Add new SparseEncoder model

README.md

@@ -0,0 +1,469 @@
+---
+base_model: distilbert/distilbert-base-multilingual-cased
+datasets:
+- Omartificial-Intelligence-Space/Arabic-natural-questions
+language:
+- ar
+library_name: sentence-transformers
+license: apache-2.0
+pipeline_tag: feature-extraction
+tags:
+- sentence-transformers
+- sparse-encoder
+- sparse
+- asymmetric
+- inference-free
+- splade
+- generated_from_trainer
+- dataset_size:99000
+- loss:SpladeLoss
+- loss:SparseMultipleNegativesRankingLoss
+- loss:FlopsLoss
+widget:
+- text: رولين (أغنية ليمب بيزكيت) تم تصوير الفيديو الموسيقي على قمة البرج الجنوبي
+    لمركز التجارة العالمي السابق في مدينة نيويورك. يتميز مقدمة بين ستيلر وستيفن دورف
+    يخطئون فريد ديرست لخادم ويعطيه مفاتيح بنتلي ازور. كما يقوم برقص كوميدي هو الرقص
+    السريع السيد ويجلز. بقية الفيديو لديها العديد من التخفيضات لدورست وزملائه في الفرقة
+    يشنقون من بنتلي أثناء قيادتهم حول مانهاتن. الأغنية التي يعزفها بن ستيلر في البداية
+    هي "جيلي" من نفس الألبوم. كما يضم الفيديو مشاهد فريد ديرست مع خمس فتيات يرقصن
+    في غرفة. تم تصوير الفيديو في نفس الوقت تقريبًا مع فيلم زولاندر ، والذي يفسر مظهر
+    ستيلر ودورف. يحتوي فريد ديرست على ظهور كوميدي صغير في ذلك الفيلم.
+- text: حياة الجناح على سطح السفينة حياة الجناح على سطح السفينة هو مسلسل كوميدي أمريكي
+    تم بثه على قناة ديزني من 26 سبتمبر 2008 إلى 6 مايو 2011. إنه تتمة / تغيير لسلسلة
+    قناة ديزني الأصلية حياة زاك وكودي. السلسلة تتبع الأخوين التوأمين زاك وكودي مارتن
+    وريثة الفندق لندن تبتون في بيئة جديدة ، إس إس تبتون ، حيث يلتقيان بدروس في "مدرسة
+    سبعة بحار" ويلتقيان بيللي بيكيت بينما يدير السيد موزبي السفينة. تسافر السفينة
+    في جميع أنحاء العالم إلى دول مثل إيطاليا وفرنسا واليونان والهند والسويد والمملكة
+    المتحدة حيث تواجه الشخصيات ثقافات ومغامرات ومواقف مختلفة.
+- text: الذي لعب دور الموسيقي في فيلم المحاربين
+- text: الحفرة الحفرة هي أداة مزودة بمرفق أداة قطع أو مرفق أداة قيادة ، عادةً ما تكون
+    عبارة عن عدة حفر أو عدة حفر ، وتستخدم لحفر الثقوب في مختلف المواد أو تثبيت مختلف
+    المواد معًا. يتم التمسك بالعقدة في أحد أطراف الحفرة وتدويرها أثناء الضغط عليها
+    ضد المادة المستهدفة. يقوم طرف وأحياناً حواف أداة القطع بعمل القطع في المادة المستهدفة.
+    قد يكون ذلك قطع قطع رقيقة (حفرات التواء أو حفرة النفط) ، وتحطيم الجسيمات الصغيرة
+    (حفرة النفط) ، وتحطيم وإزالة قطعة العمل (حفرة البناء SDS) ، أو عمليات الاعتراض
+    أو التدفق أو عمليات أخرى.
+- text: ليونيل ميسي ولد وترعرع في وسط الأرجنتين، تم تشخيص ميسي بضعف هرمون النمو في
+    طفولته. في سن 13 عاما، انتقل إلى إسبانيا للانضمام إلى برشلونة، التي وافقت على
+    دفع تكاليف علاجه الطبي. بعد التقدم السريع من خلال أكاديمية شباب برشلونة، ظهر ميسي
+    لأول مرة في التنافسية في سن 17 عاما في أكتوبر 2004. على الرغم من كونها عرضة للإصابة
+    خلال مسيرته المبكرة، فقد أسس نفسه كلاعبًا أساسيًا للنادي في غضون السنوات الثلاث
+    التالية، حيث أنهى 2007 كنهائي لكل من جائزة كرة الذهب و لاعب العالم للفيفا للعام،
+    وهو إنجاز كرره في العام التالي. جاءت أول حملة غير منقطعة له في موسم 2008-2009,
+    حيث ساعد برشلونة على تحقيق أول ثلاثية في كرة القدم الإسبانية. في سن 22 عاما، فاز
+    ميسي بجائزة كرة الذهب و لاعب العالم للفيفا بالعام عن طريق حافة التصويت.
+---
+
+# Inference-free SPLADE distilbert-base-multilingual-cased trained on Natural-Questions tuples
+
+This is a [Asymmetric Inference-free SPLADE Sparse Encoder](https://www.sbert.net/docs/sparse_encoder/usage/usage.html) model finetuned from [distilbert/distilbert-base-multilingual-cased](https://huggingface.co/distilbert/distilbert-base-multilingual-cased) on the [arabic-natural-questions](https://huggingface.co/datasets/Omartificial-Intelligence-Space/Arabic-natural-questions) dataset using the [sentence-transformers](https://www.SBERT.net) library. It maps sentences & paragraphs to a 119547-dimensional sparse vector space   and can be used for semantic search and sparse retrieval.
+## Model Details
+
+### Model Description
+- **Model Type:** Asymmetric Inference-free SPLADE Sparse Encoder
+- **Base model:** [distilbert/distilbert-base-multilingual-cased](https://huggingface.co/distilbert/distilbert-base-multilingual-cased) <!-- at revision 45c032ab32cc946ad88a166f7cb282f58c753c2e -->
+- **Maximum Sequence Length:** 512 tokens
+- **Output Dimensionality:** 119547 dimensions
+- **Similarity Function:** Dot Product
+- **Training Dataset:**
+    - [arabic-natural-questions](https://huggingface.co/datasets/Omartificial-Intelligence-Space/Arabic-natural-questions)
+- **Language:** ar
+- **License:** apache-2.0
+
+### Model Sources
+
+- **Documentation:** [Sentence Transformers Documentation](https://sbert.net)
+- **Documentation:** [Sparse Encoder Documentation](https://www.sbert.net/docs/sparse_encoder/usage/usage.html)
+- **Repository:** [Sentence Transformers on GitHub](https://github.com/UKPLab/sentence-transformers)
+- **Hugging Face:** [Sparse Encoders on Hugging Face](https://huggingface.co/models?library=sentence-transformers&other=sparse-encoder)
+
+### Full Model Architecture
+
+```
+SparseEncoder(
+  (0): Router(
+    (query_0_SparseStaticEmbedding): SparseStaticEmbedding({'frozen': False}, dim=119547, tokenizer=DistilBertTokenizerFast)
+    (document_0_MLMTransformer): MLMTransformer({'max_seq_length': 512, 'do_lower_case': False, 'architecture': 'DistilBertForMaskedLM'})
+    (document_1_SpladePooling): SpladePooling({'pooling_strategy': 'max', 'activation_function': 'relu', 'word_embedding_dimension': 119547})
+  )
+)
+```
+
+## 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 SparseEncoder
+
+# Download from the 🤗 Hub
+model = SparseEncoder("Omartificial-Intelligence-Space/inference-free-splade-distilbert-base-Arabic-cased-nq")
+# Run inference
+queries = [
+    "\u0643\u0645 \u0643\u0627\u0646 \u0639\u0645\u0631 \u0645\u064a\u0633\u064a \u0639\u0646\u062f\u0645\u0627 \u0628\u062f\u0623 \u062d\u064a\u0627\u062a\u0647 \u0627\u0644\u0645\u0647\u0646\u064a\u0629",
+]
+documents = [
+    'ليونيل ميسي ولد وترعرع في وسط الأرجنتين، تم تشخيص ميسي بضعف هرمون النمو في طفولته. في سن 13 عاما، انتقل إلى إسبانيا للانضمام إلى برشلونة، التي وافقت على دفع تكاليف علاجه الطبي. بعد التقدم السريع من خلال أكاديمية شباب برشلونة، ظهر ميسي لأول مرة في التنافسية في سن 17 عاما في أكتوبر 2004. على الرغم من كونها عرضة للإصابة خلال مسيرته المبكرة، فقد أسس نفسه كلاعبًا أساسيًا للنادي في غضون السنوات الثلاث التالية، حيث أنهى 2007 كنهائي لكل من جائزة كرة الذهب و لاعب العالم للفيفا للعام، وهو إنجاز كرره في العام التالي. جاءت أول حملة غير منقطعة له في موسم 2008-2009, حيث ساعد برشلونة على تحقيق أول ثلاثية في كرة القدم الإسبانية. في سن 22 عاما، فاز ميسي بجائزة كرة الذهب و لاعب العالم للفيفا بالعام عن طريق حافة التصويت.',
+    'علم روسيا هناك تفسيرات مختلفة لما تعنيه الألوان على العلم الروسي. الأكثر شعبية هي كما يلي: اللون الأبيض يرمز إلى النبلاء والصراحة، والأزرق للاولاء والصدق والعفاف والعفاف، والأحمر للشجاعة والكرم والحب. [1]',
+    'جمهورية تكساس جمهورية تكساس (بالإسبانية:RepÃoblica de Tejas) كانت دولة مستقلة ذات سيادة في أمريكا الشمالية كانت موجودة من 2 مارس 1836 إلى 19 فبراير 1846. تحدها المكسيك من الغرب والجنوب الغربي، وخليج المكسيك من الجنوب الشرقي، ولايتين أمريكيتين لويزيانا وأركنساس من الشرق والشمال الشرقي، وأراضي الولايات المتحدة التي تشمل أجزاء من ولايات أوكلاهوما وأكنساس وكولورادو ووايومنغ الحالية في الولايات المتحدة من الشمال. كان مواطنو الجمهورية يعرفون باسم تكسيين.',
+]
+query_embeddings = model.encode_query(queries)
+document_embeddings = model.encode_document(documents)
+print(query_embeddings.shape, document_embeddings.shape)
+# [1, 119547] [3, 119547]
+
+# Get the similarity scores for the embeddings
+similarities = model.similarity(query_embeddings, document_embeddings)
+print(similarities)
+# tensor([[6.5963, 0.2351, 1.0142]])
+```
+
+<!--
+### 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
+
+#### arabic-natural-questions
+
+* Dataset: [arabic-natural-questions](https://huggingface.co/datasets/Omartificial-Intelligence-Space/Arabic-natural-questions) at [2a52bde](https://huggingface.co/datasets/Omartificial-Intelligence-Space/Arabic-natural-questions/tree/2a52bde67a6aff666932f11b9d922d9565e7cead)
+* Size: 99,000 training samples
+* Columns: <code>query</code> and <code>answer</code>
+* Approximate statistics based on the first 1000 samples:
+  |         | query                                                                             | answer                                                                               |
+  |:--------|:----------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------|
+  | type    | string                                                                            | string                                                                               |
+  | details | <ul><li>min: 7 tokens</li><li>mean: 15.69 tokens</li><li>max: 35 tokens</li></ul> | <ul><li>min: 10 tokens</li><li>mean: 166.92 tokens</li><li>max: 512 tokens</li></ul> |
+* Samples:
+  | query                                                | answer                                                                                                                                                                                                                                                                                                                                                        |
+  |:-----------------------------------------------------|:--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
+  | <code>الذي لعب دور الأب في أبي لا يُوعَظ</code>      | <code>أليكس ماك آرثر (بالإنجليزية: Alex McArthur) (ولد في 6 مارس 1957) هو ممثل أمريكي.</code>                                                                                                                                                                                                                                                                 |
+  | <code>أين كان موقع معركة هستيينغز</code>             | <code>معركة هستنغز معركة هستنغز[1] عُقدت في 14 أكتوبر 1066 بين الجيش النورماندي الفرنسي لويليام دوق نورماندي والجيش الإنجليزي بقيادة الملك الأنجلو ساكسوني هارولد غودوينسون، وبدأت بذلك الفتح النورماني لإنجلترا. وقعت على بعد حوالي 7 أميال (11 كيلومتر) شمال غرب هستنغز، بالقرب من بلدة باتل الحالية في شرق ساسكس، وكانت انتصاراً نورماندياً حاسماً.</code> |
+  | <code>كم عدد الجراء الذي يمكن أن يولدها الكلب</code> | <code>التكاثر الكلابي تم تحديد أكبر حجم للقمامة حتى الآن من قبل مستطيل نابولي في مانيا ، كامبريدجشير ، المملكة المتحدة في 29 نوفمبر 2004 ؛ كان القمامة 24 جروًا. [1]</code>                                                                                                                                                                                   |
+* Loss: [<code>SpladeLoss</code>](https://sbert.net/docs/package_reference/sparse_encoder/losses.html#spladeloss) with these parameters:
+  ```json
+  {
+      "loss": "SparseMultipleNegativesRankingLoss(scale=1.0, similarity_fct='dot_score')",
+      "document_regularizer_weight": 0.003,
+      "query_regularizer_weight": 0
+  }
+  ```
+
+### Evaluation Dataset
+
+#### arabic-natural-questions
+
+* Dataset: [arabic-natural-questions](https://huggingface.co/datasets/Omartificial-Intelligence-Space/Arabic-natural-questions) at [2a52bde](https://huggingface.co/datasets/Omartificial-Intelligence-Space/Arabic-natural-questions/tree/2a52bde67a6aff666932f11b9d922d9565e7cead)
+* Size: 1,000 evaluation samples
+* Columns: <code>query</code> and <code>answer</code>
+* Approximate statistics based on the first 1000 samples:
+  |         | query                                                                             | answer                                                                               |
+  |:--------|:----------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------|
+  | type    | string                                                                            | string                                                                               |
+  | details | <ul><li>min: 6 tokens</li><li>mean: 15.74 tokens</li><li>max: 30 tokens</li></ul> | <ul><li>min: 21 tokens</li><li>mean: 170.43 tokens</li><li>max: 512 tokens</li></ul> |
+* Samples:
+  | query                                              | answer                                                                                                                                                                                                                                                                                                                                                                                                                                                   |
+  |:---------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
+  | <code>أين نهر تيبر في إيطاليا</code>               | <code>التايبر (/ taɪbər /، اللاتينية: Tiberis، [1] الإيطالية: Tevere [teːvere]) [2] هو ثالث أطول نهر في إيطاليا، يرتفع في جبال أبينين في إيميليا-رومانيا ويتدفق 406 كيلومتر (252 ميل) عبر توسكانا وأومبريا ولاتسيو، حيث ينضم إليه نهر أنين، إلى بحر تيرينيان، بين أوستيا وفيوميسينو. [3] يستنزف حوض يقدر بنحو 17،375 كيلومتر مربع (6،709 ميل مربع). حقق النهر شهرة دائمة باعتباره مجرى المياه الرئيسي لمدينة روما، التي تأسست على ضفافها الشرقية.</code> |
+  | <code>ما نوع السيارة التي يقودها جاي غاتسبي</code> | <code>جي غاتسبي في منزل بيوكانان ، قرر جوردان بيكر ، نيك ، جي ، والبيوكانانز زيارة مدينة نيويورك. استعار توم سيارة رولز رويس الصفراء من غاتسبي للقيادة إلى المدينة. في الطريق إلى مدينة نيويورك ، قام توم بتحويل محطة بنزين في "وادي الرماد" ، وهو جزء من لونغ آيلاند. يشارك المالك ، جورج ويلسون ، قلقه من أن زوجته ، ميرتل ، قد تكون على علاقة غرامية. هذا يزعج توم ، الذي كان على علاقة غرامية مع ميرتل ، ويغادر في عجلة من أمره.</code>              |
+  | <code>من يغني إذا كنت أستطيع أن أحلم بك</code>     | <code>"I Can Dream About You" هي أغنية أداءها المغني الأمريكي دان هارتمان في ألبوم الموسيقى الصوتية لفيلم Streets of Fire. تم إصداره في عام 1984 كأغنية فردية من الموسيقى الصوتية ، وشملت في ألبوم هارتمان I Can Dream About You ، حيث وصلت إلى المركز السادس في Billboard Hot 100. [1]</code>                                                                                                                                                           |
+* Loss: [<code>SpladeLoss</code>](https://sbert.net/docs/package_reference/sparse_encoder/losses.html#spladeloss) with these parameters:
+  ```json
+  {
+      "loss": "SparseMultipleNegativesRankingLoss(scale=1.0, similarity_fct='dot_score')",
+      "document_regularizer_weight": 0.003,
+      "query_regularizer_weight": 0
+  }
+  ```
+
+### Training Hyperparameters
+#### Non-Default Hyperparameters
+
+- `eval_strategy`: steps
+- `per_device_train_batch_size`: 16
+- `per_device_eval_batch_size`: 16
+- `learning_rate`: 2e-05
+- `num_train_epochs`: 1
+- `warmup_ratio`: 0.1
+- `fp16`: True
+- `batch_sampler`: no_duplicates
+- `router_mapping`: {'query': 'query', 'answer': 'document'}
+- `learning_rate_mapping`: {'SparseStaticEmbedding\\.weight': 0.001}
+
+#### All Hyperparameters
+<details><summary>Click to expand</summary>
+
+- `overwrite_output_dir`: False
+- `do_predict`: False
+- `eval_strategy`: steps
+- `prediction_loss_only`: True
+- `per_device_train_batch_size`: 16
+- `per_device_eval_batch_size`: 16
+- `per_gpu_train_batch_size`: None
+- `per_gpu_eval_batch_size`: None
+- `gradient_accumulation_steps`: 1
+- `eval_accumulation_steps`: None
+- `torch_empty_cache_steps`: None
+- `learning_rate`: 2e-05
+- `weight_decay`: 0.0
+- `adam_beta1`: 0.9
+- `adam_beta2`: 0.999
+- `adam_epsilon`: 1e-08
+- `max_grad_norm`: 1.0
+- `num_train_epochs`: 1
+- `max_steps`: -1
+- `lr_scheduler_type`: linear
+- `lr_scheduler_kwargs`: {}
+- `warmup_ratio`: 0.1
+- `warmup_steps`: 0
+- `log_level`: passive
+- `log_level_replica`: warning
+- `log_on_each_node`: True
+- `logging_nan_inf_filter`: True
+- `save_safetensors`: True
+- `save_on_each_node`: False
+- `save_only_model`: False
+- `restore_callback_states_from_checkpoint`: False
+- `no_cuda`: False
+- `use_cpu`: False
+- `use_mps_device`: False
+- `seed`: 42
+- `data_seed`: None
+- `jit_mode_eval`: False
+- `use_ipex`: False
+- `bf16`: False
+- `fp16`: True
+- `fp16_opt_level`: O1
+- `half_precision_backend`: auto
+- `bf16_full_eval`: False
+- `fp16_full_eval`: False
+- `tf32`: None
+- `local_rank`: 0
+- `ddp_backend`: None
+- `tpu_num_cores`: None
+- `tpu_metrics_debug`: False
+- `debug`: []
+- `dataloader_drop_last`: False
+- `dataloader_num_workers`: 0
+- `dataloader_prefetch_factor`: None
