File size: 35,206 Bytes
8406ea1 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 |
---
base_model: intfloat/multilingual-e5-large
library_name: sentence-transformers
pipeline_tag: sentence-similarity
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:278
- loss:MultipleNegativesRankingLoss
widget:
- source_sentence: Ученик средней школы к услугам обществу примешал доброту.
sentences:
- 'Склизкий гад в сливном бачке; мохнатый зверь; похожий на чудовище из «Аленького
цветочка»; гигантские мокрицы под кроватью — все они существуют на самом деле.
Все; что им нужно — пугать детей; потому что из детских криков они получают электричество.Полнометражный
мультфильм рассказывает о кризисах в мире монстров; их жизни. Но однажды вся мирная
жизнь монстров оказывается под угрозой: в их мир попадает ребенок. А с детьми
столько хлопот; что они могут довести даже монстров.'
- В Нью-Йорк по приглашению главы крупного юридического концерна прибывает Кевин
Ломакс; молодой адвокат. До этого он был известен тем; что защищал исключительно
негодяев и притом не проиграл ни одного процесса. На новом месте работы он вполне
счастлив; он живет в роскошной квартире с любящей женой; его окружают интересные
люди.
- Представьте себе — Вы оказываете кому-либо существенную услугу и просите этого
человека отблагодарить не Вас; а трёх других людей; которые; в свою очередь; отблагодарят
ещё троих; и так далее; распространяя тепло и доброту в мировом масштабе. Насколько
действенной может оказаться подобная сердечная идея? Ученик седьмого класса Тревор
МакКинни решил это проверить; начав цепочку добра.
- source_sentence: У тебя никакой информации нет. Выложи нормальную информацию, чтобы
я мог сделать краткое описание.
sentences:
- Июль 1942 года. На подступах к Сталинграду обескровленные; измотанные советские
войска ведут тяжелые оборонительные бои; неся огромные потери… Фильм рассказывает
о подвиге рядовых солдат; любви к родной земле; об истинной цене победы…
- Инженер Бен отправляется в необычное путешествие. В ходе своей поездки он встречает
семерых незнакомцев; включая смертельно больную Эмили; которая называет себя девушкой
с подбитыми крыльями. Бен неожиданно влюбляется в нее; что сильно усложняет его первоначальный
план. Сможет ли он разгадать послание судьбы?
- Рассказ о нелегких буднях учительницы английского языка; преподающей в одной из школ
калифорнийского городка Лонг-Бич. Ее ученики — почти сплошь субъекты; для которых
английский совсем не является родным языком. Ко всему прочему; Лонг-Бич славится
своими бандитскими традициями.
- source_sentence: Таким образом, я описал фильм «Восьмая нервная речь» (другие названия
«Нервная речь» или «Бездомный». Хотя фильм и относится к произведениям кинематографа,
его можно назвать наиболее короткой повестью с цитатами о собаке и о существе
человека.
sentences:
- Трогательная лирическая киноповесть о судьбе собаки; теряющей любимого хозяина;
об отношении людей к «братьям меньшим»; которое как рентгеном просвечивает души;
выявляя в одних низость и мелочную подлость; а в других — благородство; способность
сострадать и любить…
- Закон и преступление; порядок и беспредел; защитник и жертва — неизбежное противостояние
и столкновение. Полицейские — порядок; законопослушные граждане — закон. Но все
ли граждане; слывущие добропорядочными; соблюдают законы; и всем ли представителям
закона стоит доверять? Прикрываясь значком полицейского; они вершат беззаконие
и из праведников превращаются в изощренных насильников.
- Когда засуха; пыльные бури и вымирание растений приводят человечество к продовольственному
кризису; коллектив исследователей и учёных отправляется сквозь червоточину (которая
предположительно соединяет области пространства-времени через большое расстояние)
в путешествие; чтобы превзойти прежние ограничения для космических путешествий
человека и найти планету с подходящими для человечества условиями.
- source_sentence: Фильм — о борьбе женщины за справедливость в поисках убийцы ее
дочери, когда полиция seemingly не заинтересована в расследовании. Произошедшее
побудило ее нанять монтажиста, который закрепляет 3 большого плаката со своеобразным
обращением к начальнику полиции, принимающему расстановку сил и власти над престарелыми
гражданами.
sentences:
- Трогательная и захватывающая история сближения двух абсолютно разных собак — породистой
комнатной неженки и обычной дворняги. Изящная и пушистая как игрушка; коккер-спаниельша
Леди была любимицей хозяев; пока в их семье не появился младенец. Надетый намордник
стал последней каплей; подтолкнувшей обиженную героиню к бегству. Но на улице
ее поджидала целая куча опасностей; о существовании которых она даже не подозревала.
И тогда на помощь миниатюрной черноглазой красотке пришел пес Бродяга; благородство
которого было не в породе; а в душе.
- Идёт третий год Войн клонов. Галактическая Республика; некогда бывшая спокойным
и гармоничным государством; превратилась в поле битвы между армиями клонов; возглавляемых
канцлером Палпатином; и армадами дроидов; которых ведёт граф Дуку; тёмный лорд
ситхов. Республика медленно погружается во тьму. Лишь рыцари-джедаи; защитники
мира и справедливости; могут противостоять злу; которое вскоре поглотит галактику.
Но настоящая битва идёт в душе у молодого рыцаря-джедая Энакина; который разрывается
между долгом джедая и любовью к своей жене; сенатору Падме Амидале. И от того;
какое чувство в нём победит; зависит будущее всего мира.
- Спустя несколько месяцев после убийства дочери Милдред Хейс преступники так и
не найдены. Отчаявшаяся женщина решается на смелый шаг; арендуя на въезде в город
три билборда с посланием к авторитетному главе полиции Уильяму Уиллоуби. Когда
в ситуацию оказывается втянут ещё и заместитель шерифа; инфантильный маменькин
сынок со склонностью к насилию; офицер Диксон; борьба между Милдред и властями
города только усугубляется.
- source_sentence: В отдаленном волшебном королевстве живут заколдованная принцесса
Фиона и ее семья. Фиону превратили в козла, а ее семью осудили на вечную охоту
за глупыми носителями ее образа.
sentences:
- В первом и последнем плавании шикарного «Титаника» встречаются двое. Пассажир
нижней палубы Джек выиграл билет в карты; а богатая наследница Роза отправляется
в Америку; чтобы выйти замуж по расчёту. Чувства молодых людей только успевают
расцвести; и даже не классовые различия создадут испытания влюблённым; а айсберг;
вставший на пути считавшегося непотопляемым лайнера.
- Двое бандитов Винсент Вега и Джулс Винфилд ведут философские беседы в перерывах
между разборками и решением проблем с должниками криминального босса Марселласа
Уоллеса.В первой истории Винсент проводит незабываемый вечер с женой Марселласа
Мией. Во второй рассказывается о боксёре Бутче Кулидже; купленном Уоллесом; чтобы
сдать бой. В третьей истории Винсент и Джулс по нелепой случайности попадают в неприятности.
- Жил да был в сказочном государстве большой зеленый великан по имени Шрек. Жил он
в гордом одиночестве в лесу; на болоте; которое считал своим. Но однажды злобный
коротышка — лорд Фаркуад; правитель волшебного королевства; безжалостно согнал
на Шреково болото всех сказочных обитателей.И беспечной жизни зеленого великана
пришел конец. Но лорд Фаркуад пообещал вернуть Шреку болото; если великан добудет
ему прекрасную принцессу Фиону; которая томится в неприступной башне; охраняемой
огнедышащим драконом…
---
# SentenceTransformer based on intfloat/multilingual-e5-large
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [intfloat/multilingual-e5-large](https://huggingface.co/intfloat/multilingual-e5-large) on the train 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:** [intfloat/multilingual-e5-large](https://huggingface.co/intfloat/multilingual-e5-large) <!-- at revision ab10c1a7f42e74530fe7ae5be82e6d4f11a719eb -->
- **Maximum Sequence Length:** 512 tokens
- **Output Dimensionality:** 1024 tokens
- **Similarity Function:** Cosine Similarity
- **Training Dataset:**
- train
<!-- - **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': 512, 'do_lower_case': False}) with Transformer model: XLMRobertaModel
(1): Pooling({'word_embedding_dimension': 1024, '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})
(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("fombus/kinoguess_large")
# Run inference
sentences = [
'В отдаленном волшебном королевстве живут заколдованная принцесса Фиона и ее семья. Фиону превратили в козла, а ее семью осудили на вечную охоту за глупыми носителями ее образа.',
'Жил да\xa0был в\xa0сказочном государстве большой зеленый великан по\xa0имени Шрек. Жил\xa0он в\xa0гордом одиночестве в\xa0лесу; на\xa0болоте; которое считал своим. Но\xa0однажды злобный коротышка\xa0—\xa0лорд Фаркуад; правитель волшебного королевства; безжалостно согнал на\xa0Шреково болото всех сказочных обитателей.И беспечной жизни зеленого великана пришел конец. Но\xa0лорд Фаркуад пообещал вернуть Шреку болото; если великан добудет ему\xa0прекрасную принцессу Фиону; которая томится в\xa0неприступной башне; охраняемой огнедышащим драконом…',
