model_cca_multilabel_mpnet-65max-full-poorf1

faodl/model_cca_multilabel_mpnet-65max-full-poorf1

model_cca_multilabel_mpnet-65max-full-poorf1 is a text classification model from faodl. Use it when you need a label for a piece of text. It is set up for setfit.

This is a SetFit model that can be used for Text Classification. This SetFit model uses sentence-transformers/paraphrase-multilingual-mpnet-base-v2 as the Sentence Transformer embedding model. A OneVsRestClassifier in…

Downloads · 30 days

30% of all-time downloads

All-time downloads

Public

Parameters

278M

1.1 GB on disk

Likes

Public

Hugging Face

Repo makeup

Click a slice to open those files.

.safetensors1.1 GB · 98%

At a glance

Task: Text Classification
Library: setfit
Model type: xlm-roberta
Access: Public
Created: Nov 7, 2025
Updated: Nov 7, 2025
SHA: 863b3fc5

Try a prompt

Base models

sentence-transformers/paraphrase-multilingual-mpnet-base-v2

Model card

From the Hugging Face model README

SetFit with sentence-transformers/paraphrase-multilingual-mpnet-base-v2

The model has been trained using an efficient few-shot learning technique that involves:

Fine-tuning a Sentence Transformer with contrastive learning.
Training a classification head with features from the fine-tuned Sentence Transformer.

Model Details

Model Description

Model Type: SetFit
Sentence Transformer body: sentence-transformers/paraphrase-multilingual-mpnet-base-v2
Classification head: a OneVsRestClassifier instance
Maximum Sequence Length: 128 tokens
Number of Classes: 95 classes

Model Sources

Repository: SetFit on GitHub
Paper: Efficient Few-Shot Learning Without Prompts
Blogpost: SetFit: Efficient Few-Shot Learning Without Prompts

Uses

Direct Use for Inference

First install the SetFit library:

pip install setfit

Then you can load this model and run inference.

from setfit import SetFitModel

# Download from the 🤗 Hub
model = SetFitModel.from_pretrained("faodl/model_cca_multilabel_mpnet-65max-full-poorf1")
# Run inference
preds = model("Build national capacity for rapid response to chemical spills and accidental releases.")

Training Details

Training Set Metrics

Training set	Min	Median	Max
Word count	1	35.0978	951

Training Hyperparameters

batch_size: (8, 8)
num_epochs: (2, 2)
max_steps: -1
sampling_strategy: oversampling
num_iterations: 10
body_learning_rate: (2e-05, 2e-05)
head_learning_rate: 2e-05
loss: CosineSimilarityLoss
distance_metric: cosine_distance
margin: 0.25
end_to_end: False
use_amp: False
warmup_proportion: 0.1
l2_weight: 0.01
seed: 42
eval_max_steps: -1
load_best_model_at_end: False