+- `past_index`: -1
+- `disable_tqdm`: False
+- `remove_unused_columns`: True
+- `label_names`: None
+- `load_best_model_at_end`: False
+- `ignore_data_skip`: False
+- `fsdp`: []
+- `fsdp_min_num_params`: 0
+- `fsdp_config`: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
+- `fsdp_transformer_layer_cls_to_wrap`: None
+- `accelerator_config`: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
+- `deepspeed`: None
+- `label_smoothing_factor`: 0.0
+- `optim`: adamw_torch
+- `optim_args`: None
+- `adafactor`: False
+- `group_by_length`: False
+- `length_column_name`: length
+- `ddp_find_unused_parameters`: None
+- `ddp_bucket_cap_mb`: None
+- `ddp_broadcast_buffers`: False
+- `dataloader_pin_memory`: True
+- `dataloader_persistent_workers`: False
+- `skip_memory_metrics`: True
+- `use_legacy_prediction_loop`: False
+- `push_to_hub`: False
+- `resume_from_checkpoint`: None
+- `hub_model_id`: None
+- `hub_strategy`: every_save
+- `hub_private_repo`: 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
+- `router_mapping`: {'query': 'query', 'answer': 'document'}
+- `learning_rate_mapping`: {'SparseStaticEmbedding\\.weight': 0.001}
+
+</details>
+
+### Training Logs
+| Epoch  | Step | Training Loss | Validation Loss |
+|:------:|:----:|:-------------:|:---------------:|
+| 0.0323 | 200  | 1.1587        | -               |
+| 0.0646 | 400  | 0.6549        | -               |
+| 0.0970 | 600  | 0.5782        | -               |
+| 0.1293 | 800  | 0.477         | -               |
+| 0.1616 | 1000 | 0.4708        | 0.4608          |
+| 0.1939 | 1200 | 0.4667        | -               |
+| 0.2262 | 1400 | 0.4701        | -               |
+| 0.2586 | 1600 | 0.448         | -               |
+| 0.2909 | 1800 | 0.4574        | -               |
+| 0.3232 | 2000 | 0.4382        | 0.4126          |
+| 0.3555 | 2200 | 0.4608        | -               |
+| 0.3878 | 2400 | 0.4083        | -               |
+| 0.4202 | 2600 | 0.4296        | -               |
+| 0.4525 | 2800 | 0.4295        | -               |
+| 0.4848 | 3000 | 0.4093        | 0.3794          |
+| 0.5171 | 3200 | 0.4323        | -               |
+| 0.5495 | 3400 | 0.3924        | -               |
+| 0.5818 | 3600 | 0.3609        | -               |
+| 0.6141 | 3800 | 0.3817        | -               |
+| 0.6464 | 4000 | 0.377         | 0.3553          |
+| 0.6787 | 4200 | 0.3631        | -               |
+| 0.7111 | 4400 | 0.3668        | -               |
+| 0.7434 | 4600 | 0.372         | -               |
+| 0.7757 | 4800 | 0.3525        | -               |
+| 0.8080 | 5000 | 0.3732        | 0.3492          |
+| 0.8403 | 5200 | 0.3669        | -               |
+| 0.8727 | 5400 | 0.368         | -               |
+| 0.9050 | 5600 | 0.3149        | -               |
+| 0.9373 | 5800 | 0.3446        | -               |
+| 0.9696 | 6000 | 0.3468        | 0.3380          |
+
+
+### Framework Versions
+- Python: 3.10.13
+- Sentence Transformers: 5.0.0
+- Transformers: 4.47.1
+- PyTorch: 2.4.1+cu121
+- Accelerate: 1.2.1
+- Datasets: 2.21.0
+- 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",
+}
+```
+
+#### SpladeLoss
+```bibtex
+@misc{formal2022distillationhardnegativesampling,
+      title={From Distillation to Hard Negative Sampling: Making Sparse Neural IR Models More Effective},
+      author={Thibault Formal and Carlos Lassance and Benjamin Piwowarski and Stéphane Clinchant},
+      year={2022},
+      eprint={2205.04733},
+      archivePrefix={arXiv},
+      primaryClass={cs.IR},
+      url={https://arxiv.org/abs/2205.04733},
+}
+```
+
+#### SparseMultipleNegativesRankingLoss
+```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}
+}
+```
+
+#### FlopsLoss
+```bibtex
+@article{paria2020minimizing,
+    title={Minimizing flops to learn efficient sparse representations},
+    author={Paria, Biswajit and Yeh, Chih-Kuan and Yen, Ian EH and Xu, Ning and Ravikumar, Pradeep and P{'o}czos, Barnab{'a}s},
+    journal={arXiv preprint arXiv:2004.05665},
+    year={2020}
+}
+```
+
+<!--
+## 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_sentence_transformers.json