'В первом и\xa0последнем плавании шикарного «Титаника» встречаются двое. Пассажир нижней палубы Джек выиграл билет в\xa0карты; а\xa0богатая наследница Роза отправляется в\xa0Америку; чтобы выйти замуж по\xa0расчёту. Чувства молодых людей только успевают расцвести; и\xa0даже не\xa0классовые различия создадут испытания влюблённым; а\xa0айсберг; вставший на\xa0пути считавшегося непотопляемым лайнера.',
]
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.*
-->
<!--
## 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
* Dataset: train
* Size: 278 training samples
* Columns: <code>anchor</code>, <code>positive</code>, and <code>negative</code>
* Approximate statistics based on the first 278 samples:
| | anchor | positive | negative |
|:--------|:----------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------|
| type | string | string | string |
| details | <ul><li>min: 7 tokens</li><li>mean: 49.8 tokens</li><li>max: 130 tokens</li></ul> | <ul><li>min: 41 tokens</li><li>mean: 122.96 tokens</li><li>max: 317 tokens</li></ul> | <ul><li>min: 41 tokens</li><li>mean: 123.75 tokens</li><li>max: 317 tokens</li></ul> |
* Samples:
| anchor | positive | negative |
|:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| <code>Один из самых знаменитых героев фэнтези-пародии легко сбивает с толку и обычных зрителей и самого себя. Энди Дюфрейн попадает в сверххищную тюрьму, где находятся представители высшего света, которым не нужны деньги.</code> | <code>Бухгалтер Энди Дюфрейн обвинён в убийстве собственной жены и её любовника. Оказавшись в тюрьме под названием Шоушенк; он сталкивается с жестокостью и беззаконием; царящими по обе стороны решётки. Каждый; кто попадает в эти стены; становится их рабом до конца жизни. Но Энди; обладающий живым умом и доброй душой; находит подход как к заключённым; так и к охранникам; добиваясь их особого к себе расположения.</code> | <code>Действие фильма разворачивается на бескрайних просторах Антарктики. Научная экспедиция; в состав которой входят Джерри Шепард; его лучший друг Купер и геолог; отправляется на поиски метеорита.Однако неожиданное происшествие и тяжелые погодные условия вынуждают их оставить свои собачьи упряжки и вернуться назад. И теперь восемь собак должны в течение шести месяцев бороться за выживание в ледяной пустыне и ждать; пока их спасут…</code> |
| <code>В одной из тюрем находится отряд смертников, каждый из сотрудников которого смотрит за судьбами заключенных, разрабатывая такие методы воздействия, которые не должны применяться. Один из заключенных с титулом «Смертник номер один» вызывает беспокойство сотрудников.</code> | <code>Пол Эджкомб — начальник блока смертников в тюрьме «Холодная гора»; каждый из узников которого однажды проходит «зеленую милю» по пути к месту казни. Пол повидал много заключённых и надзирателей за время работы. Однако гигант Джон Коффи; обвинённый в страшном преступлении; стал одним из самых необычных обитателей блока.</code> | <code>Крыс Реми обладает уникальным вкусом. Он готов рисковать собственной жизнью; чтобы посмотреть любимое кулинарное шоу и раздобыть какую-нибудь приправку или просто свежий продукт. Реми живет со своими сородичами; которые его не понимают и не принимают его увлечения кулинарией. Когда Реми случайно попадает на кухню шикарного ресторана; он решает воспользоваться выпавшим ему шансом и проверить свои навыки. На эту же кухню попадает и юный Лингвини. Всё; на что он может расчитывать — это должность уборщика. Но он тоже получает свой шанс…</code> |