Training Results

Epoch	Step	Training Loss	Validation Loss
0.0001	1	0.2365	-
0.0029	50	0.2043	-
0.0058	100	0.2145	-
0.0087	150	0.2015	-
0.0116	200	0.2071	-
0.0145	250	0.1914	-
0.0175	300	0.2113	-
0.0204	350	0.192	-
0.0233	400	0.1882	-
0.0262	450	0.1724	-
0.0291	500	0.1701	-
0.0320	550	0.1663	-
0.0349	600	0.1529	-
0.0378	650	0.1524	-
0.0407	700	0.1597	-
0.0436	750	0.1567	-
0.0466	800	0.1544	-
0.0495	850	0.1645	-
0.0524	900	0.1665	-
0.0553	950	0.1497	-
0.0582	1000	0.1481	-
0.0611	1050	0.1427	-
0.0640	1100	0.1384	-
0.0669	1150	0.1424	-
0.0698	1200	0.1553	-
0.0727	1250	0.1409	-
0.0756	1300	0.1339	-
0.0786	1350	0.1211	-
0.0815	1400	0.1195	-
0.0844	1450	0.121	-
0.0873	1500	0.1444	-
0.0902	1550	0.1215	-
0.0931	1600	0.1355	-
0.0960	1650	0.131	-
0.0989	1700	0.1467	-
0.1018	1750	0.133	-
0.1047	1800	0.1255	-
0.1077	1850	0.1343	-
0.1106	1900	0.1254	-
0.1135	1950	0.1345	-
0.1164	2000	0.1447	-
0.1193	2050	0.1157	-
0.1222	2100	0.1223	-
0.1251	2150	0.11	-
0.1280	2200	0.1249	-
0.1309	2250	0.1176	-
0.1338	2300	0.1142	-
0.1367	2350	0.1225	-
0.1397	2400	0.1171	-
0.1426	2450	0.1185	-
0.1455	2500	0.1107	-
0.1484	2550	0.1062	-
0.1513	2600	0.1211	-
0.1542	2650	0.1019	-
0.1571	2700	0.111	-
0.1600	2750	0.132	-
0.1629	2800	0.1211	-
0.1658	2850	0.1128	-
0.1688	2900	0.1179	-
0.1717	2950	0.1045	-
0.1746	3000	0.1278	-
0.1775	3050	0.1317	-
0.1804	3100	0.1104	-
0.1833	3150	0.1123	-
0.1862	3200	0.1053	-
0.1891	3250	0.1169	-
0.1920	3300	0.1174	-
0.1949	3350	0.1224	-
0.1978	3400	0.1144	-
0.2008	3450	0.0996	-
0.2037	3500	0.1245	-
0.2066	3550	0.1313	-
0.2095	3600	0.1045	-
0.2124	3650	0.1236	-
0.2153	3700	0.1146	-
0.2182	3750	0.1037	-
0.2211	3800	0.1091	-
0.2240	3850	0.0977	-
0.2269	3900	0.1115	-
0.2299	3950	0.1108	-
0.2328	4000	0.1195	-
0.2357	4050	0.1078	-
0.2386	4100	0.1292	-
0.2415	4150	0.0997	-
0.2444	4200	0.0964	-
0.2473	4250	0.1019	-
0.2502	4300	0.1016	-
0.2531	4350	0.1137	-
0.2560	4400	0.0781	-
0.2589	4450	0.1085	-
0.2619	4500	0.1027	-
0.2648	4550	0.0933	-
0.2677	4600	0.1073	-
0.2706	4650	0.0965	-
0.2735	4700	0.0991	-
0.2764	4750	0.0861	-
0.2793	4800	0.1062	-
0.2822	4850	0.1019	-
0.2851	4900	0.0952	-
0.2880	4950	0.1019	-
0.2910	5000	0.0966	-
0.2939	5050	0.1027	-
0.2968	5100	0.0978	-
0.2997	5150	0.0919	-
0.3026	5200	0.0872	-
0.3055	5250	0.0957	-
0.3084	5300	0.0751	-
0.3113	5350	0.0908	-
0.3142	5400	0.0888	-
0.3171	5450	0.0882	-
0.3200	5500	0.0935	-
0.3230	5550	0.0805	-
0.3259	5600	0.0828	-
0.3288	5650	0.081	-
0.3317	5700	0.0983	-
0.3346	5750	0.0908	-
0.3375	5800	0.0839	-
0.3404	5850	0.0788	-
0.3433	5900	0.0857	-
0.3462	5950	0.0874	-
0.3491	6000	0.0922	-
0.3521	6050	0.0874	-
0.3550	6100	0.0894	-
0.3579	6150	0.0881	-