@@ -0,0 +1,14 @@
+{
+  "model_type": "SparseEncoder",
+  "__version__": {
+    "sentence_transformers": "5.0.0",
+    "transformers": "4.47.1",
+    "pytorch": "2.4.1+cu121"
+  },
+  "prompts": {
+    "query": "",
+    "document": ""
+  },
+  "default_prompt_name": null,
+  "similarity_fn_name": "dot"
+}

document_0_MLMTransformer/config.json

@@ -0,0 +1,25 @@
+{
+  "_name_or_path": "distilbert/distilbert-base-multilingual-cased",
+  "activation": "gelu",
+  "architectures": [
+    "DistilBertForMaskedLM"
+  ],
+  "attention_dropout": 0.1,
+  "dim": 768,
+  "dropout": 0.1,
+  "hidden_dim": 3072,
+  "initializer_range": 0.02,
+  "max_position_embeddings": 512,
+  "model_type": "distilbert",
+  "n_heads": 12,
+  "n_layers": 6,
+  "output_past": true,
+  "pad_token_id": 0,
+  "qa_dropout": 0.1,
+  "seq_classif_dropout": 0.2,
+  "sinusoidal_pos_embds": false,
+  "tie_weights_": true,
+  "torch_dtype": "float32",
+  "transformers_version": "4.47.1",
+  "vocab_size": 119547
+}

