ އެވެ.އަރިއަތޮޅު
+    ގަންގެހި ރިސޯޓު ކައިރީގައި އޮންނަ މާވަރު ފަޅުތެރެ އިން ދޮޅު ޓަނަށް ވުރެ ގިނަ މަސްތުވާތަކެތި
+    ފެނިފައި ވަނީ އިއްސާއި ހުއިފިލަނޑާ ނަގަން އުޅުނު ކ. ދިއްފުށީ ދޯންޏެއްގެ ބަޔަކަށެވެ.'
+  - 'passage: ރާއްޖޭގެ ސަރަހައްދުގައި ޤަވާއިދާއި ޙިލާފަށް އުޅެމުން ދަނިކޮށް އަތުލައިގަތް
+    ސްރީލަންކާގެ މަސް ބޯޓުގައި 344 ކިލޯގެ ކްރިސްޓަލް މެތު އަދި 124.6 ކިލޯ ކޮކެއިން
+    ހުރި ކަމަށް ފުލުހުން ބުނެފިއެވެ.
+
+    މި ބޯޓު އަތުލައިގެންފައި ވަނީ ހޮނިހިރު ދުވަހުގެ ރޭގެ ވަގުތެއްގައި އެމްއެންޑީއެފްގެ
+    ކޯސްޓް ގާޑުންނެވެ.
+
+    ފުލުހުން ހާމަކޮށްފައިވާ ގޮތުގައި ކުޅުދުއްފުށީ ސިޓީގެ ފުލުހުންނާއި އެމްއެންޑީއެފް
+    ކޯސްޓު ގާޑުން އާދީއްތަ ދުވަހުގެ ހެނދުނު ބޯޓު ބަލައި ފާސްކޮށް ބޯޓު ކުޅުދުއްފުށީ
+    ބަނދަރަށް ގެންގޮސްފައިވާ ކަމަށެވެ.
+
+    ކޮމިޝަނަރ އޮފް ޕޮލިސް އަލީ ޝުޖާޢު ނޫސްވެރިންނަށް މަޢުލޫމާތު ދެއްވަމުން ވިދާޅުވީ
+    ސްރީލަންކާގެ މަސް ބޯޓު އަތުލައިގަތީ ހޮނިހިރު ދުވަހުގެ ރޭ ދަންވަރު 12:45 ހާއިރު
+    މަކުނުދޫ ބޭރުން ކަމަށެވެ.
+
+    "އަށެންޕުތަ" ނަމަކަށް ކިޔާ އެ ބޯޓު އަތުލައިގަތް އިރު، ބޯޓުގައި ތިބީ 5 ފަޅުވެރިން
+    ކަމަށާއި އެ އެންމެންނަކީ ވެސް ސްރީލަންކާގެ ފިރިހެނުން ކަމަށް ފުލުހުން ބުނެފައިވެއެވެ.'
