commit files to HF hub

.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": 1024,
+  "pooling_mode_cls_token": true,
+  "pooling_mode_mean_tokens": false,
+  "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 +1,737 @@
+---
+datasets: []
+language: []
+library_name: sentence-transformers
+metrics:
+- cosine_accuracy@1
+- cosine_accuracy@3
+- cosine_accuracy@5
+- cosine_accuracy@10
+- cosine_precision@1
+- cosine_precision@3
+- cosine_precision@5
+- cosine_precision@10
+- cosine_recall@1
+- cosine_recall@3
+- cosine_recall@5
+- cosine_recall@10
+- cosine_ndcg@10
+- cosine_mrr@10
+- cosine_map@100
+- dot_accuracy@1
+- dot_accuracy@3
+- dot_accuracy@5
+- dot_accuracy@10
+- dot_precision@1
+- dot_precision@3
+- dot_precision@5
+- dot_precision@10
+- dot_recall@1
+- dot_recall@3
+- dot_recall@5
+- dot_recall@10
+- dot_ndcg@10
+- dot_mrr@10
+- dot_map@100
+pipeline_tag: sentence-similarity
+tags:
+- sentence-transformers
+- sentence-similarity
+- feature-extraction
+- generated_from_trainer
+- dataset_size:22842
+- loss:CachedGISTEmbedLoss
+widget:
+- source_sentence: 누설을 탐지하기 위한 용액은 무엇입니까?
+  sentences:
+  - 밀폐성을 검증하기 위한 시험 | | 공기압시험 (air) | 누설 | 공기압 차이와 누설 탐지 용액을 사용하여 밀폐성을 검증하는시험으로 탱크
+    공기압시험 및 용접이음부 공기압시험 (압축공기압 필릿용접부 시험과 진공상자시험)을 포함한다. | | 압축공기압필릿용접부 시험 (compressed
+    air fillet weld) | 누설 | 필릿용접부상에 누설 탐지 용액을 적용하는 필릿용접 이음부의공기압시험 | | 진공상자시험 (vacuum
+    box) | 누설 | 용접부에 누설 탐지 용액을 도포하고 용접이음부를 상자로 덮는시험. 누설을 탐지하기 위하여 상자 내부는 진공을 형성한다.
+    | | 초음파시험 (ultrasonic) | 누설 | 초음파 탐지기술을 이용하여 창구덮개와 같은 폐쇄장치의 밀폐를 검증하는 시험 | | 침투시험
+    (penetration) | 누설 | 저 표면장력 유체 (low surface tension liquids)를 사용하여구획의 경계에 존재하는
+    연속적인 누설을 액체침투지시가 없음을 육안으로 확인하여 검증하는 시험 (즉, (즉, 액체침투탐상검사) |
+  - FSS 코드에 적합한 수동조작 콜포인트를 거주구역, 업무구역, 제어장소에 설치하여야 한다. 외부로 통하는 각 출입구에 하나의 수동조작 콜포인트를
+    설치하여야 한다. 수동조작 콜포인트는 각 갑판의 통로에서 쉽게 접근할 수 있어야 하며 통로의 어느 부분에서도 수동조작 콜포인트까지 20 m
+    이상 떨어지지 않도록 한다.
+  - 설치된 플레임스크린을 검사한다. (5) 화물탱크의 벤트장치, 퍼지, 가스프리 및 기타 통풍장치를 검사한다. (6) 갑판상 및 화물펌프실에서
+    화물, 탱크 세정, 평형수와 스트리핑장치를 검사하고 갑판상에서 연료유수급장치 검사한다. (7) 실행가능한 한 화물, 빌지, 평형수 및 스트리핑
+    펌프의 글랜드시일에서 비정상적인 누설을 검사한다. 화물펌프실 빌지장치의 작동과 전기적/기계적 원격조작 및 차단장치의 작동을 점검하고, 펌프
+    거치부에 손상이 없는지 점검한다. (8) 펌프실 통풍장치가 작동하고 덕트에 손상이 없으며, 댐퍼가 작동하고 스크린이 깨끗한지 확인한다. (9)
+    화물 배출라인에 설치된 압력게이지와 액면지시장치가 작동하는지 점검한다. (10) 화물지역에 인접하는 선교문과 창문, 선루와 갑판실의 현창과
+    창문이 만족한 상태인지 확인한다. (11) 화물펌프실 내 또는 근처에서 하역장구 (loose gear), 가연성 물질 등과 같이 잠재적 발화원이
+    없는지 확인하고, 예기치 못한 누설 흔적이 없으며, 접근 사다리의 상태가 양호한지 확인한다. (12) 펌프실에서 화물 분리용으로 필요시 떼어낼
+    수 있는 배관이나 기타 설비를
+- source_sentence: 보강재의 검토를 위하여 고려해야 하는 부착판의 폭은 어떤 식에 의한다?
