End of training

1_Pooling/config.json

@@ -0,0 +1,10 @@
+{
+  "word_embedding_dimension": 384,
+  "pooling_mode_cls_token": false,
+  "pooling_mode_mean_tokens": true,
+  "pooling_mode_max_tokens": false,
+  "pooling_mode_mean_sqrt_len_tokens": false,
+  "pooling_mode_weightedmean_tokens": false,
+  "pooling_mode_lasttoken": false,
+  "include_prompt": true
+}

README.md

@@ -0,0 +1,568 @@
+---
+tags:
+- sentence-transformers
+- sentence-similarity
+- feature-extraction
+- generated_from_trainer
+- dataset_size:46095
+- loss:MultipleNegativesRankingLoss
+base_model: intfloat/multilingual-e5-small
+widget:
+- source_sentence: Bulog Sudah Serap 328 Ribu Ton Beras tapi Ada Masalah. Perum Bulog
+    telah menyerap 633 ribu ton setara gabah atau 329 ribu ton setara beras. Direktur
+    Utama Perum Bulog Bayu Krisnamurthi mengungkapkan masih ada sejumlah kendala yang
+    dihadapi dalam proses penyerapan ini. Pertama, adalah periode panen pendek tetapi
+    jumlah panen banyak. Bayu mengatakan hal ini membuat petani lama mengantri agar
+    padi yang dihasilkan bisa masuk ke proses pengering Bulog maupun penggilingan
+    mitra Bulog. "Dengan jumlah yang banyak, tapi waktu yang pendek. Sehingga semua
+    rebutan, rebutan untuk masuk ke Bulog maupun penggilingan padi," kata Bayu di
+    Bulog Corporate University Kamis (25/4/2024). ADVERTISEMENT SCROLL TO CONTINUE
+    WITH CONTENT "Waktu yang pendek ini menimbulkan kendala di mesin pengering. Karena
+    pada saat yang sama mataharinya masih ada dan tiada seperti sore hari ini. Jadi
+    mau dijemur pakai lantai jemur sangat tergantung sinar matahari, padahal mataharinya
+    mendung, kadang hujan," sambungnya. Sementara masalah kedua, adalah dampak dari
+    dari situasi pupuk di tahun 2023 dan awal tahun 2024. Gara-gara hal itu, komposisi
+    ketersediaan pupuk tidak optimal, hal itu pun berpengaruh terhadap tidak optimalnya
+    kualitas gabah petani. "Jadi pecahnya banyak, kuningnya banyak. Ini nggak masuk
+    ke tabel persyaratan mutu yang telah ditetapkan. Tapi kalau untuk kadar air kami
+    terpaksa menegakkan disiplin, (sedangkan) kalau untuk yang lain itu kami berusaha
+    mencari cara atau solusinya," ucapnya. Hingga saat ini, Bayu pun menjelaskan bahwa
+    Bulog memiliki stok beras cukup banyak. Jumlahnya berkisar di angka 1,457 juta
+    ton. "Jumlah yang agak banyak ini terjadi karena program bantuan pangan belum
+    berjalan, masih menunggu update data. Mudah-mudahan dalam minggu ini segera selesai,
+    dan nanti kita segera salurkan bantuan pangan itu dalam sisa bulan Mei-Juni, untuk
+    3 bulan jumlahnya," ujar dia.
+  sentences:
+  - Seberapa kuat artikel ini mengandung sentimen positif, dukungan, atau manfaat
+    yang dapat meningkatkan citra atau reputasi Kementerian Pertanian?
+  - Seberapa netral artikel ini? Apakah artikel ini hanya menyajikan fakta atau informasi
+    tanpa memberikan opini atau emosi terhadap rumah sakit (rs)?
+  - Seberapa netral artikel ini? Apakah artikel ini hanya menyajikan fakta atau informasi
+    tanpa memberikan opini atau emosi terhadap Kementerian Pertanian?
+- source_sentence: Kepala BNPP Hadiri Pembukaan Turnamen Olahraga Antar Instansi.
+    Acara yang digelar di Jakarta ini diikuti berbagai lembaga pemerintah untuk mempererat
+    tali silaturahmi.
+  sentences:
+  - Seberapa kuat artikel ini mengandung sentimen negatif atau kritik yang dapat merugikan
+    atau menciptakan persepsi buruk terhadap Kepolisian Nasional Indonesia (Polri)?
+  - Seberapa kuat artikel ini mengandung sentimen positif, dukungan, atau manfaat
+    yang dapat meningkatkan citra atau reputasi Badan Nasional Pengelola Perbatasan?
+  - Seberapa netral artikel ini? Apakah artikel ini hanya menyajikan fakta atau informasi
+    tanpa memberikan opini atau emosi terhadap Badan Nasional Pengelola Perbatasan?
+- source_sentence: 'KKP perkuat pengawasan penangkapan ikan ilegal di perbatasan.
+    JAKARTA (ANTARA) - Direktorat Jendral (Ditjen) Pengawasan Sumber Daya Kelautan
+    dan Perikanan (PSDKP) Kementerian Kelautan dan Perikanan (KKP) memperkuat pengawasan
+    penangkapan ikan ilegal atau illegal fishing di wilayah perbatasan dengan mengalokasikan
+    anggaran sebesar Rp1,14 triliun. "Untuk memberantas illegal fishing oleh kapal
+    asing di Selat Malaka, laut Natuna Utara dan laut Sulawesi," kata Direktur Jenderal
+    PSDKP KKP Adin Nurawaluddin saat dihubungi ANTARA, di Jakarta, