SetFit with BAAI/bge-large-en-v1.5

This is a SetFit model that can be used for Text Classification. This SetFit model uses BAAI/bge-large-en-v1.5 as the Sentence Transformer embedding model. A LogisticRegression instance is used for classification.

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: BAAI/bge-large-en-v1.5
Classification head: a LogisticRegression instance
Maximum Sequence Length: 512 tokens
Number of Classes: 7 classes

Model Sources

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

Model Labels

Label	Examples
Generalreply	'How was your day today?' 'Oh, I have a lot of hobbies actually! But if I had to pick one, I would say that my favorite is probably reading. I love getting lost in a good book and discovering new worlds and characters. How about you?' 'Honestly, I hope to achieve a lot in the next 5 years. I want to continue growing in my career and learn new skills. I also aspire to travel more and experience different cultures. Overall, my goal is to be happy and fulfilled in both my personal and professional life. How about you? What are your hopes for the next 5 years?'
Lookup_1	'i want to get trend analysis and group by product' 'Show me data_asset_001_pcc details.' 'Analyze Product-wise EBIT Margin Trend.'
Tablejoin	'Join data_asset_001_kpm with data_asset_kpi_is.' 'Can I merge cash flow and key performance metrics tables?' 'Join product category comparison and trend analysis tables.'
Rejection	"I'm not interested in filtering this collection." "I don't want to create any new data outputs." "I don't want to perform any filtering."
Aggregation	'Can I have avg Cost_Broadband?' 'Please show min % YoY Change.' 'Get me avg Earning_per_Cost.'
Viewtables	'What tables are included in the starhub_data_asset database that relate to customer complaints?' 'I need to see a list of tables that contain information about network outages.' 'What are the available tables in the starhub_data_asset database that are relevant to financial reporting?'
Lookup	'Filter by orders placed by customer ID 102 and get me the order dates.' 'Show me the orders placed on January 1st, 2024.' "Get me the phone number of the customer with the first name 'Alice'."

Evaluation

Metrics

Label	Accuracy
all	0.5726

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("nazhan/bge-large-en-v1.5-brahmaputra-iter-9-1-epoch")
# Run inference
preds = model("Get me avg Intangible Assets.")

Training Details

Training Set Metrics

Training set	Min	Median	Max
Word count	2	8.7792	62

Label	Training Sample Count
Tablejoin	126
Rejection	72
Aggregation	221
Lookup	62
Generalreply	60
Viewtables	73
Lookup_1	224

Training Hyperparameters

batch_size: (16, 16)
num_epochs: (1, 1)
max_steps: -1
sampling_strategy: oversampling
body_learning_rate: (2e-05, 1e-05)
head_learning_rate: 0.01
loss: CosineSimilarityLoss
distance_metric: cosine_distance
margin: 0.25
end_to_end: False
use_amp: False
warmup_proportion: 0.1
seed: 42
eval_max_steps: -1
load_best_model_at_end: True