0.3608	6200	0.0818	-
0.3637	6250	0.0712	-
0.3666	6300	0.0776	-
0.3695	6350	0.0661	-
0.3724	6400	0.0802	-
0.3753	6450	0.0879	-
0.3782	6500	0.0804	-
0.3811	6550	0.0875	-
0.3841	6600	0.0965	-
0.3870	6650	0.0696	-
0.3899	6700	0.0674	-
0.3928	6750	0.0876	-
0.3957	6800	0.0811	-
0.3986	6850	0.0848	-
0.4015	6900	0.0664	-
0.4044	6950	0.0819	-
0.4073	7000	0.0636	-
0.4102	7050	0.0723	-
0.4132	7100	0.064	-
0.4161	7150	0.0758	-
0.4190	7200	0.0864	-
0.4219	7250	0.0735	-
0.4248	7300	0.0778	-
0.4277	7350	0.0867	-
0.4306	7400	0.0866	-
0.4335	7450	0.0607	-
0.4364	7500	0.0764	-
0.4393	7550	0.0845	-
0.4422	7600	0.0723	-
0.4452	7650	0.0767	-
0.4481	7700	0.074	-
0.4510	7750	0.0699	-
0.4539	7800	0.0755	-
0.4568	7850	0.0598	-
0.4597	7900	0.0733	-
0.4626	7950	0.0731	-
0.4655	8000	0.0811	-
0.4684	8050	0.0679	-
0.4713	8100	0.0708	-
0.4743	8150	0.0615	-
0.4772	8200	0.0652	-
0.4801	8250	0.0655	-
0.4830	8300	0.0642	-
0.4859	8350	0.0797	-
0.4888	8400	0.0652	-
0.4917	8450	0.0627	-
0.4946	8500	0.0468	-
0.4975	8550	0.0736	-
0.5004	8600	0.0757	-
0.5033	8650	0.0761	-
0.5063	8700	0.0666	-
0.5092	8750	0.0771	-
0.5121	8800	0.0677	-
0.5150	8850	0.0601	-
0.5179	8900	0.0638	-
0.5208	8950	0.0707	-
0.5237	9000	0.0738	-
0.5266	9050	0.0655	-
0.5295	9100	0.0596	-
0.5324	9150	0.0483	-
0.5354	9200	0.0701	-
0.5383	9250	0.0592	-
0.5412	9300	0.0617	-
0.5441	9350	0.068	-
0.5470	9400	0.0647	-
0.5499	9450	0.0719	-
0.5528	9500	0.0531	-
0.5557	9550	0.057	-
0.5586	9600	0.0608	-
0.5615	9650	0.0723	-
0.5644	9700	0.0528	-
0.5674	9750	0.0719	-
0.5703	9800	0.06	-
0.5732	9850	0.0522	-
0.5761	9900	0.0502	-
0.5790	9950	0.0506	-
0.5819	10000	0.0691	-
0.5848	10050	0.0643	-
0.5877	10100	0.0644	-
0.5906	10150	0.0594	-
0.5935	10200	0.0458	-
0.5965	10250	0.0495	-
0.5994	10300	0.0664	-
0.6023	10350	0.0735	-
0.6052	10400	0.0637	-
0.6081	10450	0.0618	-
0.6110	10500	0.0529	-
0.6139	10550	0.067	-
0.6168	10600	0.0576	-
0.6197	10650	0.0554	-
0.6226	10700	0.0599	-
0.6255	10750	0.0785	-
0.6285	10800	0.056	-
0.6314	10850	0.0711	-
0.6343	10900	0.0562	-
0.6372	10950	0.0679	-
0.6401	11000	0.0589	-
0.6430	11050	0.056	-
0.6459	11100	0.0641	-
0.6488	11150	0.0557	-
0.6517	11200	0.0561	-
0.6546	11250	0.0653	-
0.6576	11300	0.0676	-
0.6605	11350	0.0533	-
0.6634	11400	0.0591	-
0.6663	11450	0.0588	-
0.6692	11500	0.0719	-
0.6721	11550	0.0481	-
0.6750	11600	0.0542	-
0.6779	11650	0.0596	-
0.6808	11700	0.0501	-
0.6837	11750	0.0572	-
0.6866	11800	0.0514	-
0.6896	11850	0.0418	-
0.6925	11900	0.0556	-
0.6954	11950	0.0479	-
0.6983	12000	0.0398	-
0.7012	12050	0.0495	-
0.7041	12100	0.0596	-
0.7070	12150	0.0387	-
0.7099	12200	0.0682	-
0.7128	12250	0.0647	-
0.7157	12300	0.0535	-