+pipeline_tag: sentence-similarity
+library_name: sentence-transformers
+---
+
+# SentenceTransformer
+
+This is a [sentence-transformers](https://www.SBERT.net) model trained. 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:** [Unknown](https://huggingface.co/unknown) -->
+- **Maximum Sequence Length:** 256 tokens
+- **Output Dimensionality:** 768 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': 256, 'do_lower_case': False, 'architecture': 'XLMRobertaModel'})
+  (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("alakxender/e5-dhivehi-summaries-mnr")
+# Run inference
+sentences = [
+    'query: މޯލްޑިވްސް އެމްއެންޑީއެފް ކޯސްޓް ގާޑުން ހޮނިހިރު ދުވަހުގެ ރޭ ސްރީލަންކާގެ މަސްބޯޓެއް އަތުލައިގަތެވެ. ބޯޓުގައި 344 ކިލޯގެ ކްރިސްޓަލް މެތާއި 124.6 ކިލޯ ކޮކެއިން ފެނުނެވެ. ބޯޓުގައި ތިބި 5 ފަޅުވެރިން އެންމެން ވެސް ސްރީލަންކާގެ ފިރިހެނުން ކަމަށް ފުލުހުން މަޢުލޫމާތު ދިނެވެ.',
+    'passage: ރާއްޖޭގެ ސަރަހައްދުގައި ޤަވާއިދާއި ޙިލާފަށް އުޅެމުން ދަނިކޮށް އަތުލައިގަތް ސްރީލަންކާގެ މަސް ބޯޓުގައި 344 ކިލޯގެ ކްރިސްޓަލް މެތު އަދި 124.6 ކިލޯ ކޮކެއިން ހުރި ކަމަށް ފުލުހުން ބުނެފިއެވެ.\nމި ބޯޓު އަތުލައިގެންފައި ވަނީ ހޮނިހިރު ދުވަހުގެ ރޭގެ ވަގުތެއްގައި އެމްއެންޑީއެފްގެ ކޯސްޓް ގާޑުންނެވެ.\nފުލުހުން ހާމަކޮށްފައިވާ ގޮތުގައި ކުޅުދުއްފުށީ ސިޓީގެ ފުލުހުންނާއި އެމްއެންޑީއެފް ކޯސްޓު ގާޑުން އާދީއްތަ ދުވަހުގެ ހެނދުނު ބޯޓު ބަލައި ފާސްކޮށް ބޯޓު ކުޅުދުއްފުށީ ބަނދަރަށް ގެންގޮސްފައިވާ ކަމަށެވެ.\nކޮމިޝަނަރ އޮފް ޕޮލިސް އަލީ ޝުޖާޢު ނޫސްވެރިންނަށް މަޢުލޫމާތު ދެއްވަމުން ވިދާޅުވީ ސްރީލަންކާގެ މަސް ބޯޓު އަތުލައިގަތީ ހޮނިހިރު ދުވަހުގެ ރޭ ދަންވަރު 12:45 ހާއިރު މަކުނުދޫ ބޭރުން ކަމަށެވެ.\n"އަށެންޕުތަ" ނަމަކަށް ކިޔާ އެ ބޯޓު އަތުލައިގަތް އިރު، ބޯޓުގައި ތިބީ 5 ފަޅުވެރިން ކަމަށާއި އެ އެންމެންނަކީ ވެސް ސްރީލަންކާގެ ފިރިހެނުން ކަމަށް ފުލުހުން ބުނެފައިވެއެވެ.',
+    'passage: "އަޅުގަނޑު ގަސްތުކުރަން މި ޕާޓީގެ މެންބަޝިޕް ޑްރައިވެއް، މެންބަރުން އިތުރުކުރުމުގެ ހާއްސަ މަސައްކަތެއް އަޅުގަނޑު ފަށައިގެން ކުރިއަށް އޮތް މަސްދުވަހުގެ ތެރޭގައި މި ޕާޓީ އަށް މީހުން ގެނައުމުގެ މަސައްކަތްކުރަން. އަޅުގަނޑާ އެކު އަޅުގަނޑާ ވަރަށް އެކުގައި މަސައްކަތްކުރާ ވަރަށް ގިނަ އިލްމީ، ހިންގުންތެރި، ޒުވާން ބޭފުޅުންތަކެއް މިހާރު ވެސް ގުޅިފައިވާ ކަމުގެ ޔަގީން ތިޔަ ބޭފުޅުންނަށް އަރުވަން،" މިދިޔަ ހުކުރު ދުވަހުގެ ރޭ ކާނިވާ ސަރަހައްދުގައި ބޭއްވި ބިޔަ ޖަލްސާގައި އެ ޕާޓީގެ އާ މެންބަރު އަދި މަޖިލީހުގެ ރައީސް އަބްދުﷲ ޝާހިދު ވައުދުވެ ވަޑައިގެންނެވި އެވެ.