Update README.md

README.md

@@ -8,23 +8,24 @@ tags:
 - loss:MultipleNegativesRankingLoss
 base_model: sentence-transformers/all-MiniLM-L6-v2
 widget:
-- source_sentence: عواقب ممنوعیت یادداشت های 500 روپیه و 1000 روپیه در مورد اقتصاد
-    هند چیست؟
+- source_sentence: عواقب ممنوعیت یادداشت های 500 روپیه و 1000 روپیه در مورد اقتصاد هند چیست؟
   sentences:
   - آیا باید در فیزیک و علوم کامپیوتر دو برابر کنم؟
   - چگونه اقتصاد هند پس از ممنوعیت 500 1000 یادداشت تحت تأثیر قرار گرفت؟
   - آیا آلمان در اجازه پناهندگان سوری به کشور خود اشتباه کرد؟
-- source_sentence: بهترین شماره پشتیبانی فنی QuickBooks در نیویورک ، ایالات متحده
-    کدام است؟
+- source_sentence: بهترین شماره پشتیبانی فنی QuickBooks در نیویورک ، ایالات متحده کدام است؟
   sentences:
   - فناوری هایی که اکثر مردم از آنها نمی دانند چیست؟
   - بهترین شماره پشتیبانی QuickBooks در آرکانزاس چیست؟
   - چرا در مقایسه با طرف نزدیک ، دهانه های زیادی در قسمت دور ماه وجود دارد؟
-- source_sentence: اقدامات احتیاطی ایمنی در مورد استفاده از اسلحه های پیشنهادی NRA
-    در میشیگان چیست؟
+- source_sentence: >-
+    اقدامات احتیاطی ایمنی در مورد استفاده از اسلحه های پیشنهادی NRA در میشیگان
+    چیست؟
   sentences:
   - پیروزی ترامپ چگونه بر کانادا تأثیر خواهد گذاشت؟
-  - اقدامات احتیاطی ایمنی در مورد استفاده از اسلحه های پیشنهادی NRA در آیداهو چیست؟
+  - >-
+    اقدامات احتیاطی ایمنی در مورد استفاده از اسلحه های پیشنهادی NRA در آیداهو
+    چیست؟
   - مزایای خرید بیمه عمر چیست؟
 - source_sentence: چرا این همه افراد ناراضی هستند؟
   sentences:
@@ -33,13 +34,23 @@ widget:
   - چرا مردم ناراضی هستند؟
 - source_sentence: برای تبدیل شدن به نویسنده برتر Quora ، چند بازدید و پاسخ لازم است؟
   sentences:
-  - چگونه می توانم نویسنده برتر Quora شوم ، از صعود بیشتر و آمار بهتر استفاده کنم؟
-  - چرا بسیاری از افرادی که سؤالاتی را در Quora ارسال می کنند ، ابتدا Google را بررسی
-    می کنند؟
-  - من به دنبال خرید دوچرخه جدید هستم.Suzuki Gixxer 155 یا Honda Hornet 160r.کدام
-    یک را بخرید؟
+  - >-
+    چگونه می توانم نویسنده برتر Quora شوم ، از صعود بیشتر و آمار بهتر استفاده
+    کنم؟
+  - >-
+    چرا بسیاری از افرادی که سؤالاتی را در Quora ارسال می کنند ، ابتدا Google را
+    بررسی می کنند؟
+  - >-
+    من به دنبال خرید دوچرخه جدید هستم.Suzuki Gixxer 155 یا Honda Hornet
+    160r.کدام یک را بخرید؟
 pipeline_tag: sentence-similarity
 library_name: sentence-transformers
+license: mit
+datasets:
+- codersan/PersianSimilarSentences
+language:
+- fa
+- en
 ---
 
 # SentenceTransformer based on sentence-transformers/all-MiniLM-L6-v2
@@ -58,11 +69,6 @@ This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [s
 <!-- - **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
 
@@ -144,480 +150,15 @@ You can finetune this model on your own dataset.