0.7186	12350	0.0478	-
0.7216	12400	0.045	-
0.7245	12450	0.0494	-
0.7274	12500	0.0551	-
0.7303	12550	0.0497	-
0.7332	12600	0.0531	-
0.7361	12650	0.0414	-
0.7390	12700	0.0576	-
0.7419	12750	0.0565	-
0.7448	12800	0.0507	-
0.7477	12850	0.0513	-
0.7507	12900	0.0342	-
0.7536	12950	0.0512	-
0.7565	13000	0.0497	-
0.7594	13050	0.0506	-
0.7623	13100	0.0458	-
0.7652	13150	0.0424	-
0.7681	13200	0.0583	-
0.7710	13250	0.0482	-
0.7739	13300	0.0562	-
0.7768	13350	0.0522	-
0.7797	13400	0.0435	-
0.7827	13450	0.052	-
0.7856	13500	0.04	-
0.7885	13550	0.0418	-
0.7914	13600	0.0619	-
0.7943	13650	0.0407	-
0.7972	13700	0.0472	-
0.8001	13750	0.0531	-
0.8030	13800	0.0487	-
0.8059	13850	0.0497	-
0.8088	13900	0.0356	-
0.8118	13950	0.0544	-
0.8147	14000	0.0429	-
0.8176	14050	0.0406	-
0.8205	14100	0.0471	-
0.8234	14150	0.0529	-
0.8263	14200	0.0388	-
0.8292	14250	0.0372	-
0.8321	14300	0.0515	-
0.8350	14350	0.0435	-
0.8379	14400	0.0428	-
0.8408	14450	0.0437	-
0.8438	14500	0.0386	-
0.8467	14550	0.0456	-
0.8496	14600	0.0544	-
0.8525	14650	0.0604	-
0.8554	14700	0.0515	-
0.8583	14750	0.0461	-
0.8612	14800	0.04	-
0.8641	14850	0.0528	-
0.8670	14900	0.0423	-
0.8699	14950	0.053	-
0.8729	15000	0.0385	-
0.8758	15050	0.0484	-
0.8787	15100	0.044	-
0.8816	15150	0.0464	-
0.8845	15200	0.045	-
0.8874	15250	0.0488	-
0.8903	15300	0.0476	-
0.8932	15350	0.0537	-
0.8961	15400	0.0433	-
0.8990	15450	0.043	-
0.9019	15500	0.0463	-
0.9049	15550	0.0367	-
0.9078	15600	0.0418	-
0.9107	15650	0.0471	-
0.9136	15700	0.0386	-
0.9165	15750	0.0436	-
0.9194	15800	0.041	-
0.9223	15850	0.044	-
0.9252	15900	0.0396	-
0.9281	15950	0.0388	-
0.9310	16000	0.0388	-
0.9340	16050	0.0414	-
0.9369	16100	0.0416	-
0.9398	16150	0.0328	-
0.9427	16200	0.0381	-
0.9456	16250	0.0426	-
0.9485	16300	0.0374	-
0.9514	16350	0.0471	-
0.9543	16400	0.0346	-
0.9572	16450	0.0418	-
0.9601	16500	0.0397	-
0.9630	16550	0.037	-
0.9660	16600	0.0303	-
0.9689	16650	0.0535	-
0.9718	16700	0.0451	-
0.9747	16750	0.0479	-
0.9776	16800	0.0419	-
0.9805	16850	0.0468	-
0.9834	16900	0.0551	-
0.9863	16950	0.0395	-
0.9892	17000	0.0312	-
0.9921	17050	0.0423	-
0.9951	17100	0.0337	-
0.9980	17150	0.0519	-
1.0009	17200	0.0393	-
1.0038	17250	0.0328	-
1.0067	17300	0.0322	-
1.0096	17350	0.0368	-
1.0125	17400	0.0465	-
1.0154	17450	0.0372	-
1.0183	17500	0.0353	-
1.0212	17550	0.0302	-
1.0241	17600	0.025	-
1.0271	17650	0.031	-
1.0300	17700	0.0345	-
1.0329	17750	0.032	-
1.0358	17800	0.0346	-
1.0387	17850	0.0375	-
1.0416	17900	0.0438	-
1.0445	17950	0.0464	-
1.0474	18000	0.0375	-
1.0503	18050	0.0305	-
1.0532	18100	0.0381	-
1.0562	18150	0.0447	-
1.0591	18200	0.0383	-
1.0620	18250	0.0319	-
1.0649	18300	0.0429	-