Training Results

Epoch	Step	Training Loss	Validation Loss
0.0000	1	0.2059	-
0.0014	50	0.1956	-
0.0028	100	0.207	-
0.0042	150	0.1783	-
0.0056	200	0.1517	-
0.0070	250	0.1795	-
0.0084	300	0.1227	-
0.0098	350	0.063	-
0.0112	400	0.0451	-
0.0126	450	0.0408	-
0.0140	500	0.0576	-
0.0155	550	0.0178	-
0.0169	600	0.0244	-
0.0183	650	0.0072	-
0.0197	700	0.0223	-
0.0211	750	0.0046	-
0.0225	800	0.003	-
0.0239	850	0.004	-
0.0253	900	0.0042	-
0.0267	950	0.0047	-
0.0281	1000	0.0045	-
0.0295	1050	0.0032	-
0.0309	1100	0.0021	-
0.0323	1150	0.0028	-
0.0337	1200	0.0022	-
0.0351	1250	0.0024	-
0.0365	1300	0.0019	-
0.0379	1350	0.002	-
0.0393	1400	0.0015	-
0.0407	1450	0.0016	-
0.0421	1500	0.0014	-
0.0436	1550	0.0013	-
0.0450	1600	0.0016	-
0.0464	1650	0.0011	-
0.0478	1700	0.0012	-
0.0492	1750	0.0011	-
0.0506	1800	0.0015	-
0.0520	1850	0.0016	-
0.0534	1900	0.0012	-
0.0548	1950	0.0008	-
0.0562	2000	0.0011	-
0.0576	2050	0.001	-
0.0590	2100	0.001	-
0.0604	2150	0.0008	-
0.0618	2200	0.0009	-
0.0632	2250	0.0007	-
0.0646	2300	0.0008	-
0.0660	2350	0.0006	-
0.0674	2400	0.0007	-
0.0688	2450	0.0008	-
0.0702	2500	0.0006	-
0.0717	2550	0.0007	-
0.0731	2600	0.0006	-
0.0745	2650	0.0007	-
0.0759	2700	0.0005	-
0.0773	2750	0.0006	-
0.0787	2800	0.0007	-
0.0801	2850	0.0007	-
0.0815	2900	0.0005	-
0.0829	2950	0.0008	-
0.0843	3000	0.0005	-
0.0857	3050	0.0007	-
0.0871	3100	0.0006	-
0.0885	3150	0.0005	-
0.0899	3200	0.0007	-
0.0913	3250	0.0005	-
0.0927	3300	0.0004	-
0.0941	3350	0.0005	-
0.0955	3400	0.0003	-
0.0969	3450	0.0004	-
0.0983	3500	0.0004	-
0.0998	3550	0.0004	-
0.1012	3600	0.0004	-
0.1026	3650	0.0004	-
0.1040	3700	0.0004	-
0.1054	3750	0.0004	-
0.1068	3800	0.0003	-
0.1082	3850	0.0003	-
0.1096	3900	0.0005	-
0.1110	3950	0.0005	-
0.1124	4000	0.0005	-
0.1138	4050	0.0003	-
0.1152	4100	0.0006	-
0.1166	4150	0.0004	-
0.1180	4200	0.0003	-
0.1194	4250	0.0004	-
0.1208	4300	0.0003	-
0.1222	4350	0.0004	-
0.1236	4400	0.0003	-
0.1250	4450	0.0003	-
0.1264	4500	0.0004	-
0.1279	4550	0.0003	-
0.1293	4600	0.0005	-
0.1307	4650	0.0004	-
0.1321	4700	0.0003	-
0.1335	4750	0.0004	-
0.1349	4800	0.0003	-
0.1363	4850	0.0003	-
0.1377	4900	0.0003	-
0.1391	4950	0.0003	-
0.1405	5000	0.0003	-
0.1419	5050	0.0003	-
0.1433	5100	0.0004	-
0.1447	5150	0.0003	-
0.1461	5200	0.0004	-
0.1475	5250	0.0004	-
0.1489	5300	0.0003	-
0.1503	5350	0.0003	-
0.1517	5400	0.0003	-
0.1531	5450	0.0003	-
0.1545	5500	0.0002	-
0.1560	5550	0.0003	-
0.1574	5600	0.0003	-
0.1588	5650	0.0003	-
0.1602	5700	0.0002	-
0.1616	5750	0.0002	-
0.1630	5800	0.0003	-
0.1644	5850	0.0002	-
0.1658	5900	0.0003	-
0.1672	5950	0.0002	-
0.1686	6000	0.0002	-
0.1700	6050	0.0002	-
0.1714	6100	0.0002	-
0.1728	6150	0.0003	-