 
 ## Training Details
 
-### Training Dataset
-
-#### Unnamed Dataset
-
-
-* Size: 131,157 training samples
-* Columns: <code>anchor</code> and <code>positive</code>
-* Approximate statistics based on the first 1000 samples:
-  |         | anchor                                                                              | positive                                                                           |
-  |:--------|:------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|
-  | type    | string                                                                              | string                                                                             |
-  | details | <ul><li>min: 11 tokens</li><li>mean: 44.91 tokens</li><li>max: 256 tokens</li></ul> | <ul><li>min: 11 tokens</li><li>mean: 44.6 tokens</li><li>max: 154 tokens</li></ul> |
-* Samples:
-  | anchor                                                                                                                                        | positive                                                                                                                                            |
-  |:----------------------------------------------------------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------------------------------------------------------------|
-  | <code>وقتی سوال من به عنوان "این سوال ممکن است به ویرایش نیاز داشته باشد" چه کاری باید انجام دهم ، اما نمی توانم دلیل آن را پیدا کنم؟</code>  | <code>چرا سوال من به عنوان نیاز به پیشرفت مشخص شده است؟</code>                                                                                      |
-  | <code>چگونه می توانید یک فایل رمزگذاری شده را با دانستن اینکه این یک فایل تصویری است بدون دانستن گسترش پرونده یا کلید ، رمزگشایی کنید؟</code> | <code>چگونه می توانید یک فایل رمزگذاری شده را رمزگشایی کنید و بدانید که این یک فایل تصویری است بدون اینکه از پسوند پرونده اطلاع داشته باشید؟</code> |
-  | <code>احساس می کنم خودکشی می کنم ، چگونه باید با آن برخورد کنم؟</code>                                                                        | <code>احساس می کنم خودکشی می کنم.چه کاری باید انجام دهم؟</code>                                                                                     |
-* Loss: [<code>MultipleNegativesRankingLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters:
-  ```json
-  {
-      "scale": 20.0,
-      "similarity_fct": "cos_sim"
-  }
-  ```
-
 ### Training Hyperparameters
 #### Non-Default Hyperparameters
 
-- `eval_strategy`: steps
-- `per_device_train_batch_size`: 64
-- `learning_rate`: 2e-05
-- `weight_decay`: 0.01
-- `num_train_epochs`: 15
-- `warmup_ratio`: 0.1
-- `push_to_hub`: True
-- `hub_model_id`: codersan/validadted_all-MiniLM_onV9
-- `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`: 64
-- `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`: 2e-05
 - `weight_decay`: 0.01
-- `adam_beta1`: 0.9
-- `adam_beta2`: 0.999
-- `adam_epsilon`: 1e-08
-- `max_grad_norm`: 1
 - `num_train_epochs`: 15
-- `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`: 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`: True
-- `resume_from_checkpoint`: None
-- `hub_model_id`: codersan/validadted_all-MiniLM_onV9