+  sentences:
+  - '표 3.1.12 필릿용접의 적용
+
+
+    | 난 | 구분 | 부재명칭 |  | 적용장소 |  | 종류 |
+
+    | --- | --- | --- | --- | --- | --- | --- |
+
+    | 42 |  |  |  | 내저판 | 주기실 | F2 |
+
+    | 43 |  |  |  |  | 앞 난 이외의 장소 | F4 |
+
+    | 44 |  |  |  | 실체늑판 | 선수선저 보강부 및 주기실 | F2 |
+
+    | 45 |  |  |  |  | 앞 난 이외의 장소 | F4 |
+
+    | 46 |  | 주기대거더 |  | 내저판 |  | F2 |
+
+    | 47 |  |  |  | 외판 |  | F2 |
+
+    | 48 |  | 마진판 |  | 외판 또는 거싯판 |  | F1 |
+
+    |
+
+    '
+  - Rev.1 참조) (2019) 【규칙 참조】 (1) 화물탱크 또는 슬롭탱크와 공통의 경계를 갖는 연료유탱크는 화물탱크 블록 내에 위치하거나
+    연료유탱크의 일부를 화물탱크 블록에 배치해서는 안 된다. 그러나 연료유탱크는 화물탱크 블록의 전후방에 배치할 수 있다. 화물탱크 블록이란 그림
+    8.2.6과 같이 최후방 화물탱크 또는 슬롭탱크의 선미격벽으로부터 최전방 화물탱크 또는 슬롭탱크의 선수격벽까지 확장 및 선박의 깊이 및 폭까지
+    확장된 선박의 일부분이다. 그러나 화물탱크 또는 슬롭탱크의 갑판 상부구역은 포함하지 않는다. (2) 연료유탱크는 유출 및 화재 안전 측면에서
+    화물구역내의 노출갑판상에 독립형탱크로 위치하는 경우 인정될 수 있다. 그림 8.2.6 화물탱크 블록 (3) 펌프를 포함하여 관련되는 연료유
+    관장치와 독립형 연료유탱크의 배치는 기관구역에 위치하는 연료유탱크와 관련되는 관장치와 동일하게 볼 수 있다. 그러나 전기 설비에 대해서는 위험구역
+    분류의 규정이 적용되어야 한다. (4) 이 항의 목적상 독성 액체화물은 지침 7편 6장 **부록 7B-1**의 ‘k’란에서 독성 증기가 증기가
+    발생되는 물질을 포함한다.
+  - 3.1 보강재 3.1.1보강재의 검토를 위하여 고려하여야 하는 부착판의 폭  (mm) 는 다음 식에 의한다. • 부착판이 보강재의 양쪽에
+    있는 경우 :• 부착판이 보강재의 한쪽에만 있는 경우 : 3.2 <삭제>[RCN1 to 01 JAN 2021]
+- source_sentence: 선체거더 하중 계산점의 4절에 정의된 고려하는 동하중상태의 수평 파랑 굽힘 모멘트는 무엇입니까?
+  sentences:
+  - 1. 검사는 선수문, 내측문, 현측문 및 선미문이 만족한 상태로 유지되고 있음을 실행가능한 한 검증하기 위한 시험으로 이루어져야 한다. 2.
+    전회 검사 이후 선수문, 내측문, 현측문 및 선미문에 대하여 승인되지 않은 변경사항이 있었는지의 여부를 확인하여야 한다. 3. 문서 작동 및
+    정비지침서가 요구되는 경우, 승인된 사본이 본선에 비치되어있고 모든 변경 사항이 반영되어 있음을 검증하여야 한다. 문의 폐쇄 및 잠금을 위한
+    작동절차가 문서화되어 본선에 비치되어 있고 적합한 위치에 게시되어 있음을 검증하여야 한다. 검사원은 검사를 위한 기초로서 점검기록 및 그 내용에
+    대하여 특별히 주의하여 작동 및 정비지침서를 확인하여야 한다. 4. 구조에 대한 시험 선수문, 내측문, 현측문 및 선미문은 다음에 특히 주의하여
+    검사하여야 한다. (1) 판, 2차 보강재, 1차 구조부재, 힌지암 및 용접을 포함한 문의 구조적 배치 (2) 문의 개구 주위를 이루는 외판구조와
+    외판, 2차 보강재, 1차 구조부재 및 용접을 포함한 잠금장치, 지지장치 및 고정장치 (3) 힌지 및 베어링, 추력베어링 (4) 잠금장치,
+    지지장치
+  - '3.1 선체거더 파랑 굽힘 모멘트에 의한 응력 3.1.1하중조건 의 하중상태  및 에 대한 선체거더 응력은 다음 식을 따른다.
+    (N/mm2)∙
+    :  및 에 동등한 에 의한 하중조건 에 대해 고려된 종방향 위치에서 선체거더 하중 계산점의 4절에 정의된 고려하는 동하중상태의
+    수직 파랑 굽힘 모멘트 (kNm) :  및 에 동등한 에 의해 하중조건 에 대해 고려된 종방향 위치에서 선체거더
+    하중 계산점의 4절에 정의된 고려하는 동하중상태의 수평 파랑 굽힘 모멘트 (kNm) 3.2 정수중 선체거더 굽힘 모멘트 3.2.1하중조건 에서
+    정수중 굽힘 모멘트에 의한 선체거더 핫스폿 응력은 다음 식을 따른다.'