0.1742	6200	0.0003	-
0.1756	6250	0.0003	-
0.1770	6300	0.0003	-
0.1784	6350	0.0002	-
0.1798	6400	0.0003	-
0.1812	6450	0.0002	-
0.1826	6500	0.0003	-
0.1841	6550	0.0002	-
0.1855	6600	0.0002	-
0.1869	6650	0.0002	-
0.1883	6700	0.0002	-
0.1897	6750	0.0003	-
0.1911	6800	0.0003	-
0.1925	6850	0.0002	-
0.1939	6900	0.0002	-
0.1953	6950	0.0002	-
0.1967	7000	0.0002	-
0.1981	7050	0.0001	-
0.1995	7100	0.0002	-
0.2009	7150	0.0002	-
0.2023	7200	0.0002	-
0.2037	7250	0.0002	-
0.2051	7300	0.0002	-
0.2065	7350	0.0001	-
0.2079	7400	0.0002	-
0.2093	7450	0.0024	-
0.2107	7500	0.0718	-
0.2122	7550	0.1	-
0.2136	7600	0.1876	-
0.2150	7650	0.1006	-
0.2164	7700	0.163	-
0.2178	7750	0.1008	-
0.2192	7800	0.1073	-
0.2206	7850	0.2059	-
0.2220	7900	0.112	-
0.2234	7950	0.1103	-
0.2248	8000	0.1921	-
0.2262	8050	0.0641	-
0.2276	8100	0.0992	-
0.2290	8150	0.2486	-
0.2304	8200	0.1716	-
0.2318	8250	0.142	-
0.2332	8300	0.1431	-
0.2346	8350	0.1774	-
0.2360	8400	0.1537	-
0.2374	8450	0.1902	-
0.2388	8500	0.1015	-
0.2402	8550	0.1401	-
0.2417	8600	0.2599	-
0.2431	8650	0.261	-
0.2445	8700	0.1861	-
0.2459	8750	0.1743	-
0.2473	8800	0.1705	-
0.2487	8850	0.1752	-
0.2501	8900	0.0914	-
0.2515	8950	0.1651	-
0.2529	9000	0.1165	-
0.2543	9050	0.2675	-
0.2557	9100	0.0953	-
0.2571	9150	0.0713	-
0.2585	9200	0.1782	-
0.2599	9250	0.1995	-
0.2613	9300	0.2393	-
0.2627	9350	0.1734	-
0.2641	9400	0.2222	-
0.2655	9450	0.3005	-
0.2669	9500	0.2252	-
0.2683	9550	0.2498	-
0.2698	9600	0.3293	-
0.2712	9650	0.2422	-
0.2726	9700	0.1943	-
0.2740	9750	0.2497	-
0.2754	9800	0.2538	-
0.2768	9850	0.2114	-
0.2782	9900	0.1719	-
0.2796	9950	0.2453	-
0.2810	10000	0.2571	-
0.2824	10050	0.2267	-
0.2838	10100	0.2274	-
0.2852	10150	0.2441	-
0.2866	10200	0.2536	-
0.2880	10250	0.236	-
0.2894	10300	0.204	-
0.2908	10350	0.2636	-
0.2922	10400	0.2562	-
0.2936	10450	0.2437	-
0.2950	10500	0.2395	-
0.2964	10550	0.2616	-
0.2979	10600	0.272	-
0.2993	10650	0.2637	-
0.3007	10700	0.2503	-
0.3021	10750	0.2401	-
0.3035	10800	0.2485	-
0.3049	10850	0.2521	-
0.3063	10900	0.256	-
0.3077	10950	0.2363	-
0.3091	11000	0.2482	-
0.3105	11050	0.2533	-
0.3119	11100	0.2598	-
0.3133	11150	0.2572	-
0.3147	11200	0.2631	-
0.3161	11250	0.2399	-
0.3175	11300	0.2509	-
0.3189	11350	0.2447	-
0.3203	11400	0.2395	-
0.3217	11450	0.2439	-
0.3231	11500	0.2497	-
0.3245	11550	0.2377	-
0.3260	11600	0.2452	-
0.3274	11650	0.2361	-
0.3288	11700	0.2431	-
0.3302	11750	0.2462	-
0.3316	11800	0.2438	-
0.3330	11850	0.2498	-
0.3344	11900	0.262	-
0.3358	11950	0.2451	-
0.3372	12000	0.251	-
0.3386	12050	0.2605	-
0.3400	12100	0.2477	-
0.3414	12150	0.2417	-
0.3428	12200	0.2566	-
0.3442	12250	0.2373	-
0.3456	12300	0.2444	-