-- `hub_strategy`: every_save
-- `hub_private_repo`: None
-- `hub_always_push`: False
-- `gradient_checkpointing`: False
-- `gradient_checkpointing_kwargs`: None
-- `include_inputs_for_metrics`: False
-- `include_for_metrics`: []
-- `eval_do_concat_batches`: True
-- `fp16_backend`: auto
-- `push_to_hub_model_id`: None
-- `push_to_hub_organization`: None
-- `mp_parameters`: 
-- `auto_find_batch_size`: False
-- `full_determinism`: False
-- `torchdynamo`: None
-- `ray_scope`: last
-- `ddp_timeout`: 1800
-- `torch_compile`: False
-- `torch_compile_backend`: None
-- `torch_compile_mode`: None
-- `dispatch_batches`: None
-- `split_batches`: None
-- `include_tokens_per_second`: False
-- `include_num_input_tokens_seen`: False
-- `neftune_noise_alpha`: None
-- `optim_target_modules`: None
-- `batch_eval_metrics`: False
-- `eval_on_start`: False
-- `use_liger_kernel`: False
-- `eval_use_gather_object`: False
-- `average_tokens_across_devices`: False
-- `prompts`: None
 - `batch_sampler`: no_duplicates
-- `multi_dataset_batch_sampler`: proportional
-
-</details>
-
-### Training Logs
-<details><summary>Click to expand</summary>
-
-| Epoch   | Step  | Training Loss |
-|:-------:|:-----:|:-------------:|
-| 0.0488  | 100   | 2.841         |
-| 0.0976  | 200   | 2.1716        |
-| 0.1463  | 300   | 1.5024        |
-| 0.1951  | 400   | 1.2579        |
-| 0.2439  | 500   | 1.1434        |
-| 0.2927  | 600   | 1.0665        |
-| 0.3415  | 700   | 0.9581        |
-| 0.3902  | 800   | 0.9106        |
-| 0.4390  | 900   | 0.87          |
-| 0.4878  | 1000  | 0.7785        |
-| 0.5366  | 1100  | 0.7591        |
-| 0.5854  | 1200  | 0.6928        |
-| 0.6341  | 1300  | 0.6778        |
-| 0.6829  | 1400  | 0.6395        |
-| 0.7317  | 1500  | 0.6145        |
-| 0.7805  | 1600  | 0.5678        |
-| 0.8293  | 1700  | 0.5602        |
-| 0.8780  | 1800  | 0.5498        |
-| 0.9268  | 1900  | 0.5292        |
-| 0.9756  | 2000  | 0.4819        |
-| 1.0244  | 2100  | 0.4717        |
-| 1.0732  | 2200  | 0.4837        |
-| 1.1220  | 2300  | 0.4404        |
-| 1.1707  | 2400  | 0.4359        |
-| 1.2195  | 2500  | 0.4121        |
-| 1.2683  | 2600  | 0.434         |
-| 1.3171  | 2700  | 0.4018        |
-| 1.3659  | 2800  | 0.3866        |
-| 1.4146  | 2900  | 0.3889        |
-| 1.4634  | 3000  | 0.3595        |
-| 1.5122  | 3100  | 0.3547        |
-| 1.5610  | 3200  | 0.3517        |
-| 1.6098  | 3300  | 0.3331        |
-| 1.6585  | 3400  | 0.3228        |
-| 1.7073  | 3500  | 0.3101        |
-| 1.7561  | 3600  | 0.3071        |
-| 1.8049  | 3700  | 0.288         |
-| 1.8537  | 3800  | 0.3115        |
-| 1.9024  | 3900  | 0.2777        |
-| 1.9512  | 4000  | 0.2902        |
-| 2.0     | 4100  | 0.2926        |
-| 2.0488  | 4200  | 0.2958        |
-| 2.0976  | 4300  | 0.2688        |
-| 2.1463  | 4400  | 0.2647        |
-| 2.1951  | 4500  | 0.2523        |
-| 2.2439  | 4600  | 0.2681        |
-| 2.2927  | 4700  | 0.2714        |
-| 2.3415  | 4800  | 0.2575        |
-| 2.3902  | 4900  | 0.2462        |
-| 2.4390  | 5000  | 0.2466        |
-| 2.4878  | 5100  | 0.2215        |
-| 2.5366  | 5200  | 0.2424        |
-| 2.5854  | 5300  | 0.2264        |
-| 2.6341  | 5400  | 0.2252        |