އެތައް ހާސް ބަޔަކު ބައިވެރިވި އެ ޖަލްސާގައި ވާހަކަ ދައްކަވަމުން ކެޔޮދޫ ދާއިރާގެ މެންބަރު ޝާހިދު ވިދާޅުވީ އެ މަނިކުފާނު އެމްޑީޕީއާ ގުޅިވައިގަތުމުން ވަރަށް ގިނަ ބަޔަކު މަރުހަބާ ކިޔާފައިވާ ކަމަށާއި އަދި އެ މަނިކުފާނާ އެކު އެ ޕާޓީއާ ގުޅޭނެ ކަމުގެ ޔަގީންކަން ދީފައިވާ ކަމަށެވެ. ޑީއާރުޕީ ދޫކުރައްވައި މިދިޔަ ހަފުތާގައި އެމްޑީޕީއާ ގުޅިވަޑައިގެންނެވި ޝާހިދު އެ ރޭ ކުރެއްވި ވައުދާ އެކު އެ މަނިކުފާނު މިހާރު ވެސް ވަނީ އެ ޕާޓީ އަށް މީހުން އިތުރުކުރެއްވުމަށް މަސައްކަތްތައް ފައްޓަވައިފަ އެވެ. ހަފުތާ ބަންދުގައި ލަންކާ އަށް ކުރެއްވި ދަތުރުފުޅުގައި ވެސް އެ މަނިކުފާނު ވަނީ އެ ޕާޓީ އަށް މެންބަރުންތަކެއް ވައްދައިފަ އެވެ. ސޯޝަލް މީޑިއާގައި އެ ފޮޓޯތައް މިހާރު އާންމުވެފައިވާ އިރު އެ މަނިކުފާނު ވިދާޅުވެފައި ވަނީ ގިނަ އަދަދެއްގެ މެންބަރުންތަކެއް އެ މަނިކުފާނާ އެކު އެމްޑީޕީއާ ގުޅޭނެ ކަމަށެވެ."އަޅުގަނޑު މިއަދު މިހުރީ އެމްޑީޕީގެ މެންބަރުންނާ އެކު ރާއްޖޭގެ ރައްޔިތުންނަށް ހެޔޮ ގޮތްތައް ހޯދައިދިނުމަށް ކުރެވެން ހުރި ހުރިހާ މަސައްކަތްތަކެއް ކުރުމަށް އާކުރަމުން،" އެމްޑީޕީގެ ޕޯޑިއަމްގައި ފުރަތަމަ ފަހަރަށް ވާހަކަ ދައްކަވަމުން ޝާހިދު ވިދާޅުވި އެވެ.އެމްޑީޕީން ބުނީ ޝާހިދު ލަންކާ އަށް ކުރެއްވި ދަތުރުފުޅުގައި ސޮއިކުރެއްވި މެންބަރުންނަކީ އެ މަނިކުފާނު ވިދާޅުވި އެއް މަސް ދުވަހުގެ މަސައްކަތުގެ ފެށުން ކަމަށާއި މި މަސައްކަތުގެ ތެރެއިން ގިނަ މެންބަރުންތަކެއް އެ ޕާޓީއާ ގުޅޭނެ ކަމުގެ ޔަގީންކަން އެބަ އޮތް ކަމަށެވެ.',
+]
+embeddings = model.encode(sentences)
+print(embeddings.shape)
+# [3, 768]
+
+# Get the similarity scores for the embeddings
+similarities = model.similarity(embeddings, embeddings)
+print(similarities)
+# tensor([[ 1.0000,  0.8751, -0.1675],
+#         [ 0.8751,  1.0000, -0.1739],
+#         [-0.1675, -0.1739,  1.0000]])
+```
+
+<!--
+### 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: 7,652 training samples
+* Columns: <code>sentence_0</code> and <code>sentence_1</code>
+* Approximate statistics based on the first 1000 samples:
+  |         | sentence_0                                                                          | sentence_1                                                                           |