+  - 화물기기구역, 화재위험성이 높은 물건을 저장하는 창고 및 화물제어실의 격벽과 같이 화물지역에 면하는 노출된 경계부분. 분리 가능한 화물관장치
+    연결부가 노출된 수평경계 부분의 상방 또는 하방에 설치되지 않는 경우, 이들 지역의 노출된 수평 경계부분에는 물분무장치를 요구하지 않는다.
+    화재위험성이 높은 물건 또는 설비를 비치하지 않는 비거주 선수루 구조의 경계부분에는 물분무장치가 요구되지 않는다. (2019) (7) 화물지역과의
+    거리에 상관없이 화물지역과 마주하는 노출된 구명정, 구명뗏목 및 집결장소 (8) 모든 반폐위 화물기기구역 및 반폐위 화물전동기실 101. 6항에서
+    규정하는 운항을 위한 선박은 특별히 고려하여야 한다. (1103. 3항의 (2)호 참조)2. (1) 물분무장치는 최대 수평투영면에 대하여 분당
+    10 Lm, 수직면에 대하여 분당 4 Lm로 균일하게 산포되는 물분무율에 의해 1항에서 규정한 모든 지역을 보호할 수 있어야 한다.
+    수평면
+- source_sentence: 비상전원이 데드쉽상태에서 주추진설비를 시동하는데 필요한 전기를 제공하는 경우, 어떤 조건이 필요합니까?
+  sentences:
+  - 2.1 일반 2.1.1설계자는 화물펌프실, 화물탱크, 슬롭탱크 및 코퍼댐, 주 화물제어장소, 제어장소, 거주구역 및 업무구역 뿐만 아니라 화물탱크를
+    기관구역으로부터 격리하는 배치에 주의를 기울여야 한다. 2.1.2<삭제>
+  - 규칙 301.의 4항에 따라 선체구조의 피로강도를 평가하고자 하는 경우에는 3편 **부록 3-3** 선체구조의 피로강도 평가지침에 따를 것을
+    권장한다. 【규칙 참조】
+  - 또는 이와 동등한 다른 장치를 갖추어야 한다. 【지침 참조】 (4) 주전원은 추진기관 또는 추진축계의 속도 및 회전방향에 관계없이 중요용도
+    및 거주편의용도를 유지할 수 있도록 배치하여야 한다. 【지침 참조】 (5) 발전장치는 어느 한대의 발전기 또는 발전장치의 일차 동력원을 운전할
+    수 없는 상태에서도 나머지의 발전장치를 이용하여 데드쉽상태로부터 주추진설비를 시동하는데 필요한 전기의 용도에 급전할 수 있어야 한다. 비상전원
+    단독으로 또는 다른 전원과 결합하여 203.의 2항 (2)호 (가)부터 (마)에서 요구하는 모든 설비에 충분한 전력을 동시에 공급할 수 있는
+    경우, 데드쉽상태로부터 시동을 위한 용도로 비상전원을 사용할 수 있다. 2. 변압기 및 전력변환장치 (1) 변압기의 용량과 수 【지침 참조】급전회로에
+    사용하는 변압기의 용량과 수는 그 중 어느 1대가 사용할 수 없게
+- source_sentence: 펌프와 압축기에 장착된 압력도출밸브의 토출유량은 어떤 조건을 만족해야 하나요?
+  sentences:
+  - SEA-2 |  |  | S | 항내상태 | | 평형수 탱크 | WB-1 |   (1)  |  | S + D
+    | 통상 평형수 적재상태 | | | WB-2 |   (1)  |  | S + D | 통상 평형수 적재상태,평형수 교환상태
+    | | | WB-3 |   (1)  |  | S | 항내상태 | | | WB-4 |   (1)  | 
+    | T | 시험상태 | | 평형수 탱크 이외의 탱크 | TK-1 |   (1)  |  | S + D | 통상 평형수 적재상태
+    | | | TK-2 |   (1)  |  | S | 항내상태 | | | TK-3 |   (1)  | 
+    | T | 시험상태 | | 액화 천연가스 연료
+  - 제조중등록검사 또는 제조후등록검사를 받고 이에 합격한 때는 선급증서 발행하기 전까지 유효한 단기선급증서를 발급한다.
+  - (8) 잠수설비에서 배출되는 기체는 점화원, 인명 또는 위험성이 있는 장소로부터 떨어진 개방된 외부로 배출되어야 한다. (9) 모든 호흡 기체배관에는
+    수동으로 압력을 감소시키는 수단을 갖추어야 한다. (10) 기체 최소 공급율은 누설을 보충하기 충분한 양이어야 한다. (11) 감압챔버의 감압율은
+    지정된 감압표에 따른다. (예, US NAVY diving tables 등) 2. 과압방지장치 (1) 설계된 것보다 높은 압력을 받을 수 있는
+    관장치에는 과압방지장치를 설치하여야 한다. (2) 펌프와 압축기에 장착된 압력도출밸브의 토출유량은 토출이 차단되어도 장치의 압력은 설계압력의
+    10 %를 초과하지 않도록 하여야 한다. 3. 호흡기체의 혼합 (1) 호흡용 혼합기체의 적절한 균질성을 얻기 위해 효율적인 환기가 제공되어야
+    한다. (2) 기체 혼합 장비의 산소 함량은 704.의 3항 (6)호에 따라 측정한다. (3) 산소 함량이 설정된 허용오차를 벗어날 경우 기체
+    공급원을 2차 공급원으로 전환할 수 있어야 한다.