-| 2.6829  | 5500  | 0.2228        |
-| 2.7317  | 5600  | 0.2337        |
-| 2.7805  | 5700  | 0.1983        |
-| 2.8293  | 5800  | 0.2156        |
-| 2.8780  | 5900  | 0.2088        |
-| 2.9268  | 6000  | 0.2196        |
-| 2.9756  | 6100  | 0.2054        |
-| 3.0244  | 6200  | 0.2114        |
-| 3.0732  | 6300  | 0.2191        |
-| 3.1220  | 6400  | 0.1899        |
-| 3.1707  | 6500  | 0.1958        |
-| 3.2195  | 6600  | 0.1907        |
-| 3.2683  | 6700  | 0.2151        |
-| 3.3171  | 6800  | 0.1918        |
-| 3.3659  | 6900  | 0.1859        |
-| 3.4146  | 7000  | 0.1962        |
-| 3.4634  | 7100  | 0.1807        |
-| 3.5122  | 7200  | 0.1874        |
-| 3.5610  | 7300  | 0.179         |
-| 3.6098  | 7400  | 0.1779        |
-| 3.6585  | 7500  | 0.1726        |
-| 3.7073  | 7600  | 0.1693        |
-| 3.7561  | 7700  | 0.1708        |
-| 3.8049  | 7800  | 0.1697        |
-| 3.8537  | 7900  | 0.1744        |
-| 3.9024  | 8000  | 0.1581        |
-| 3.9512  | 8100  | 0.1761        |
-| 4.0     | 8200  | 0.1724        |
-| 4.0488  | 8300  | 0.1777        |
-| 4.0976  | 8400  | 0.1591        |
-| 4.1463  | 8500  | 0.1559        |
-| 4.1951  | 8600  | 0.1518        |
-| 4.2439  | 8700  | 0.1608        |
-| 4.2927  | 8800  | 0.1751        |
-| 4.3415  | 8900  | 0.1572        |
-| 4.3902  | 9000  | 0.1498        |
-| 4.4390  | 9100  | 0.16          |
-| 4.4878  | 9200  | 0.137         |
-| 4.5366  | 9300  | 0.1545        |
-| 4.5854  | 9400  | 0.1443        |
-| 4.6341  | 9500  | 0.1482        |
-| 4.6829  | 9600  | 0.1383        |
-| 4.7317  | 9700  | 0.1468        |
-| 4.7805  | 9800  | 0.1331        |
-| 4.8293  | 9900  | 0.1471        |
-| 4.8780  | 10000 | 0.1352        |
-| 4.9268  | 10100 | 0.1474        |
-| 4.9756  | 10200 | 0.1465        |
-| 5.0244  | 10300 | 0.1401        |
-| 5.0732  | 10400 | 0.1488        |
-| 5.1220  | 10500 | 0.1285        |
-| 5.1707  | 10600 | 0.1326        |
-| 5.2195  | 10700 | 0.1246        |
-| 5.2683  | 10800 | 0.1532        |
-| 5.3171  | 10900 | 0.1345        |
-| 5.3659  | 11000 | 0.1246        |
-| 5.4146  | 11100 | 0.1344        |
-| 5.4634  | 11200 | 0.1214        |
-| 5.5122  | 11300 | 0.1283        |
-| 5.5610  | 11400 | 0.1235        |
-| 5.6098  | 11500 | 0.1265        |
-| 5.6585  | 11600 | 0.1248        |
-| 5.7073  | 11700 | 0.1204        |
-| 5.7561  | 11800 | 0.119         |
-| 5.8049  | 11900 | 0.1174        |
-| 5.8537  | 12000 | 0.1273        |
-| 5.9024  | 12100 | 0.1107        |
-| 5.9512  | 12200 | 0.1277        |
-| 6.0     | 12300 | 0.1178        |
-| 6.0488  | 12400 | 0.1286        |
-| 6.0976  | 12500 | 0.1145        |
-| 6.1463  | 12600 | 0.1164        |
-| 6.1951  | 12700 | 0.1134        |
-| 6.2439  | 12800 | 0.1211        |
-| 6.2927  | 12900 | 0.125         |
-| 6.3415  | 13000 | 0.1187        |
-| 6.3902  | 13100 | 0.1108        |
-| 6.4390  | 13200 | 0.1148        |
-| 6.4878  | 13300 | 0.1046        |
-| 6.5366  | 13400 | 0.1097        |
-| 6.5854  | 13500 | 0.1066        |
-| 6.6341  | 13600 | 0.1078        |
-| 6.6829  | 13700 | 0.102         |
-| 6.7317  | 13800 | 0.107         |
-| 6.7805  | 13900 | 0.1008        |
-| 6.8293  | 14000 | 0.1113        |