+  |:--------|:------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------|
+  | type    | string                                                                              | string                                                                               |
+  | details | <ul><li>min: 16 tokens</li><li>mean: 82.08 tokens</li><li>max: 183 tokens</li></ul> | <ul><li>min: 34 tokens</li><li>mean: 239.38 tokens</li><li>max: 256 tokens</li></ul> |
+* Samples:
+  | sentence_0                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                   | sentence_1                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                               |
+  |:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
+  | <code>query: ހިންނަވަރުގައި އަލިފާން ރޯކޮށްލަން އުޅުނު މައްސަލައިގައި ޓެރަރިޒަމްގެ ދައުވާ އުފުލާފައި ހުރި މީހެއްގެ މައްޗަށް ކުށް ސާބިތު ނުވާ ކަމަށް ކްރިމިނަލް ކޯޓުން މިއަދު ނިންމައިފިއެވެ. އެ ކޯޓުން ނިންމީ އޭނާގެ މައްޗަށް އުފުލި އެއްވެސް ކުށެއް ސާބިތުނުވާ ކަމަށް ކަނޑައަޅައި، އޭނާއާ ދެކޮޅަށް އުފުލާފައިވާ ހުރިހާ ދައުވާއެއް ބާތިލުކޮށްފައިވާ ކަމަށެވެ. ކުށްވެރިވެއްޖެނަމަ، 10 އަހަރާއި 15 އަހަރުގެ ޖަލު ހުކުމެއް ނުވަތަ ބޭރުކޮށްލުމުގެ އަދަބެއް އޭނާއަށް ކުރިމަތިވެދާނެއެވެ. އަދި އެ ދައުވާތަކުގެ މައްޗަށް އޭނާ ކުށަށް އިއުތިރާފުވެއްޖެނަމަ ރާއްޖެއިން ބޭރަށް ފޮނުވާލެވިދާނެއެވެ. އެ މައްސަލައިގެ އަޑުއެހުންތައް ބޭއްވީ ފިރިހެނުން ހަތް މީހުންނާއި އަންހެނުން ތިން މީހުންގެ ޖުރިމަނާއެއް ކުރިމަތީގައެވެ. މިމަހުގެ ނިޔަލަށް އެ މައްސަލައިގެ ޝަރީއަތް ކުރިއަށް ގެންދިއުމަށް ވަނީ ހަމަޖެހިފައެވެ.</code> | <code>passage: ޅ. ހިންނަވަރު ގެއެއްގައި ރޯކޮށްލި މައްސަލާގައި ދައުލަތުން ދައުވާކުރި މީހާގެ މައްޗަށް ޓެރަރިޒަމްގެ ކުށް ސާބިތުނުވާ ކަމަށް ކްރިމިނަލް ކޯޓުން މިއަދު ހުކުމްކޮށްފި އެވެ.ޅ. ހިންނަވަރު ލަކީ ނިހާދު މުހައްމަދުގެ މައްޗަށް ދައުލަތުން ދައުވާކުރީ އޮގަސްޓް 31، 2011 ވަނަ ދުވަހުގެ ރޭ ހިންނަވަރުގެ ބިޖިލިގޭގައި ރޯކޮށްލާފައިވާތީ ކަމަށް ބުނެއެވެ.އޭނާގެ މައްޗަށް މިއަދު ކުރި ހުކުމުގައިވަނީ އެގޭގައި އޭނާ ރޯކޮށްލިކަން ސާބިތުކުރެވޭ ވަރުގެ ހެކި ލިބިފައި ނުވާތީ އާއި ދައުލަތުން ހުށަހެޅި ހެކިވެރިންގެ ހެކިބަހުން އެކަން ސާބިތުކުރެވޭ ވަރުގެ ހެކި ނެތުމާ އެކު އޭނާގެ މައްޗަށް އެ ކުށް ސާބިތުނުވާ ކަމަށެވެ.