0.3470	12350	0.2589	-
0.3484	12400	0.2491	-
0.3498	12450	0.2438	-
0.3512	12500	0.2519	-
0.3526	12550	0.2406	-
0.3541	12600	0.2472	-
0.3555	12650	0.2447	-
0.3569	12700	0.2677	-
0.3583	12750	0.2486	-
0.3597	12800	0.2585	-
0.3611	12850	0.2539	-
0.3625	12900	0.2556	-
0.3639	12950	0.2653	-
0.3653	13000	0.2583	-
0.3667	13050	0.2308	-
0.3681	13100	0.2586	-
0.3695	13150	0.2384	-
0.3709	13200	0.2645	-
0.3723	13250	0.2394	-
0.3737	13300	0.2575	-
0.3751	13350	0.2418	-
0.3765	13400	0.2414	-
0.3779	13450	0.2516	-
0.3793	13500	0.2571	-
0.3807	13550	0.2352	-
0.3822	13600	0.2584	-
0.3836	13650	0.2561	-
0.3850	13700	0.2672	-
0.3864	13750	0.2574	-
0.3878	13800	0.2398	-
0.3892	13850	0.2359	-
0.3906	13900	0.2397	-
0.3920	13950	0.2582	-
0.3934	14000	0.2468	-
0.3948	14050	0.2702	-
0.3962	14100	0.2547	-
0.3976	14150	0.2382	-
0.3990	14200	0.255	-
0.4004	14250	0.2382	-
0.4018	14300	0.2516	-
0.4032	14350	0.236	-
0.4046	14400	0.2499	-
0.4060	14450	0.2606	-
0.4074	14500	0.2514	-
0.4088	14550	0.2442	-
0.4103	14600	0.2516	-
0.4117	14650	0.2439	-
0.4131	14700	0.2547	-
0.4145	14750	0.2522	-
0.4159	14800	0.2421	-
0.4173	14850	0.2461	-
0.4187	14900	0.2663	-
0.4201	14950	0.259	-
0.4215	15000	0.2526	-
0.4229	15050	0.2527	-
0.4243	15100	0.2547	-
0.4257	15150	0.2696	-
0.4271	15200	0.2399	-
0.4285	15250	0.2557	-
0.4299	15300	0.2581	-
0.4313	15350	0.2402	-
0.4327	15400	0.2658	-
0.4341	15450	0.2491	-
0.4355	15500	0.2434	-
0.4369	15550	0.2511	-
0.4384	15600	0.2448	-
0.4398	15650	0.262	-
0.4412	15700	0.2549	-
0.4426	15750	0.2546	-
0.4440	15800	0.2444	-
0.4454	15850	0.2551	-
0.4468	15900	0.247	-
0.4482	15950	0.253	-
0.4496	16000	0.2615	-
0.4510	16050	0.2514	-
0.4524	16100	0.2587	-
0.4538	16150	0.2591	-
0.4552	16200	0.249	-
0.4566	16250	0.2459	-
0.4580	16300	0.2582	-
0.4594	16350	0.243	-
0.4608	16400	0.2493	-
0.4622	16450	0.2306	-
0.4636	16500	0.2561	-
0.4650	16550	0.2363	-
0.4664	16600	0.2412	-
0.4679	16650	0.2454	-
0.4693	16700	0.2575	-
0.4707	16750	0.2369	-
0.4721	16800	0.245	-
0.4735	16850	0.2591	-
0.4749	16900	0.2582	-
0.4763	16950	0.2629	-
0.4777	17000	0.2393	-
0.4791	17050	0.2563	-
0.4805	17100	0.2511	-
0.4819	17150	0.2538	-
0.4833	17200	0.2464	-
0.4847	17250	0.2511	-
0.4861	17300	0.244	-
0.4875	17350	0.2688	-
0.4889	17400	0.2729	-
0.4903	17450	0.2523	-
0.4917	17500	0.2507	-
0.4931	17550	0.2527	-
0.4945	17600	0.2478	-
0.4960	17650	0.26	-
0.4974	17700	0.2526	-
0.4988	17750	0.2549	-
0.5002	17800	0.2496	-
0.5016	17850	0.2537	-
0.5030	17900	0.2644	-
0.5044	17950	0.2633	-
0.5058	18000	0.2515	-
0.5072	18050	0.2551	-
0.5086	18100	0.2427	-
0.5100	18150	0.2615	-
0.5114	18200	0.2455	-
0.5128	18250	0.2615	-
0.5142	18300	0.2558	-