-| 6.8780  | 14100 | 0.0987        |
-| 6.9268  | 14200 | 0.1123        |
-| 6.9756  | 14300 | 0.1062        |
-| 7.0244  | 14400 | 0.1101        |
-| 7.0732  | 14500 | 0.1129        |
-| 7.1220  | 14600 | 0.0963        |
-| 7.1707  | 14700 | 0.1053        |
-| 7.2195  | 14800 | 0.0988        |
-| 7.2683  | 14900 | 0.119         |
-| 7.3171  | 15000 | 0.0993        |
-| 7.3659  | 15100 | 0.0986        |
-| 7.4146  | 15200 | 0.1012        |
-| 7.4634  | 15300 | 0.0902        |
-| 7.5122  | 15400 | 0.103         |
-| 7.5610  | 15500 | 0.0961        |
-| 7.6098  | 15600 | 0.0981        |
-| 7.6585  | 15700 | 0.0972        |
-| 7.7073  | 15800 | 0.0965        |
-| 7.7561  | 15900 | 0.0916        |
-| 7.8049  | 16000 | 0.0943        |
-| 7.8537  | 16100 | 0.0973        |
-| 7.9024  | 16200 | 0.0828        |
-| 7.9512  | 16300 | 0.1036        |
-| 8.0     | 16400 | 0.0986        |
-| 8.0488  | 16500 | 0.1008        |
-| 8.0976  | 16600 | 0.0897        |
-| 8.1463  | 16700 | 0.092         |
-| 8.1951  | 16800 | 0.0901        |
-| 8.2439  | 16900 | 0.0979        |
-| 8.2927  | 17000 | 0.0989        |
-| 8.3415  | 17100 | 0.0937        |
-| 8.3902  | 17200 | 0.0882        |
-| 8.4390  | 17300 | 0.0902        |
-| 8.4878  | 17400 | 0.0792        |
-| 8.5366  | 17500 | 0.0893        |
-| 8.5854  | 17600 | 0.0861        |
-| 8.6341  | 17700 | 0.0866        |
-| 8.6829  | 17800 | 0.0831        |
-| 8.7317  | 17900 | 0.0893        |
-| 8.7805  | 18000 | 0.0785        |
-| 8.8293  | 18100 | 0.093         |
-| 8.8780  | 18200 | 0.0815        |
-| 8.9268  | 18300 | 0.0929        |
-| 8.9756  | 18400 | 0.0869        |
-| 9.0244  | 18500 | 0.0874        |
-| 9.0732  | 18600 | 0.0944        |
-| 9.1220  | 18700 | 0.0809        |
-| 9.1707  | 18800 | 0.0845        |
-| 9.2195  | 18900 | 0.0812        |
-| 9.2683  | 19000 | 0.0966        |
-| 9.3171  | 19100 | 0.0819        |
-| 9.3659  | 19200 | 0.08          |
-| 9.4146  | 19300 | 0.0849        |
-| 9.4634  | 19400 | 0.0773        |
-| 9.5122  | 19500 | 0.0822        |
-| 9.5610  | 19600 | 0.0781        |
-| 9.6098  | 19700 | 0.0798        |
-| 9.6585  | 19800 | 0.0745        |
-| 9.7073  | 19900 | 0.0763        |
-| 9.7561  | 20000 | 0.074         |
-| 9.8049  | 20100 | 0.0786        |
-| 9.8537  | 20200 | 0.082         |
-| 9.9024  | 20300 | 0.0685        |
-| 9.9512  | 20400 | 0.0857        |
-| 10.0    | 20500 | 0.0791        |
-| 10.0488 | 20600 | 0.0865        |
-| 10.0976 | 20700 | 0.0801        |
-| 10.1463 | 20800 | 0.0792        |
-| 10.1951 | 20900 | 0.0754        |
-| 10.2439 | 21000 | 0.082         |
-| 10.2927 | 21100 | 0.0849        |
-| 10.3415 | 21200 | 0.0765        |
-| 10.3902 | 21300 | 0.0749        |
-| 10.4390 | 21400 | 0.0793        |
-| 10.4878 | 21500 | 0.0702        |
-| 10.5366 | 21600 | 0.0751        |
-| 10.5854 | 21700 | 0.074         |
-| 10.6341 | 21800 | 0.0733        |
-| 10.6829 | 21900 | 0.0743        |
-| 10.7317 | 22000 | 0.0747        |
-| 10.7805 | 22100 | 0.0658        |
-| 10.8293 | 22200 | 0.0787        |
-| 10.8780 | 22300 | 0.07          |
-| 10.9268 | 22400 | 0.0803        |
-| 10.9756 | 22500 | 0.074         |
-| 11.0244 | 22600 | 0.0737        |
-| 11.0732 | 22700 | 0.0769        |
