Queen_of_embeddings_agent_trained_enabled

SentenceTransformer based on sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2

This is a sentence-transformers model finetuned from sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. It maps sentences & paragraphs to a 384-dimensional dense vector space and can be used for semantic textual similarity, semantic search, paraphrase mining, text classification, clustering, and more.

Model Details

Model Description

• Model Type: Sentence Transformer
• Base model: sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 <!-- at revision 86741b4e3f5cb7765a600d3a3d55a0f6a6cb443d -->
• Maximum Sequence Length: 128 tokens
• Output Dimensionality: 384 dimensions
• Similarity Function: Cosine Similarity

<!-- - **Training Dataset:** Unknown --> <!-- - **Language:** Unknown --> <!-- - **License:** Unknown -->

Model Sources

• Documentation: Sentence Transformers Documentation
• Repository: Sentence Transformers on GitHub
• Hugging Face: Sentence Transformers on Hugging Face

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 128, 'do_lower_case': False, 'architecture': 'BertModel'})
  (1): Pooling({'word_embedding_dimension': 384, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
)

Usage

Direct Usage (Sentence Transformers)

First install the Sentence Transformers library:

pip install -U sentence-transformers

Then you can load this model and run inference.

from sentence_transformers import SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("Ahmedhisham/Queen_of_embeddings_agent_trained_enabled")
# Run inference
sentences = [
    'تساريح شعر طويل تالقي دائما بشعر ناعم و طويل تسريحه شعر طويل .',
    'تسريحات جميله و مميزه للشعر الطويل و القصير . تساريح رائعه تناسب البنات الي شعرها طويل و كمان الشعر القصير. قصات شعر للوجه الطويل والنحيف .',
    'مسلسل دهب عيره من انتاج مشترك بين شركه العدل جروب والشركه المتحده للخدمات الاعلاميه، تاليف امين جمال واحمد عادل، واخراج سامح عبد العزيز، وتم التعاقد بشكل رسمي مع الفنانين حلا شيحه، بيومي فؤاد، وجومانا مراد، وخالد انور وجاري التعاقد مع باقي الفنانين حيث سيتم الانتهاء من ذلك قبل نهايه الاسبوع الجاري. الفنانه جومانا مراد مسلسل دهب عيره انتاج مشترك بين شركه العدل جروب للمنتج جمال العدل والشركه المتحده للخدمات الاعلاميه، تاليف امين جمال واحمد عادل، واخراج سامح عبد العزيز، وبطوله يسرا وحلا شيحه، جومانا مراد، عبير صبري، جومانا مراد، بيومي فؤاد، وخالد انور، خالد سرحان، وهنادي مهني وتيام مصطفي قمر وسلوي عثمان ورمزي العدل. يشار الي ان هنادي مهنا تشارك ايضا في بطوله مسلسل دهب عيره للعرض في رمضان المقبل ايضا، ويشارك في بطولته كل من يسرا، حلا شيحه، وجومانه مراد، وعبير صبري، وخالد سرحان، وبيومي فؤاد، ورمزي العدل، وخالد انور، وهنادي مهنا، من انتاج شركه العدل جرب بالتعاون مع مجموعه المتحده للخدمات الاعلاميه .',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 384]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities)
# tensor([[ 1.0000,  0.7655, -0.0186],
#         [ 0.7655,  1.0000,  0.0574],
#         [-0.0186,  0.0574,  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: 100,000 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: 5 tokens</li><li>mean: 48.73 tokens</li><li>max: 128 tokens</li></ul>	<ul><li>min: 11 tokens</li><li>mean: 96.69 tokens</li><li>max: 128 tokens</li></ul>

• Samples:

  sentence_0	sentence_1
  <code>تحميل كتاب صحيح السيره النبويه كتاب صحيح السيره النبويه للتحميل المجاني تحميل الكتاب ، كتب عربيه للتحميل تحميل روايات عربيه تحيل روايات عالميه روايات ، تحميل كتب محمد ناصر الدين الالباني تحميل جميع كتب محمد ناصر الدين الالباني و اقرا مقالات مفيده تذكر كل هذا واكثر علي مكتبه مقهي الكتب .</code>	<code>تاليف الشيخ محمد ناصر الدين الالباني تحميل كتاب الانتصار للحق و اهل العلم الكبار و الرد علي من رمي الالباني بالتساهل كتاب الانتصار للحق و اهل العلم الكبار و الرد علي من رمي الالباني بالتساهل للتحميل المجاني تحميل الكتاب ، كتب عربيه للتحميل تحميل روايات عربيه تحيل روايات عالميه روايات ، تحميل كتب الشيخ محمد ناصر الدين الالباني تحميل جميع كتب الشيخ محمد ناصر الدين الالباني و اقرا مقالات مفيده تذكر كل هذا واكثر علي مكتبه مقهي الكتب . تحميل كتاب السلسله الصحيحه للالباني . تحميل كتاب ميزان النبوه المعجزه ، كتاب ميزان النبوه المعجزه للتحميل المجاني ، تحميل كتب ، وكتب عربيه للتحميل، تحميل روايات عربيه ، تحميل روايت عالميه روايات ، تحميل كتب جمال الحسيني ابو فرحه ، تحميل جميع كتب ومؤلفات جمال الحسيني ابو فرحه و اقرا مقالات مفيده ، تذكر كل هذا واكثر علي مكتبه مقهي الكتب.</code>
  <code>اصدار ملف و تاشيرات من متب العمل تايلينور و فيفادول مثال علي التفاضل والتكامل في الاقتصاد و الاداره هل ممكن التعديل ع ملف اسكان.</code>	<code>التفاضل و التكامل وتطبيقاته في النواحي الماليه والاداريه . نموذج تاشيره خروج و عوده . نموذج تاشيره خروج و عوده .</code>
  <code>بوينا ، مزيج من الليل وبوينا حسن هي الكلمه المستخدمه في عشيه عيد الميلاد .</code>	<code>ترنيمه عيد الميلاد. كلمات بمناسبه عيد الميلاد . ليله عيد..</code>

• Loss: <code>MultipleNegativesRankingLoss</code> with these parameters:

  {
      "scale": 20.0,
      "similarity_fct": "cos_sim",
      "gather_across_devices": false
  }
  

Training Hyperparameters

Non-Default Hyperparameters

• per_device_train_batch_size: 160
• per_device_eval_batch_size: 160
• num_train_epochs: 4
• fp16: True
• 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: 160
• per_device_eval_batch_size: 160
• 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: 4
• 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
• 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}
• parallelism_config: None
• deepspeed: None
• label_smoothing_factor: 0.0
• optim: adamw_torch_fused
• optim_args: None
• adafactor: False
• group_by_length: False
• length_column_name: length
• project: huggingface
• trackio_space_id: trackio
• 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
• hub_revision: None
• 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: no
• neftune_noise_alpha: None
• optim_target_modules: None
• batch_eval_metrics: False
• eval_on_start: False
• use_liger_kernel: False
• liger_kernel_config: None
• eval_use_gather_object: False
• average_tokens_across_devices: True
• prompts: None
• batch_sampler: batch_sampler
• multi_dataset_batch_sampler: round_robin
• router_mapping: {}
• learning_rate_mapping: {}

</details>

Training Logs

Framework Versions

• Python: 3.12.12
• Sentence Transformers: 5.1.2
• Transformers: 4.57.1
• PyTorch: 2.8.0+cu126
• Accelerate: 1.11.0
• Datasets: 4.0.0
• Tokenizers: 0.22.1

Citation

BibTeX

Sentence Transformers

@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

@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.* -->