ނިހާދުގެ މައްޗަށް ދައުލަތުން އުފުލީ ޓެރަރިޒަމްގެ ދައުވާ އެވެ. އޭނާގެ މައްޗަށް އެ ކުށް ސާބިތުވިނަމަ 10 އަހަރާއި 15 އަހަރާއި ދެމެދުގެ މުއްދަތަކަށް ޖަލަށްލުމަށް ނުވަތަ އަރުވާލުމަށް ހުކުމް ކުރާނެ އެވެ.</code>                                                                                                                                                                                                                              |
+  | <code>query: ހަސަން ސޯލ��ގެ އާއިލާއިން އެދެނީ އޭނާގެ މަރުގެ ސަބަބު ދެނެގަތުމަށް، ތައިލެންޑް ނޫން ގައުމަކުން ޕޯސްޓްމޯޓަމް ހެދި ޑޮކްޓަރުން ގެނެސްގެން އޭނާ މަރާލީ ކޮންކަމަކާ ގުޅިގެންކަން ބެލުމެވެ. މިކަން ކުރުމަށްޓަކައި އިންޑިއާގެ މާހިރުން ގެނެސްގެން އެ މަސައްކަތް ކުރެވޭނެ ގޮތްތައް ހަމަޖައްސައިދިނުމަށް ސަރުކާރުން ވަނީ ހުށަހަޅާފައެވެ. ފުލުހުން ބުނީ މިކަން ކޮށްފައި ވަނީ އޭނާގެ ބައްޕަ އަމިއްލައަށް މަރުގެ ތަހުގީގު ކުރުމަށް އެދިވަޑައިގެންނެވިތީ ކަމަށާއި އަދި މައްސަލައިގެ ހަޤީގަތް ހާމަކުރުމަށް ކުރެވެންހުރި ހުރިހާ ކަމެއްވެސް ކުރަން ޖެހޭ ކަމަށް އެމީހުން ވައުދުވެފައިވާކަމަށް ބުނެއެވެ. މަރުގެ ސަބަބު ދެނެގަތުމަށްޓަކައި ޕޯސްޓްމޯޓަމް ހެދުން މުހިންމުވާނެ. މަރުގެ އިތުރުން އެމަރު ވަށައިގެންވާ ކަންތައްތައް.</code>                                                                                | <code>passage: މާލޭ ދެކުނުފަރާތު ފަޅުތެރޭގައި މަރުވެފައި އޮއްވާ މިދިއަ އާދީއްތަ ދުވަހު ފެނުނު ސ. ހިތަދޫ، ނާޒުކީގޭ، ހުސެން ސޮލާހުގެ މަރުގެ ސަބަބު ދެނެގަތުމަށްޓަކައި އޭނާގެ ޕޯސްޓްމޯޓަމް ރާއްޖޭގައި ހެދޭ ގޮތަށް ސަރުކާރުން ހަމަޖައްސަވައި އެކަން ސޮލާހުގެ އާއިލާއަށް އަންގާފައިވާ ކަމަށް ފުލުހުންގެ އިދާރާއިން ވިދާޅުވެއްޖެ އެވެ.ފުލުހުންގެ އިދާރާ އިން އާންމުކުރި ބަޔާނެއްގައިވާ ގޮތުގައި ސޮލާހު،  ،27 ގެ ހަށިގަނޑުގެ ޕޯސްޓްމޯޓަމް ހަދަން ސަރުކާރުން ހަމަޖެއްސެވީ، ސޮލާހުގެ މަރުގެ ސަބަބު ދެނެގަތުމަށް އަމިއްލަ ގޮތުން ޕޯސްޓްމޯޓަމް ހެދުމަށް އޭނާގެ ބައްޕަ އެދިފައިވުމުގެ އިތުރުން، މި މައްސަލައިގެ ހަގީގަތް ދެނެގަތުމަށް ކުރެވެން ހުރި ހުރިހާ ކަމެއް ކުރުމަށް ފުލުހުންގެ އިދާރާ އިން ވެސް ބޭނުންވާތީ ކަމަށެވެ.ފުލުހުން މިއަދު ވިދާޅުވީ އަވަށްޓެރި ގައުމެއްގެ ރަސްމީ ފަރާތެއް މެދުވެރިކޮށް ގާބިލު ފޮރެންސިކް ޕެތަލޮޖިސްޓުން ގެނެސްގެން ސަލާހުގެ ހަށިގަނޑުގެ ޕޯސްޓްމޯޓަމްގެ މަރުހަލާ ރާއްޖޭގައި ފުރިހަމަ ކުރުމަށް ހަމަޖެހިފައިވާ ކަމަށެވެ.  އަދި އެކަން މިހާރު ސަރުކާރުން، ސޮލާހުގެ ޝަރުއީ ބަލަދުވެރިއާ އަށް ވެސް އަންގަވާފައިވާ ކަމަށް މޯލްޑިވ...</code> |