0.5156	18350	0.2483	-
0.5170	18400	0.2618	-
0.5184	18450	0.2404	-
0.5198	18500	0.2562	-
0.5212	18550	0.259	-
0.5226	18600	0.246	-
0.5241	18650	0.2529	-
0.5255	18700	0.2526	-
0.5269	18750	0.2381	-
0.5283	18800	0.2648	-
0.5297	18850	0.2628	-
0.5311	18900	0.2528	-
0.5325	18950	0.2447	-
0.5339	19000	0.2467	-
0.5353	19050	0.2487	-
0.5367	19100	0.2494	-
0.5381	19150	0.2441	-
0.5395	19200	0.2507	-
0.5409	19250	0.2494	-
0.5423	19300	0.2501	-
0.5437	19350	0.2586	-
0.5451	19400	0.2677	-
0.5465	19450	0.2558	-
0.5479	19500	0.2444	-
0.5493	19550	0.251	-
0.5507	19600	0.2545	-
0.5522	19650	0.2464	-
0.5536	19700	0.2565	-
0.5550	19750	0.2674	-
0.5564	19800	0.2483	-
0.5578	19850	0.241	-
0.5592	19900	0.2504	-
0.5606	19950	0.2655	-
0.5620	20000	0.2484	-
0.5634	20050	0.254	-
0.5648	20100	0.2482	-
0.5662	20150	0.2644	-
0.5676	20200	0.2694	-
0.5690	20250	0.258	-
0.5704	20300	0.2587	-
0.5718	20350	0.2571	-
0.5732	20400	0.2464	-
0.5746	20450	0.2531	-
0.5760	20500	0.2504	-
0.5774	20550	0.2551	-
0.5788	20600	0.253	-
0.5803	20650	0.2374	-
0.5817	20700	0.2405	-
0.5831	20750	0.2435	-
0.5845	20800	0.2569	-
0.5859	20850	0.2533	-
0.5873	20900	0.2508	-
0.5887	20950	0.2508	-
0.5901	21000	0.2531	-
0.5915	21050	0.2381	-
0.5929	21100	0.2009	-
0.5943	21150	0.0899	-
0.5957	21200	0.3046	-
0.5971	21250	0.2006	-
0.5985	21300	0.2289	-
0.5999	21350	0.1581	-
0.6013	21400	0.1769	-
0.6027	21450	0.2377	-
0.6041	21500	0.1988	-
0.6055	21550	0.2543	-
0.6069	21600	0.2517	-
0.6084	21650	0.2191	-
0.6098	21700	0.2803	-
0.6112	21750	0.2984	-
0.6126	21800	0.1915	-
0.6140	21850	0.189	-
0.6154	21900	0.1302	-
0.6168	21950	0.203	-
0.6182	22000	0.2038	-
0.6196	22050	0.134	-
0.6210	22100	0.1904	-
0.6224	22150	0.1477	-
0.6238	22200	0.1338	-
0.6252	22250	0.0709	-
0.6266	22300	0.0902	-
0.6280	22350	0.2025	-
0.6294	22400	0.0991	-
0.6308	22450	0.1321	-
0.6322	22500	0.1356	-
0.6336	22550	0.1682	-
0.6350	22600	0.2064	-
0.6365	22650	0.2	-
0.6379	22700	0.2105	-
0.6393	22750	0.2074	-
0.6407	22800	0.1901	-
0.6421	22850	0.1914	-
0.6435	22900	0.1831	-
0.6449	22950	0.1423	-
0.6463	23000	0.2502	-
0.6477	23050	0.1655	-
0.6491	23100	0.1585	-
0.6505	23150	0.2122	-
0.6519	23200	0.217	-
0.6533	23250	0.1704	-
0.6547	23300	0.189	-
0.6561	23350	0.1333	-
0.6575	23400	0.1863	-
0.6589	23450	0.2089	-
0.6603	23500	0.1261	-
0.6617	23550	0.1655	-
0.6631	23600	0.1721	-
0.6645	23650	0.083	-
0.6660	23700	0.1166	-
0.6674	23750	0.146	-
0.6688	23800	0.0423	-
0.6702	23850	0.1781	-
0.6716	23900	0.121	-
0.6730	23950	0.1624	-
0.6744	24000	0.1483	-
0.6758	24050	0.1479	-
0.6772	24100	0.2285	-
0.6786	24150	0.2084	-
0.6800	24200	0.12	-
0.6814	24250	0.115	-
0.6828	24300	0.1331	-