| <code>Герой фильма ведет жизнь простого, благородного человека, но окружающие видят в нем великого человека и превращают его в того, кем он сначала хотел быть. Однако через годы он осознает, что не воспользовался своим великолепием, бросив свою первоначальную любовь и оставшись один.</code> | <code>От лица главного героя Форреста Гампа; слабоумного безобидного человека с благородным и открытым сердцем; рассказывается история его необыкновенной жизни.Фантастическим образом превращается он в известного футболиста; героя войны; преуспевающего бизнесмена. Он становится миллиардером; но остается таким же бесхитростным; глупым и добрым. Форреста ждет постоянный успех во всем; а он любит девочку; с которой дружил в детстве; но взаимность приходит слишком поздно.</code> | <code>Действие разворачивается 20 тыс. лет назад. Чтобы избежать приближающегося из-за наступления ледникового периода холода; животные мигрируют на юг. Однако некоторые из них всё-таки решают остаться — одинокий; угрюмый мамонт Манфред; а также бесшабашный ленивец Сид.Случайно эта парочка наталкивается на человеческого детёныша. Они решаются вернуть его людям и отправляются в путешествие. По пути они встречают саблезубого хитрого тигра. И теперь этой веселой компании предстоят забавные приключения!</code> |
* Loss: [<code>MultipleNegativesRankingLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters:
```json
{
"scale": 20.0,
"similarity_fct": "cos_sim"
}
```
### Training Hyperparameters
#### Non-Default Hyperparameters
- `per_device_train_batch_size`: 2
- `per_device_eval_batch_size`: 2
- `learning_rate`: 2e-05
- `num_train_epochs`: 5
- `warmup_ratio`: 0.1
#### 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`: 2
- `per_device_eval_batch_size`: 2
- `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`: 5
- `max_steps`: -1
- `lr_scheduler_type`: linear
- `lr_scheduler_kwargs`: {}
- `warmup_ratio`: 0.1
- `warmup_steps`: 0
- `log_level`: passive
- `log_level_replica`: warning
- `log_on_each_node`: True
- `logging_nan_inf_filter`: True
- `save_safetensors`: True
- `save_on_each_node`: False
- `save_only_model`: False
- `restore_callback_states_from_checkpoint`: False
- `no_cuda`: False
- `use_cpu`: False
- `use_mps_device`: False
- `seed`: 42
- `data_seed`: None
- `jit_mode_eval`: False
- `use_ipex`: False
- `bf16`: False
- `fp16`: False
- `fp16_opt_level`: O1
- `half_precision_backend`: auto
- `bf16_full_eval`: False
- `fp16_full_eval`: False
- `tf32`: None
- `local_rank`: 0
- `ddp_backend`: None
- `tpu_num_cores`: None
- `tpu_metrics_debug`: False
- `debug`: []
- `dataloader_drop_last`: False
- `dataloader_num_workers`: 0
- `dataloader_prefetch_factor`: None
- `past_index`: -1
- `disable_tqdm`: False
- `remove_unused_columns`: True
- `label_names`: None
- `load_best_model_at_end`: False
- `ignore_data_skip`: False
- `fsdp`: []
- `fsdp_min_num_params`: 0
- `fsdp_config`: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
- `fsdp_transformer_layer_cls_to_wrap`: None
- `accelerator_config`: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
- `deepspeed`: None
- `label_smoothing_factor`: 0.0
- `optim`: adamw_torch
- `optim_args`: None
- `adafactor`: False
- `group_by_length`: False
- `length_column_name`: length
- `ddp_find_unused_parameters`: None
- `ddp_bucket_cap_mb`: None
- `ddp_broadcast_buffers`: False
- `dataloader_pin_memory`: True
- `dataloader_persistent_workers`: False
- `skip_memory_metrics`: True
- `use_legacy_prediction_loop`: False
- `push_to_hub`: 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
- `eval_on_start`: False
- `eval_use_gather_object`: False
- `batch_sampler`: batch_sampler
- `multi_dataset_batch_sampler`: proportional
</details>
### Training Logs
| Epoch | Step | Training Loss |
|:------:|:----:|:-------------:|
| 3.5971 | 500 | 0.1327 |
### Framework Versions
- Python: 3.10.14
- Sentence Transformers: 3.1.0
- Transformers: 4.44.0
- PyTorch: 2.4.0
- 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",
}
```
#### MultipleNegativesRankingLoss
```bibtex
@misc{henderson2017efficient,
title={Efficient Natural Language Response Suggestion for Smart Reply},
author={Matthew Henderson and Rami Al-Rfou and Brian Strope and Yun-hsuan Sung and Laszlo Lukacs and Ruiqi Guo and Sanjiv Kumar and Balint Miklos and Ray Kurzweil},
year={2017},
eprint={1705.00652},
archivePrefix={arXiv},
primaryClass={cs.CL}
}
```
<!--
## Glossary
*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.*
--> |