+model-index:
+- name: SentenceTransformer
+  results:
+  - task:
+      type: information-retrieval
+      name: Information Retrieval
+    dataset:
+      name: miracl dev
+      type: miracl_dev
+    metrics:
+    - type: cosine_accuracy@1
+      value: 0.6103286384976526
+      name: Cosine Accuracy@1
+    - type: cosine_accuracy@3
+      value: 0.8169014084507042
+      name: Cosine Accuracy@3
+    - type: cosine_accuracy@5
+      value: 0.8732394366197183
+      name: Cosine Accuracy@5
+    - type: cosine_accuracy@10
+      value: 0.92018779342723
+      name: Cosine Accuracy@10
+    - type: cosine_precision@1
+      value: 0.6103286384976526
+      name: Cosine Precision@1
+    - type: cosine_precision@3
+      value: 0.378716744913928
+      name: Cosine Precision@3
+    - type: cosine_precision@5
+      value: 0.27605633802816903
+      name: Cosine Precision@5
+    - type: cosine_precision@10
+      value: 0.17276995305164322
+      name: Cosine Precision@10
+    - type: cosine_recall@1
+      value: 0.3846655691726114
+      name: Cosine Recall@1
+    - type: cosine_recall@3
+      value: 0.5901991071005155
+      name: Cosine Recall@3
+    - type: cosine_recall@5
+      value: 0.6794216477315068
+      name: Cosine Recall@5
+    - type: cosine_recall@10
+      value: 0.7694903427297795
+      name: Cosine Recall@10
+    - type: cosine_ndcg@10
+      value: 0.6723275985412543
+      name: Cosine Ndcg@10
+    - type: cosine_mrr@10
+      value: 0.7262426410313736
+      name: Cosine Mrr@10
+    - type: cosine_map@100
+      value: 0.6073885234240499
+      name: Cosine Map@100
+    - type: dot_accuracy@1
+      value: 0.6103286384976526
+      name: Dot Accuracy@1
+    - type: dot_accuracy@3
+      value: 0.8169014084507042
+      name: Dot Accuracy@3
+    - type: dot_accuracy@5
+      value: 0.8732394366197183
+      name: Dot Accuracy@5
+    - type: dot_accuracy@10
+      value: 0.92018779342723
+      name: Dot Accuracy@10
+    - type: dot_precision@1
+      value: 0.6103286384976526
+      name: Dot Precision@1
+    - type: dot_precision@3
+      value: 0.378716744913928
+      name: Dot Precision@3
+    - type: dot_precision@5
+      value: 0.27605633802816903
+      name: Dot Precision@5
+    - type: dot_precision@10
+      value: 0.17276995305164322
+      name: Dot Precision@10
+    - type: dot_recall@1
+      value: 0.3846655691726114
+      name: Dot Recall@1
+    - type: dot_recall@3
+      value: 0.5901991071005155
+      name: Dot Recall@3
+    - type: dot_recall@5
+      value: 0.6794216477315068
+      name: Dot Recall@5
+    - type: dot_recall@10
+      value: 0.7694903427297795
+      name: Dot Recall@10
+    - type: dot_ndcg@10
+      value: 0.6723275985412543
+      name: Dot Ndcg@10
+    - type: dot_mrr@10
+      value: 0.7262426410313736
+      name: Dot Mrr@10
+    - type: dot_map@100
+      value: 0.6073885234240499
+      name: Dot Map@100
+  - task:
+      type: information-retrieval
+      name: Information Retrieval
+    dataset:
+      name: shiprule dev
+      type: shiprule_dev
+    metrics:
+    - type: cosine_accuracy@1
+      value: 0.7253886010362695
+      name: Cosine Accuracy@1
+    - type: cosine_accuracy@3
+      value: 0.8963730569948186
+      name: Cosine Accuracy@3
+    - type: cosine_accuracy@5
+      value: 0.927461139896373
+      name: Cosine Accuracy@5
+    - type: cosine_accuracy@10
+      value: 0.9792746113989638
+      name: Cosine Accuracy@10
+    - type: cosine_precision@1
+      value: 0.7253886010362695
+      name: Cosine Precision@1
+    - type: cosine_precision@3
+      value: 0.29879101899827293
+      name: Cosine Precision@3
+    - type: cosine_precision@5
+      value: 0.1854922279792746
+      name: Cosine Precision@5
+    - type: cosine_precision@10
+      value: 0.09792746113989637
+      name: Cosine Precision@10
+    - type: cosine_recall@1
+      value: 0.7253886010362695