+  | <code>query: ގާނާ އެއާޕޯޓް ކުންފުނިން ނިންމީ، އަދޮންފުށި ސައުތު ގަމް އިންޑަސްޓްރިއަލް ޓޫރިޒަމްގެ މަސައްކަތްތައް ހިންގާ ރަށުގައި އާންމުންނަށް ދަތުރުފަތުރު ކުރުމާއި އެހެން ބޭނުންތަކަށް ހުއްދަ ދިނުން ހުއްޓާލުމަށް ކަމަށް އެކުންފުނިން ބުނެއެވެ. މިކަން ހާމަކޮށް އެ ކުންފުނީގެ މީޑިއާ އޮފިޝަލް ވިދާޅުވީ، "އެއަރޕޯޓު އަދި އޭގައި ހުރި ހުރިހާ މުދަލެއްވެސް ވަނީ އިންޝުއަރެންސް ކުރެވިފައި" ކަމަށާއި އެހެންކަމުން އެއްވެސް ބެލުމެއް ނެތި ބިމުގައި މޫދަށް އެރުން ނުވަތަ ކެއިންބުއިމުގެ ކަންކަން ކުރިއަށް ގެންދިއުމަކީ އަމާންކަމެއް ނޫން ކަމަށެވެ.</code>                                                                                                                                                                                                                                                          | <code>passage: އައްޑު އަތޮޅުގެ ސިނާއީ ރަށް، ސ. ގަމަށް އާންމުން ދަތުރު ދިއުން ފަދަ ކަންކަމަށް ކުރިން ހުއްދަ ދެމުން ދިޔަ ނަމަވެސް ކުރިއަށް އޮތް ތަނުގައި އެފަދަ ބޭނުންތަކުގައި ގަމަށް ދިއުމަށް ހުއްދަ ނުދޭން ގަން އެއާޕޯޓް ކޮމްޕެނީން ނިންމައިފިއެވެ.މިދިޔަ ޖޫން މަހުގެ ތެރޭގައި ރައީސް އުފެއްދެވި ގަން އެއާޕޯޓް ކޮމްޕެނީ ޕްރައިވެޓް ލިމިޑެޓްގެ ދަށުން ގަން ހިންގާ ގޮތަށް ހަމަޖައްސައި ޖެނުއަރީ މަހުގެ އެއް ވަނަ ދުވަހުން ފެށިގެން ގަމުގައި ހުރި އެމްއެންޑީއެފްގެ ސަދަން ކޮމާންޑަރާއިފުލުހުންގެ މަރުކަޒާއި ދޫގަސް ފިޔަވައި ގަމުގެ ހުރިހާ ސަރަހައްދެއް އެ ކުންފުނީގެ ދަށަށް ވަނީ ގޮސްފަ އެވެ. އެހެންވެ ގަމުގެ ބިމުން އެ ކުންފުނީގެ ބެލުމުގެ ދަށުގައިވާ ސަރަހައްދުގެ ގޮނޑުދޮށާއި، ހޭޅިފަށުގެ އެކި ހިސާބުތަކަށް ދިއުމާއި އަދިވެސް މި ބާވަތުގެއެހެން ބޭނުންތަކަށް ހުޅުވިފައި އޮތް އޮތުން ނިމުމަކަށް ގެނައުމަށް އެއާޕޯޓް ކޮމްޕެނީގެ ޑިރެކްޓަރުންގެ ބޯޑުން ނިންމައިފައިވާ ކަމަށް އެ ކުންފުނީގެ އޮފިޝަލަކު މިއަދު ވިދާޅުވި އެވެ.މިގޮތަށް ނިންމުމާ ގުޅިގެން މިކަން އެ ކުންފުނީގެ ފަރާތުން ރަށްރަށުގެ އޮފީސްތަކަށް ވެސް ވަނީ އަންގައިފަ އެވެ. އަދި މިކަމާ...</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
+
+- `multi_dataset_batch_sampler`: round_robin
+
+#### 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`: 8
+- `per_device_eval_batch_size`: 8
+- `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-05
+- `weight_decay`: 0.0
+- `adam_beta1`: 0.9
+- `adam_beta2`: 0.999
+- `adam_epsilon`: 1e-08
+- `max_grad_norm`: 1
+- `num_train_epochs`: 3