-| 11.1220 | 22800 | 0.0652        |
-| 11.1707 | 22900 | 0.0714        |
-| 11.2195 | 23000 | 0.0682        |
-| 11.2683 | 23100 | 0.0873        |
-| 11.3171 | 23200 | 0.0693        |
-| 11.3659 | 23300 | 0.069         |
-| 11.4146 | 23400 | 0.0747        |
-| 11.4634 | 23500 | 0.0647        |
-| 11.5122 | 23600 | 0.0737        |
-| 11.5610 | 23700 | 0.0714        |
-| 11.6098 | 23800 | 0.0715        |
-| 11.6585 | 23900 | 0.0666        |
-| 11.7073 | 24000 | 0.0702        |
-| 11.7561 | 24100 | 0.0643        |
-| 11.8049 | 24200 | 0.0654        |
-| 11.8537 | 24300 | 0.0685        |
-| 11.9024 | 24400 | 0.0593        |
-| 11.9512 | 24500 | 0.0775        |
-| 12.0    | 24600 | 0.0721        |
-| 12.0488 | 24700 | 0.076         |
-| 12.0976 | 24800 | 0.0653        |
-| 12.1463 | 24900 | 0.0677        |
-| 12.1951 | 25000 | 0.0652        |
-| 12.2439 | 25100 | 0.076         |
-| 12.2927 | 25200 | 0.0741        |
-| 12.3415 | 25300 | 0.0677        |
-| 12.3902 | 25400 | 0.065         |
-| 12.4390 | 25500 | 0.0709        |
-| 12.4878 | 25600 | 0.0625        |
-| 12.5366 | 25700 | 0.0666        |
-| 12.5854 | 25800 | 0.0665        |
-| 12.6341 | 25900 | 0.0679        |
-| 12.6829 | 26000 | 0.0636        |
-| 12.7317 | 26100 | 0.0638        |
-| 12.7805 | 26200 | 0.0596        |
-| 12.8293 | 26300 | 0.0693        |
-| 12.8780 | 26400 | 0.0588        |
-| 12.9268 | 26500 | 0.0726        |
-| 12.9756 | 26600 | 0.0671        |
-| 13.0244 | 26700 | 0.0666        |
-| 13.0732 | 26800 | 0.0711        |
-| 13.1220 | 26900 | 0.0604        |
-| 13.1707 | 27000 | 0.0687        |
-| 13.2195 | 27100 | 0.0613        |
-| 13.2683 | 27200 | 0.0781        |
-| 13.3171 | 27300 | 0.0596        |
-| 13.3659 | 27400 | 0.0627        |
-| 13.4146 | 27500 | 0.0655        |
-| 13.4634 | 27600 | 0.0589        |
-| 13.5122 | 27700 | 0.0633        |
-| 13.5610 | 27800 | 0.0622        |
-| 13.6098 | 27900 | 0.065         |
-| 13.6585 | 28000 | 0.06          |
-| 13.7073 | 28100 | 0.063         |
-| 13.7561 | 28200 | 0.0589        |
-| 13.8049 | 28300 | 0.0623        |
-| 13.8537 | 28400 | 0.062         |
-| 13.9024 | 28500 | 0.0559        |
-| 13.9512 | 28600 | 0.0723        |
-| 14.0    | 28700 | 0.0658        |
-| 14.0488 | 28800 | 0.0687        |
-| 14.0976 | 28900 | 0.0606        |
-| 14.1463 | 29000 | 0.0622        |
-| 14.1951 | 29100 | 0.0604        |
-| 14.2439 | 29200 | 0.0657        |
-| 14.2927 | 29300 | 0.067         |
-| 14.3415 | 29400 | 0.0653        |
-| 14.3902 | 29500 | 0.0587        |
-| 14.4390 | 29600 | 0.0641        |
-| 14.4878 | 29700 | 0.0558        |
-| 14.5366 | 29800 | 0.0625        |
-| 14.5854 | 29900 | 0.0613        |
-| 14.6341 | 30000 | 0.0618        |
-| 14.6829 | 30100 | 0.0596        |
-| 14.7317 | 30200 | 0.0575        |
-| 14.7805 | 30300 | 0.0552        |
-| 14.8293 | 30400 | 0.0669        |
-| 14.8780 | 30500 | 0.0552        |
-| 14.9268 | 30600 | 0.0665        |
-| 14.9756 | 30700 | 0.0625        |
-
-</details>
 
 ### Framework Versions
 - Python: 3.10.12
@@ -632,31 +173,12 @@ You can finetune this model on your own dataset.
 
 ### BibTeX
 
-#### Sentence Transformers
+#### WikiFaQA paper
 ```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