+      name: Cosine Recall@1
+    - type: cosine_recall@3
+      value: 0.8963730569948186
+      name: Cosine Recall@3
+    - type: cosine_recall@5
+      value: 0.927461139896373
+      name: Cosine Recall@5
+    - type: cosine_recall@10
+      value: 0.9792746113989638
+      name: Cosine Recall@10
+    - type: cosine_ndcg@10
+      value: 0.856285200998546
+      name: Cosine Ndcg@10
+    - type: cosine_mrr@10
+      value: 0.816368533596513
+      name: Cosine Mrr@10
+    - type: cosine_map@100
+      value: 0.817575570996784
+      name: Cosine Map@100
+    - type: dot_accuracy@1
+      value: 0.7253886010362695
+      name: Dot Accuracy@1
+    - type: dot_accuracy@3
+      value: 0.8963730569948186
+      name: Dot Accuracy@3
+    - type: dot_accuracy@5
+      value: 0.927461139896373
+      name: Dot Accuracy@5
+    - type: dot_accuracy@10
+      value: 0.9792746113989638
+      name: Dot Accuracy@10
+    - type: dot_precision@1
+      value: 0.7253886010362695
+      name: Dot Precision@1
+    - type: dot_precision@3
+      value: 0.29879101899827293
+      name: Dot Precision@3
+    - type: dot_precision@5
+      value: 0.1854922279792746
+      name: Dot Precision@5
+    - type: dot_precision@10
+      value: 0.09792746113989637
+      name: Dot Precision@10
+    - type: dot_recall@1
+      value: 0.7253886010362695
+      name: Dot Recall@1
+    - type: dot_recall@3
+      value: 0.8963730569948186
+      name: Dot Recall@3
+    - type: dot_recall@5
+      value: 0.927461139896373
+      name: Dot Recall@5
+    - type: dot_recall@10
+      value: 0.9792746113989638
+      name: Dot Recall@10
+    - type: dot_ndcg@10
+      value: 0.856285200998546
+      name: Dot Ndcg@10
+    - type: dot_mrr@10
+      value: 0.816368533596513
+      name: Dot Mrr@10
+    - type: dot_map@100
+      value: 0.817575570996784
+      name: Dot Map@100
+---
+
+# SentenceTransformer
+
+This is a [sentence-transformers](https://www.SBERT.net) model trained on the train_set dataset. It maps sentences & paragraphs to a 1024-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:** 1024 tokens
+- **Output Dimensionality:** 1024 tokens
+- **Similarity Function:** Cosine Similarity
+- **Training Dataset:**
+    - train_set
+<!-- - **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': 1024, 'do_lower_case': False}) with Transformer model: XLMRobertaModel 
+  (1): Pooling({'word_embedding_dimension': 1024, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
+  (2): Normalize()
+)
+```
+
+## 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("sentence_transformers_model_id")
+# Run inference
+sentences = [
+    '펌프와 압축기에 장착된 압력도출밸브의 토출유량은 어떤 조건을 만족해야 하나요?',
+    '(8) 잠수설비에서 배출되는 기체는 점화원, 인명 또는 위험성이 있는 장소로부터 떨어진 개방된 외부로 배출되어야 한다. (9) 모든 호흡 기체배관에는 수동으로 압력을 감소시키는 수단을 갖추어야 한다. (10) 기체 최소 공급율은 누설을 보충하기 충분한 양이어야 한다. (11) 감압챔버의 감압율은 지정된 감압표에 따른다. (예, US NAVY diving tables 등) 2. 과압방지장치 (1) 설계된 것보다 높은 압력을 받을 수 있는 관장치에는 과압방지장치를 설치하여야 한다. (2) 펌프와 압축기에 장착된 압력도출밸브의 토출유량은 토출이 차단되어도 장치의 압력은 설계압력의 10 %를 초과하지 않도록 하여야 한다. 3. 호흡기체의 혼합 (1) 호흡용 혼합기체의 적절한 균질성을 얻기 위해 효율적인 환기가 제공되어야 한다. (2) 기체 혼합 장비의 산소 함량은 704.의 3항 (6)호에 따라 측정한다. (3) 산소 함량이 설정된 허용오차를 벗어날 경우 기체 공급원을 2차 공급원으로 전환할 수 있어야 한다.',
+    'SEA-2 | \ue00f\ue0e9\ue0fc | \ue013\ue012\ue002 | S | 항내상태 | | 평형수 탱크 | WB-1 | \ue00f \ue046\ue00f (1)\ue0ed\ue0f2 \ue0e9\ue0fc | \ue013\ue001\ue000\ue00b | S + D | 통상 평형수 적재상태 | | | WB-2 | \ue00f \ue046\ue00f (1)\ue0ed\ue0f2 \ue0e9\ue0fc | \ue013\ue001\ue000\ue00b | S + D | 통상 평형수 적재상태,평형수 교환상태 | | | WB-3 | \ue00f \ue046\ue00f (1)\ue0ed\ue0f2 \ue0e9\ue0fc | \ue03d\ue053\ue035\ue038\ue013\ue012\ue002 | S | 항내상태 | | | WB-4 | \ue00f \ue046\ue00f (1)\ue0ed\ue0f2 \ue0e9\ue0fc | \ue03d\ue053\ue035\ue038\ue013\ue012\ue002 | T | 시험상태 | | 평형수 탱크 이외의 탱크 | TK-1 | \ue00f \ue046\ue00f (1)\ue0ed\ue0f2 \ue0e9\ue0fc | \ue013\ue001\ue000\ue00b | S + D | 통상 평형수 적재상태 | | | TK-2 | \ue00f \ue046\ue00f (1)\ue0ed\ue0f2 \ue0e9\ue0fc | \ue03d\ue053\ue035\ue038\ue013\ue012\ue002 | S | 항내상태 | | | TK-3 | \ue00f \ue046\ue00f (1)\ue0ed\ue0f2 \ue0e9\ue0fc | \ue03d\ue053\ue035\ue038\ue013\ue012\ue002 | T | 시험상태 | | 액화 천연가스 연료',