document_0_MLMTransformer/model.safetensors

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:4cffa45c568ed831e0e529f003408b22b5953361e8885846e20c27f1d4a71515
+size 541795684

document_0_MLMTransformer/sentence_bert_config.json

@@ -0,0 +1,4 @@
+{
+    "max_seq_length": 512,
+    "do_lower_case": false
+}

document_0_MLMTransformer/special_tokens_map.json

@@ -0,0 +1,7 @@
+{
+  "cls_token": "[CLS]",
+  "mask_token": "[MASK]",
+  "pad_token": "[PAD]",
+  "sep_token": "[SEP]",
+  "unk_token": "[UNK]"
+}

document_0_MLMTransformer/tokenizer_config.json

@@ -0,0 +1,56 @@
+{
+  "added_tokens_decoder": {
+    "0": {
+      "content": "[PAD]",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "100": {
+      "content": "[UNK]",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "101": {
+      "content": "[CLS]",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "102": {
+      "content": "[SEP]",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "103": {
+      "content": "[MASK]",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    }
+  },
+  "clean_up_tokenization_spaces": false,
+  "cls_token": "[CLS]",
+  "do_lower_case": false,
+  "extra_special_tokens": {},
+  "mask_token": "[MASK]",
+  "model_max_length": 512,
+  "pad_token": "[PAD]",
+  "sep_token": "[SEP]",
+  "strip_accents": null,
+  "tokenize_chinese_chars": true,
+  "tokenizer_class": "DistilBertTokenizer",
+  "unk_token": "[UNK]"
+}

document_1_SpladePooling/config.json

@@ -0,0 +1,5 @@
+{
+    "pooling_strategy": "max",
+    "activation_function": "relu",
+    "word_embedding_dimension": 119547
+}

modules.json

@@ -0,0 +1,8 @@
+[
+  {
+    "idx": 0,
+    "name": "0",
+    "path": "",
+    "type": "sentence_transformers.models.Router"
+  }
+]

query_0_SparseStaticEmbedding/config.json

@@ -0,0 +1,3 @@
+{
+    "frozen": false
+}

query_0_SparseStaticEmbedding/model.safetensors

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:5a334363be55615a4f042c4ed75ab849e9a5e831bf57e9403ca65047eca28c5c
+size 478268

query_0_SparseStaticEmbedding/special_tokens_map.json

@@ -0,0 +1,7 @@
+{
+  "cls_token": "[CLS]",
+  "mask_token": "[MASK]",
+  "pad_token": "[PAD]",
+  "sep_token": "[SEP]",
+  "unk_token": "[UNK]"
+}

query_0_SparseStaticEmbedding/tokenizer_config.json

@@ -0,0 +1,56 @@
+{
+  "added_tokens_decoder": {
+    "0": {
+      "content": "[PAD]",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "100": {
+      "content": "[UNK]",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "101": {
+      "content": "[CLS]",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "102": {
+      "content": "[SEP]",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "103": {
+      "content": "[MASK]",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    }
+  },
+  "clean_up_tokenization_spaces": false,
+  "cls_token": "[CLS]",
+  "do_lower_case": false,
+  "extra_special_tokens": {},
+  "mask_token": "[MASK]",
+  "model_max_length": 512,
+  "pad_token": "[PAD]",
+  "sep_token": "[SEP]",
+  "strip_accents": null,
+  "tokenize_chinese_chars": true,
+  "tokenizer_class": "DistilBertTokenizer",
+  "unk_token": "[UNK]"
+}

router_config.json

@@ -0,0 +1,20 @@
+{
+    "types": {
+        "query_0_SparseStaticEmbedding": "sentence_transformers.sparse_encoder.models.SparseStaticEmbedding.SparseStaticEmbedding",
+        "document_0_MLMTransformer": "sentence_transformers.sparse_encoder.models.MLMTransformer.MLMTransformer",
+        "document_1_SpladePooling": "sentence_transformers.sparse_encoder.models.SpladePooling.SpladePooling"
+    },
+    "structure": {
+        "query": [
+            "query_0_SparseStaticEmbedding"
+        ],
+        "document": [
+            "document_0_MLMTransformer",
+            "document_1_SpladePooling"
+        ]
+    },
+    "parameters": {
+        "default_route": "document",
+        "allow_empty_key": true
+    }
+}