+- `max_steps`: -1
+- `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
+- `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`: round_robin
+- `router_mapping`: {}
+- `learning_rate_mapping`: {}
+
+</details>
+
+### Training Logs
+| Epoch  | Step | Training Loss |
+|:------:|:----:|:-------------:|
+| 0.5225 | 500  | 0.4841        |
+| 1.0449 | 1000 | 0.3781        |
+| 1.5674 | 1500 | 0.2639        |
+| 2.0899 | 2000 | 0.2413        |
+| 2.6123 | 2500 | 0.163         |
+
+
+### Framework Versions
+- Python: 3.9.21
+- Sentence Transformers: 5.0.0
+- Transformers: 4.52.4
+- PyTorch: 2.5.1+cu124
+- Accelerate: 1.3.0
+- 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.*
+-->

config.json

@@ -0,0 +1,28 @@
+{
+  "architectures": [
+    "XLMRobertaModel"
+  ],
+  "attention_probs_dropout_prob": 0.1,
+  "bos_token_id": 0,
+  "classifier_dropout": null,
+  "eos_token_id": 2,
+  "hidden_act": "gelu",
+  "hidden_dropout_prob": 0.1,
+  "hidden_size": 768,
+  "initializer_range": 0.02,
+  "intermediate_size": 3072,
+  "layer_norm_eps": 1e-05,
+  "max_position_embeddings": 514,
+  "model_type": "xlm-roberta",
+  "num_attention_heads": 12,
+  "num_hidden_layers": 12,
+  "output_past": true,
+  "pad_token_id": 1,
+  "position_embedding_type": "absolute",
+  "tokenizer_class": "XLMRobertaTokenizerFast",
+  "torch_dtype": "float32",
+  "transformers_version": "4.52.4",
+  "type_vocab_size": 1,
+  "use_cache": true,
+  "vocab_size": 258002
+}

config_sentence_transformers.json

@@ -0,0 +1,14 @@
+{
+  "model_type": "SentenceTransformer",
+  "__version__": {
+    "sentence_transformers": "5.0.0",
+    "transformers": "4.52.4",
+    "pytorch": "2.5.1+cu124"
+  },
+  "prompts": {
+    "query": "",
+    "document": ""
+  },
+  "default_prompt_name": null,
+  "similarity_fn_name": "cosine"
+}

model.safetensors

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:54e3d31815e9655c8b7ea457dee44b9a98e67a598559f97c50ae31b7df86d0f2
+size 1136773120

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": 256,
+    "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 sha256:013b8cc50c60338ea67e32083ea516ee440230761f2a2b10d554bb79a9390c0d
+size 18641563