+]
+embeddings = model.encode(sentences)
+print(embeddings.shape)
+# [3, 1024]
+
+# Get the similarity scores for the embeddings
+similarities = model.similarity(embeddings, embeddings)
+print(similarities.shape)
+# [3, 3]
+```
+
+<!--
+### 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.*
+-->
+
+## Evaluation
+
+### Metrics
+
+#### Information Retrieval
+* Dataset: `miracl_dev`
+* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
+
+| Metric              | Value      |
+|:--------------------|:-----------|
+| cosine_accuracy@1   | 0.6103     |
+| cosine_accuracy@3   | 0.8169     |
+| cosine_accuracy@5   | 0.8732     |
+| cosine_accuracy@10  | 0.9202     |
+| cosine_precision@1  | 0.6103     |
+| cosine_precision@3  | 0.3787     |
+| cosine_precision@5  | 0.2761     |
+| cosine_precision@10 | 0.1728     |
+| cosine_recall@1     | 0.3847     |
+| cosine_recall@3     | 0.5902     |
+| cosine_recall@5     | 0.6794     |
+| cosine_recall@10    | 0.7695     |
+| cosine_ndcg@10      | 0.6723     |
+| cosine_mrr@10       | 0.7262     |
+| **cosine_map@100**  | **0.6074** |
+| dot_accuracy@1      | 0.6103     |
+| dot_accuracy@3      | 0.8169     |
+| dot_accuracy@5      | 0.8732     |
+| dot_accuracy@10     | 0.9202     |
+| dot_precision@1     | 0.6103     |
+| dot_precision@3     | 0.3787     |
+| dot_precision@5     | 0.2761     |
+| dot_precision@10    | 0.1728     |
+| dot_recall@1        | 0.3847     |
+| dot_recall@3        | 0.5902     |
+| dot_recall@5        | 0.6794     |
+| dot_recall@10       | 0.7695     |
+| dot_ndcg@10         | 0.6723     |
+| dot_mrr@10          | 0.7262     |
+| dot_map@100         | 0.6074     |
+
+#### Information Retrieval
+* Dataset: `shiprule_dev`
+* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
+
+| Metric              | Value      |
+|:--------------------|:-----------|
+| cosine_accuracy@1   | 0.7254     |
+| cosine_accuracy@3   | 0.8964     |
+| cosine_accuracy@5   | 0.9275     |
+| cosine_accuracy@10  | 0.9793     |
+| cosine_precision@1  | 0.7254     |
+| cosine_precision@3  | 0.2988     |
+| cosine_precision@5  | 0.1855     |
+| cosine_precision@10 | 0.0979     |
+| cosine_recall@1     | 0.7254     |
+| cosine_recall@3     | 0.8964     |
+| cosine_recall@5     | 0.9275     |
+| cosine_recall@10    | 0.9793     |
+| cosine_ndcg@10      | 0.8563     |
+| cosine_mrr@10       | 0.8164     |
+| **cosine_map@100**  | **0.8176** |
+| dot_accuracy@1      | 0.7254     |
+| dot_accuracy@3      | 0.8964     |
+| dot_accuracy@5      | 0.9275     |
+| dot_accuracy@10     | 0.9793     |
+| dot_precision@1     | 0.7254     |
+| dot_precision@3     | 0.2988     |
+| dot_precision@5     | 0.1855     |
+| dot_precision@10    | 0.0979     |
+| dot_recall@1        | 0.7254     |
+| dot_recall@3        | 0.8964     |
+| dot_recall@5        | 0.9275     |
+| dot_recall@10       | 0.9793     |
+| dot_ndcg@10         | 0.8563     |
+| dot_mrr@10          | 0.8164     |
+| dot_map@100         | 0.8176     |
+
+<!--
+## 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
+
+#### train_set
+
+* Dataset: train_set
+* Size: 22,842 training samples
+* Columns: <code>query</code> and <code>chuked_doc</code>
+* Approximate statistics based on the first 1000 samples:
+  |         | query                                                                             | chuked_doc                                                                           |
+  |:--------|:----------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------|
+  | type    | string                                                                            | string                                                                               |