0.6842	24350	0.0971	-
0.6856	24400	0.0846	-
0.6870	24450	0.2254	-
0.6884	24500	0.1348	-
0.6898	24550	0.0633	-
0.6912	24600	0.1207	-
0.6926	24650	0.2109	-
0.6941	24700	0.0768	-
0.6955	24750	0.108	-
0.6969	24800	0.0665	-
0.6983	24850	0.0601	-
0.6997	24900	0.1922	-
0.7011	24950	0.1517	-
0.7025	25000	0.1049	-
0.7039	25050	0.1122	-
0.7053	25100	0.0973	-
0.7067	25150	0.1547	-
0.7081	25200	0.115	-
0.7095	25250	0.1881	-
0.7109	25300	0.2144	-
0.7123	25350	0.0567	-
0.7137	25400	0.0917	-
0.7151	25450	0.1404	-
0.7165	25500	0.019	-
0.7179	25550	0.1382	-
0.7193	25600	0.0727	-
0.7207	25650	0.1125	-
0.7222	25700	0.1133	-
0.7236	25750	0.0987	-
0.7250	25800	0.1915	-
0.7264	25850	0.09	-
0.7278	25900	0.1462	-
0.7292	25950	0.0881	-
0.7306	26000	0.1026	-
0.7320	26050	0.1079	-
0.7334	26100	0.1639	-
0.7348	26150	0.1229	-
0.7362	26200	0.3261	-
0.7376	26250	0.1426	-
0.7390	26300	0.0773	-
0.7404	26350	0.1607	-
0.7418	26400	0.1354	-
0.7432	26450	0.1512	-
0.7446	26500	0.1875	-
0.7460	26550	0.1403	-
0.7474	26600	0.1287	-
0.7488	26650	0.1892	-
0.7503	26700	0.166	-
0.7517	26750	0.2385	-
0.7531	26800	0.1445	-
0.7545	26850	0.0969	-
0.7559	26900	0.0948	-
0.7573	26950	0.0589	-
0.7587	27000	0.2326	-
0.7601	27050	0.1438	-
0.7615	27100	0.1032	-
0.7629	27150	0.0784	-
0.7643	27200	0.1478	-
0.7657	27250	0.1872	-
0.7671	27300	0.0672	-
0.7685	27350	0.0725	-
0.7699	27400	0.0771	-
0.7713	27450	0.2575	-
0.7727	27500	0.133	-
0.7741	27550	0.1222	-
0.7755	27600	0.1207	-
0.7769	27650	0.0973	-
0.7784	27700	0.2186	-
0.7798	27750	0.1648	-
0.7812	27800	0.1128	-
0.7826	27850	0.1626	-
0.7840	27900	0.1768	-
0.7854	27950	0.1806	-
0.7868	28000	0.1197	-
0.7882	28050	0.0472	-
0.7896	28100	0.1463	-
0.7910	28150	0.1707	-
0.7924	28200	0.0924	-
0.7938	28250	0.1708	-
0.7952	28300	0.1101	-
0.7966	28350	0.0867	-
0.7980	28400	0.1606	-
0.7994	28450	0.2422	-
0.8008	28500	0.1289	-
0.8022	28550	0.0513	-
0.8036	28600	0.1468	-
0.8050	28650	0.1742	-
0.8065	28700	0.0813	-
0.8079	28750	0.0916	-
0.8093	28800	0.0826	-
0.8107	28850	0.1457	-
0.8121	28900	0.0952	-
0.8135	28950	0.1376	-
0.8149	29000	0.06	-
0.8163	29050	0.1221	-
0.8177	29100	0.0713	-
0.8191	29150	0.1219	-
0.8205	29200	0.1051	-
0.8219	29250	0.1503	-
0.8233	29300	0.1128	-
0.8247	29350	0.0946	-
0.8261	29400	0.2115	-
0.8275	29450	0.1058	-
0.8289	29500	0.1085	-
0.8303	29550	0.1632	-
0.8317	29600	0.1022	-
0.8331	29650	0.136	-
0.8346	29700	0.1231	-
0.8360	29750	0.0929	-
0.8374	29800	0.1299	-
0.8388	29850	0.0693	-
0.8402	29900	0.0738	-
0.8416	29950	0.0826	-
0.8430	30000	0.1831	-
0.8444	30050	0.0962	-
0.8458	30100	0.0869	-
0.8472	30150	0.1459	-
0.8486	30200	0.1468	-
0.8500	30250	0.2132	-
0.8514	30300	0.1472	-
0.8528	30350	0.1294	-
0.8542	30400	0.0822	-
0.8556	30450	0.144	-
0.8570	30500	0.1216	-
0.8584	30550	0.1381	-
0.8598	30600	0.1612	-
0.8612	30650	0.1665	-
0.8627	30700	0.2035	-
0.8641	30750	0.136	-
0.8655	30800	0.1685	-
0.8669	30850	0.1421	-
0.8683	30900	0.1169	-
0.8697	30950	0.1799	-
0.8711	31000	0.2185	-
0.8725	31050	0.1321	-
0.8739	31100	0.145	-
0.8753	31150	0.1848	-
0.8767	31200	0.2173	-
0.8781	31250	0.2036	-
0.8795	31300	0.2056	-
0.8809	31350	0.312	-
0.8823	31400	0.2119	-
0.8837	31450	0.1875	-
0.8851	31500	0.2216	-
0.8865	31550	0.2267	-
0.8879	31600	0.2709	-
0.8893	31650	0.1868	-
0.8907	31700	0.1752	-
0.8922	31750	0.2468	-
0.8936	31800	0.1632	-
0.8950	31850	0.2483	-
0.8964	31900	0.1597	-
0.8978	31950	0.1587	-
0.8992	32000	0.0897	-
0.9006	32050	0.0764	-
0.9020	32100	0.1798	-
0.9034	32150	0.1254	-
0.9048	32200	0.1905	-
0.9062	32250	0.0714	-
0.9076	32300	0.1377	-
0.9090	32350	0.0192	-
0.9104	32400	0.1208	-
0.9118	32450	0.239	-
0.9132	32500	0.0965	-
0.9146	32550	0.1189	-
0.9160	32600	0.0856	-
0.9174	32650	0.1041	-
0.9188	32700	0.1107	-
0.9203	32750	0.1499	-
0.9217	32800	0.0874	-
0.9231	32850	0.1255	-
0.9245	32900	0.1099	-
0.9259	32950	0.1806	-
0.9273	33000	0.0544	-
0.9287	33050	0.0504	-
0.9301	33100	0.2441	-
0.9315	33150	0.0266	-
0.9329	33200	0.0985	-
0.9343	33250	0.0923	-
0.9357	33300	0.1054	-
0.9371	33350	0.0625	-
0.9385	33400	0.0882	-
0.9399	33450	0.102	-
0.9413	33500	0.108	-
0.9427	33550	0.135	-
0.9441	33600	0.1016	-
0.9455	33650	0.2008	-
0.9469	33700	0.0591	-
0.9484	33750	0.1922	-
0.9498	33800	0.1045	-
0.9512	33850	0.102	-
0.9526	33900	0.0634	-
0.9540	33950	0.0668	-
0.9554	34000	0.1339	-
0.9568	34050	0.0599	-
0.9582	34100	0.0623	-
0.9596	34150	0.1133	-
0.9610	34200	0.1218	-
0.9624	34250	0.0618	-
0.9638	34300	0.1062	-
0.9652	34350	0.0909	-
0.9666	34400	0.0885	-
0.9680	34450	0.1461	-
0.9694	34500	0.0254	-
0.9708	34550	0.0697	-
0.9722	34600	0.016	-
0.9736	34650	0.1524	-
0.9750	34700	0.1468	-
0.9765	34750	0.1497	-
0.9779	34800	0.0785	-
0.9793	34850	0.0645	-
0.9807	34900	0.1357	-
0.9821	34950	0.1469	-
0.9835	35000	0.2356	-
0.9849	35050	0.018	-
0.9863	35100	0.1534	-
0.9877	35150	0.14	-
0.9891	35200	0.1001	-
0.9905	35250	0.0614	-
0.9919	35300	0.1407	-
0.9933	35350	0.1104	-
0.9947	35400	0.1477	-
0.9961	35450	0.1279	-
0.9975	35500	0.0957	-
0.9989	35550	0.0579	-
1.0	35588	-	0.1207

The bold row denotes the saved checkpoint.

Framework Versions

Python: 3.11.9
SetFit: 1.1.0.dev0
Sentence Transformers: 3.0.1
Transformers: 4.44.2
PyTorch: 2.4.0+cu121
Datasets: 2.21.0
Tokenizers: 0.19.1

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}
}

nazhan
/

bge-large-en-v1.5-brahmaputra-iter-9-1-epoch