1.0678	18350	0.0353	-
1.0707	18400	0.0381	-
1.0736	18450	0.0421	-
1.0765	18500	0.0409	-
1.0794	18550	0.04	-
1.0823	18600	0.027	-
1.0852	18650	0.028	-
1.0882	18700	0.0392	-
1.0911	18750	0.0326	-
1.0940	18800	0.0364	-
1.0969	18850	0.0366	-
1.0998	18900	0.0354	-
1.1027	18950	0.0397	-
1.1056	19000	0.0408	-
1.1085	19050	0.0322	-
1.1114	19100	0.0286	-
1.1143	19150	0.0386	-
1.1173	19200	0.0448	-
1.1202	19250	0.0423	-
1.1231	19300	0.041	-
1.1260	19350	0.0324	-
1.1289	19400	0.039	-
1.1318	19450	0.0365	-
1.1347	19500	0.0314	-
1.1376	19550	0.035	-
1.1405	19600	0.0362	-
1.1434	19650	0.0357	-
1.1463	19700	0.0354	-
1.1493	19750	0.0309	-
1.1522	19800	0.0389	-
1.1551	19850	0.0455	-
1.1580	19900	0.0362	-
1.1609	19950	0.0318	-
1.1638	20000	0.0372	-
1.1667	20050	0.0417	-
1.1696	20100	0.0301	-
1.1725	20150	0.0391	-
1.1754	20200	0.0286	-
1.1784	20250	0.0398	-
1.1813	20300	0.0263	-
1.1842	20350	0.038	-
1.1871	20400	0.0317	-
1.1900	20450	0.0347	-
1.1929	20500	0.0353	-
1.1958	20550	0.0421	-
1.1987	20600	0.0307	-
1.2016	20650	0.0284	-
1.2045	20700	0.0324	-
1.2074	20750	0.029	-
1.2104	20800	0.027	-
1.2133	20850	0.0284	-
1.2162	20900	0.0291	-
1.2191	20950	0.0332	-
1.2220	21000	0.0312	-
1.2249	21050	0.0442	-
1.2278	21100	0.0235	-
1.2307	21150	0.0385	-
1.2336	21200	0.0292	-
1.2365	21250	0.0379	-
1.2395	21300	0.0395	-
1.2424	21350	0.0219	-
1.2453	21400	0.0295	-
1.2482	21450	0.032	-
1.2511	21500	0.0274	-
1.2540	21550	0.0273	-
1.2569	21600	0.0314	-
1.2598	21650	0.0424	-
1.2627	21700	0.0374	-
1.2656	21750	0.0232	-
1.2685	21800	0.03	-
1.2715	21850	0.0325	-
1.2744	21900	0.042	-
1.2773	21950	0.0295	-
1.2802	22000	0.0313	-
1.2831	22050	0.034	-
1.2860	22100	0.0238	-
1.2889	22150	0.034	-
1.2918	22200	0.0272	-
1.2947	22250	0.0277	-
1.2976	22300	0.0367	-
1.3006	22350	0.0327	-
1.3035	22400	0.0409	-
1.3064	22450	0.0336	-
1.3093	22500	0.0251	-
1.3122	22550	0.0307	-
1.3151	22600	0.0428	-
1.3180	22650	0.0334	-
1.3209	22700	0.0345	-
1.3238	22750	0.0413	-
1.3267	22800	0.0247	-
1.3296	22850	0.0244	-
1.3326	22900	0.035	-
1.3355	22950	0.022	-
1.3384	23000	0.0325	-
1.3413	23050	0.0306	-
1.3442	23100	0.0275	-
1.3471	23150	0.0375	-
1.3500	23200	0.034	-
1.3529	23250	0.0326	-
1.3558	23300	0.0338	-
1.3587	23350	0.0382	-
1.3617	23400	0.0249	-
1.3646	23450	0.0331	-
1.3675	23500	0.0362	-
1.3704	23550	0.0256	-
1.3733	23600	0.0376	-
1.3762	23650	0.0304	-
1.3791	23700	0.0282	-
1.3820	23750	0.0285	-
1.3849	23800	0.0388	-
1.3878	23850	0.0279	-
1.3907	23900	0.0326	-
1.3937	23950	0.0334	-
1.3966	24000	0.0336	-
1.3995	24050	0.0273	-
1.4024	24100	0.0313	-
1.4053	24150	0.0332	-
1.4082	24200	0.0244	-
1.4111	24250	0.0341	-
1.4140	24300	0.0299	-
1.4169	24350	0.0382	-