+  | details | <ul><li>min: 7 tokens</li><li>mean: 21.44 tokens</li><li>max: 64 tokens</li></ul> | <ul><li>min: 30 tokens</li><li>mean: 248.32 tokens</li><li>max: 507 tokens</li></ul> |
+* Samples:
+  | query                                                                 | chuked_doc                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                             |
+  |:----------------------------------------------------------------------|:-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
+  | <code>알루미늄합금관은 어떤 경우에 사용할 수 없나요?</code>                               | <code>알루미늄합금관에 대하여는 다음에 따른다. (가) 알루미늄합금관은 원칙으로 우리 선급이 적절하다고 인정하는 규격에 정하여진 것으로 이음매 없는 인발관 또는 이음매 없는 압출관이어야 한다. (나) 알루미늄합금관은 다음에 해당하는 관에는 사용하여서는 아니 된다. (a) 원칙적으로 설계온도가 150 °C를 초과하는 관 (b) 지침 6장 102.의 2항 (2)호 (나) 내지 (타)에 속하는 관 (다) 내압을 받는 알루미늄합금관의 소요두께는 다음에 따른다. 관의 소요두께는 규칙 102.의 6항에 따른다. 이 경우 허용응력 는 다음의 값 중 최소치로 한다. 다만, 설계온도가 재료의 크리프 영역에 있지 아니한 경우에는 의 값은 고려할 필요가 없다.  :상온 (50 °C 미만)에서의 재료의 규격최소인장강도 (Nmm):설계온도에서의 재료의 0.2 % 내력 (Nmm) :설계온도에서의 재료의 100,000시간 후의 평균파단강도 (Nmm) (3) 제1급 또는 제2급 관장치에 사용하거나 손상시 화재 또는 침수에 영향을 미치는 관에 사용하는 금속 또는 비금속재료의 신축관 (끝단</code> |
+  | <code>만재 격창 적재상태는 어디에 적용할 수 있나요?</code>                               | <code>적재상태이며 산적화물선의 경우 통상 평형수 적재상태, 황천 평형수 적재상태, 만재 균일 적재상태, 만재 격창 적재상태이다. 즉, 만재 격창 적재상태는 BC-A 산적화물선에만 적용 가능하다. 적하상태의 정의는 9장에 따른다. 2.2 정수중 수직 굽힘 모멘트 2.2.1 최소 정수중 굽힘 모멘트호깅 및 새깅상태에서 각각 최소 정수중 굽힘 모멘트 min 및 min (kNm) 는 다음 식에 의한다. 호깅상태 :min 새깅상태 :min :  및 을 1.0 으로 하여 [3.1.1]에 따라 계산된 수직 파랑 호깅 모멘트:  및 을 1.0 으로 하여 [3.1.1]에 따라 계산된 수직 파랑 새깅 모멘트: 선박의 길이 방향에 따른 분포계수로서 다음과 같다. (그림 1 참조),≤ 경우,에서,≤≤</code>                                    |
+  | <code>항구내의 적하 및 양하 시에 최대흘수의 67에서 화물창은 최대 허용 항해 중량을 적재할 수 있는가?</code> | <code>이중저 평형수탱크는 비운 상태로 에 의 10를 더한 것을 운송할 수 있어야 한다. 다만, 운항중 최대허용화물질량은 까지로 제한하여야 한다. (다) 설계하중조건에 따라 옆의 화물창이 공창이 되는 모든 인접한 2개의 화물창은 최대흘수에서 해당 화물창의 이중저 연료유 탱크가 있는 경우 100 채우고, 이중저 평형수탱크는 비운 상태로 각 설계하중조건에 따른 최대화물하중에 더하여 의 10를 운송할 수 있어야 한다. 다만, 운항중 최대허용화물질량은 설계하중조건에 따른 최대화물하중까지로 제한되어야 한다. (5) 평형수화물창에만 적용하는 추가조건평형수화물창은 모든 황천 평형수흘수에서 해당 화물창의 모든 이중저 탱크를 100 채우고 창구 (hatchway)까지 평형수를 100 채울 수 있어야 한다. 톱사이드 윙탱크, 호퍼 및 이중저 탱크에 인접한 평형수화물창은 톱사이드 윙 탱크, 호퍼 및 이중저 탱크가 빈 상태에서 평형수화물창을 채울 때 강도상 만족되어야 한다. (6) 항구내의 적하 및 양하 시에 적용하는 추가조건 (가) 최대흘수의 67에서 임의의 화물창은 최대허용항해중량을 적재할 수 있어야 한다. (나)</code>         |
+* Loss: [<code>CachedGISTEmbedLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#cachedgistembedloss) with these parameters:
+  ```json
+  {'guide': SentenceTransformer(
+    (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: XLMRobertaModel 
+    (1): Pooling({'word_embedding_dimension': 1024, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
+    (2): Normalize()
+  ), 'temperature': 0.01}
+  ```
+
+### Training Hyperparameters
+#### Non-Default Hyperparameters
+
+- `eval_strategy`: steps
+- `per_device_train_batch_size`: 512
+- `per_device_eval_batch_size`: 512
+- `learning_rate`: 4e-06
+- `warmup_ratio`: 0.03333333333333333
+- `fp16`: True
+- `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`: 512
+- `per_device_eval_batch_size`: 512
+- `per_gpu_train_batch_size`: None
+- `per_gpu_eval_batch_size`: None
+- `gradient_accumulation_steps`: 1
+- `eval_accumulation_steps`: None
+- `learning_rate`: 4e-06
+- `weight_decay`: 0.0
+- `adam_beta1`: 0.9
+- `adam_beta2`: 0.999
+- `adam_epsilon`: 1e-08
+- `max_grad_norm`: 1.0
+- `num_train_epochs`: 3
+- `max_steps`: -1
+- `lr_scheduler_type`: linear
+- `lr_scheduler_kwargs`: {}
+- `warmup_ratio`: 0.03333333333333333
+- `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`: True
+- `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`: False
+- `hub_always_push`: False
+- `gradient_checkpointing`: False
+- `gradient_checkpointing_kwargs`: None
+- `include_inputs_for_metrics`: False
+- `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
+- `batch_sampler`: no_duplicates
+- `multi_dataset_batch_sampler`: proportional
+
+</details>
+
+### Training Logs
+| Epoch  | Step | Training Loss | miracl_dev_cosine_map@100 | shiprule_dev_cosine_map@100 |
+|:------:|:----:|:-------------:|:-------------------------:|:---------------------------:|
+| 0.4545 | 10   | 0.4005        | 0.6045                    | 0.7830                      |
+| 0.9091 | 20   | 0.258         | 0.6096                    | 0.8032                      |
+| 1.3636 | 30   | 0.2021        | 0.6095                    | 0.8090                      |
+| 1.8182 | 40   | 0.1868        | 0.6069                    | 0.8134                      |
+| 2.2727 | 50   | 0.1657        | 0.6078                    | 0.8142                      |
+| 2.7273 | 60   | 0.1782        | 0.6074                    | 0.8176                      |
+
+
+### Framework Versions
+- Python: 3.9.19
+- Sentence Transformers: 3.1.0.dev0
+- Transformers: 4.41.2
+- PyTorch: 2.3.0+cu118
+- Accelerate: 0.33.0
+- Datasets: 2.21.0
+- Tokenizers: 0.19.1
+
+## 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",
+}
+```
+
+<!--
+## 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 @@
+{
+  "_name_or_path": "/content/drive/MyDrive/Colab Notebooks/models/sbert/bge_m3_v2_ship_syntheticdataset/checkpoint-60",
+  "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": 1024,
+  "initializer_range": 0.02,
+  "intermediate_size": 4096,
+  "layer_norm_eps": 1e-05,
+  "max_position_embeddings": 8194,
+  "model_type": "xlm-roberta",
+  "num_attention_heads": 16,
+  "num_hidden_layers": 24,
+  "output_past": true,
+  "pad_token_id": 1,
+  "position_embedding_type": "absolute",
+  "torch_dtype": "float32",
+  "transformers_version": "4.44.2",
+  "type_vocab_size": 1,
+  "use_cache": true,
+  "vocab_size": 250002
+}

config_sentence_transformers.json

@@ -0,0 +1,10 @@
+{
+  "__version__": {
+    "sentence_transformers": "3.1.0",
+    "transformers": "4.44.2",
+    "pytorch": "2.4.0+cu121"
+  },
+  "prompts": {},
+  "default_prompt_name": null,
+  "similarity_fn_name": null
+}

model.safetensors

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:da164fa90633e730db4ee91a79ebf99a0826fb31d6f002c4a8ec7952a286c4f4
+size 2271064456

modules.json

@@ -0,0 +1,20 @@
+[
+  {
+    "idx": 0,
+    "name": "0",
+    "path": "",
+    "type": "sentence_transformers.models.Transformer"
+  },
+  {
+    "idx": 1,
+    "name": "1",
+    "path": "1_Pooling",
+    "type": "sentence_transformers.models.Pooling"
+  },
+  {
+    "idx": 2,
+    "name": "2",
+    "path": "2_Normalize",
+    "type": "sentence_transformers.models.Normalize"
+  }
+]

sentence_bert_config.json

@@ -0,0 +1,4 @@
+{
+  "max_seq_length": 1024,
+  "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 sha256:6e3b8957de04e3a4ed42b1a11381556f9adad8d0d502b9dd071c75f626b28f40
+size 17083053

tokenizer_config.json

@@ -0,0 +1,62 @@
+{
+  "added_tokens_decoder": {
+    "0": {
+      "content": "<s>",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "1": {
+      "content": "<pad>",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "2": {
+      "content": "</s>",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "3": {
+      "content": "<unk>",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "250001": {
+      "content": "<mask>",
+      "lstrip": true,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    }
+  },
+  "bos_token": "<s>",
+  "clean_up_tokenization_spaces": true,
+  "cls_token": "<s>",
+  "eos_token": "</s>",
+  "mask_token": "<mask>",
+  "max_length": 1024,
+  "model_max_length": 1024,
+  "pad_to_multiple_of": null,
+  "pad_token": "<pad>",
+  "pad_token_type_id": 0,
+  "padding_side": "right",
+  "sep_token": "</s>",
+  "sp_model_kwargs": {},
+  "stride": 0,
+  "tokenizer_class": "XLMRobertaTokenizer",
+  "truncation_side": "right",
+  "truncation_strategy": "longest_first",
+  "unk_token": "<unk>"
+}