1.4198	24400	0.0289	-
1.4228	24450	0.0289	-
1.4257	24500	0.0275	-
1.4286	24550	0.0327	-
1.4315	24600	0.031	-
1.4344	24650	0.0266	-
1.4373	24700	0.0391	-
1.4402	24750	0.0378	-
1.4431	24800	0.0317	-
1.4460	24850	0.0198	-
1.4489	24900	0.0231	-
1.4518	24950	0.0271	-
1.4548	25000	0.0326	-
1.4577	25050	0.0307	-
1.4606	25100	0.0279	-
1.4635	25150	0.0287	-
1.4664	25200	0.0296	-
1.4693	25250	0.0228	-
1.4722	25300	0.0273	-
1.4751	25350	0.0345	-
1.4780	25400	0.0208	-
1.4809	25450	0.0358	-
1.4839	25500	0.0291	-
1.4868	25550	0.0384	-
1.4897	25600	0.0249	-
1.4926	25650	0.0361	-
1.4955	25700	0.0353	-
1.4984	25750	0.0243	-
1.5013	25800	0.0264	-
1.5042	25850	0.0241	-
1.5071	25900	0.0225	-
1.5100	25950	0.0238	-
1.5129	26000	0.0303	-
1.5159	26050	0.0268	-
1.5188	26100	0.0266	-
1.5217	26150	0.0262	-
1.5246	26200	0.0261	-
1.5275	26250	0.0363	-
1.5304	26300	0.0165	-
1.5333	26350	0.0244	-
1.5362	26400	0.0348	-
1.5391	26450	0.032	-
1.5420	26500	0.0367	-
1.5450	26550	0.0263	-
1.5479	26600	0.0335	-
1.5508	26650	0.0222	-
1.5537	26700	0.0406	-
1.5566	26750	0.044	-
1.5595	26800	0.0325	-
1.5624	26850	0.0227	-
1.5653	26900	0.0246	-
1.5682	26950	0.0245	-
1.5711	27000	0.0225	-
1.5740	27050	0.0256	-
1.5770	27100	0.0239	-
1.5799	27150	0.0317	-
1.5828	27200	0.0283	-
1.5857	27250	0.0237	-
1.5886	27300	0.0282	-
1.5915	27350	0.0258	-
1.5944	27400	0.024	-
1.5973	27450	0.0307	-
1.6002	27500	0.0247	-
1.6031	27550	0.0326	-
1.6061	27600	0.0257	-
1.6090	27650	0.0259	-
1.6119	27700	0.0264	-
1.6148	27750	0.0283	-
1.6177	27800	0.0218	-
1.6206	27850	0.0218	-
1.6235	27900	0.0205	-
1.6264	27950	0.0293	-
1.6293	28000	0.0194	-
1.6322	28050	0.0293	-
1.6351	28100	0.0251	-
1.6381	28150	0.0313	-
1.6410	28200	0.0274	-
1.6439	28250	0.0308	-
1.6468	28300	0.0244	-
1.6497	28350	0.0264	-
1.6526	28400	0.0278	-
1.6555	28450	0.0327	-
1.6584	28500	0.0331	-
1.6613	28550	0.0305	-
1.6642	28600	0.0309	-
1.6672	28650	0.0236	-
1.6701	28700	0.0259	-
1.6730	28750	0.0202	-
1.6759	28800	0.0272	-
1.6788	28850	0.0364	-
1.6817	28900	0.0386	-
1.6846	28950	0.0233	-
1.6875	29000	0.0265	-
1.6904	29050	0.0233	-
1.6933	29100	0.0292	-
1.6962	29150	0.0277	-
1.6992	29200	0.0237	-
1.7021	29250	0.0333	-
1.7050	29300	0.0251	-
1.7079	29350	0.0234	-
1.7108	29400	0.0177	-
1.7137	29450	0.0328	-
1.7166	29500	0.0223	-
1.7195	29550	0.0284	-
1.7224	29600	0.0261	-
1.7253	29650	0.0263	-
1.7283	29700	0.0327	-
1.7312	29750	0.0226	-
1.7341	29800	0.0313	-
1.7370	29850	0.0261	-
1.7399	29900	0.0287	-
1.7428	29950	0.0218	-
1.7457	30000	0.0209	-
1.7486	30050	0.0258	-
1.7515	30100	0.0234	-
1.7544	30150	0.0382	-
1.7573	30200	0.0326	-
1.7603	30250	0.03	-
1.7632	30300	0.0223	-
1.7661	30350	0.0335	-
1.7690	30400	0.0229	-
1.7719	30450	0.0263	-
1.7748	30500	0.0278	-
1.7777	30550	0.0229	-
1.7806	30600	0.0431	-
1.7835	30650	0.0222	-
1.7864	30700	0.0313	-
1.7894	30750	0.0326	-
1.7923	30800	0.0257	-
1.7952	30850	0.0277	-
1.7981	30900	0.0276	-
1.8010	30950	0.0245	-
1.8039	31000	0.03	-
1.8068	31050	0.0245	-
1.8097	31100	0.0299	-
1.8126	31150	0.0263	-
1.8155	31200	0.0325	-
1.8184	31250	0.0241	-
1.8214	31300	0.0199	-
1.8243	31350	0.0292	-
1.8272	31400	0.0311	-
1.8301	31450	0.0302	-
1.8330	31500	0.0232	-
1.8359	31550	0.0259	-
1.8388	31600	0.0188	-
1.8417	31650	0.0185	-
1.8446	31700	0.0231	-
1.8475	31750	0.0268	-
1.8505	31800	0.0339	-
1.8534	31850	0.0294	-
1.8563	31900	0.0352	-
1.8592	31950	0.0247	-
1.8621	32000	0.0209	-
1.8650	32050	0.034	-
1.8679	32100	0.0262	-
1.8708	32150	0.0276	-
1.8737	32200	0.0303	-
1.8766	32250	0.0274	-
1.8795	32300	0.0225	-
1.8825	32350	0.0208	-
1.8854	32400	0.0206	-
1.8883	32450	0.0247	-
1.8912	32500	0.0275	-
1.8941	32550	0.0203	-
1.8970	32600	0.0311	-
1.8999	32650	0.03	-
1.9028	32700	0.0235	-
1.9057	32750	0.0268	-
1.9086	32800	0.0264	-
1.9116	32850	0.0469	-
1.9145	32900	0.0321	-
1.9174	32950	0.0187	-
1.9203	33000	0.0172	-
1.9232	33050	0.0225	-
1.9261	33100	0.0353	-
1.9290	33150	0.0368	-
1.9319	33200	0.026	-
1.9348	33250	0.0234	-
1.9377	33300	0.0285	-
1.9406	33350	0.0184	-
1.9436	33400	0.0237	-
1.9465	33450	0.0266	-
1.9494	33500	0.0251	-
1.9523	33550	0.0214	-
1.9552	33600	0.0278	-
1.9581	33650	0.0214	-
1.9610	33700	0.0298	-
1.9639	33750	0.0207	-
1.9668	33800	0.0276	-
1.9697	33850	0.0213	-
1.9727	33900	0.0309	-
1.9756	33950	0.027	-
1.9785	34000	0.0334	-
1.9814	34050	0.0193	-
1.9843	34100	0.0254	-
1.9872	34150	0.0266	-
1.9901	34200	0.0311	-
1.9930	34250	0.0183	-
1.9959	34300	0.0193	-
1.9988	34350	0.0328	-

Framework Versions

Python: 3.12.12
SetFit: 1.1.3
Sentence Transformers: 5.1.2
Transformers: 4.57.1
PyTorch: 2.8.0+cu126
Datasets: 4.0.0
Tokenizers: 0.22.1

Citation

BibTeX

@article{https://doi.org/10.48550/arxiv.2209.11055,
    doi = {10.48550/ARXIV.2209.11055},
    url = {https://arxiv.org/abs/2209.11055},
    author = {Tunstall, Lewis and Reimers, Nils and Jo, Unso Eun Seo and Bates, Luke and Korat, Daniel and Wasserblat, Moshe and Pereg, Oren},
    keywords = {Computation and Language (cs.CL), FOS: Computer and information sciences, FOS: Computer and information sciences},
    title = {Efficient Few-Shot Learning Without Prompts},
    publisher = {arXiv},
    year = {2022},
    copyright = {Creative Commons Attribution 4.0 International}
}

Task: Text Classification
Library: setfit
Type: xlm-roberta
Created: Nov 7, 2025
Updated: Nov 7, 2025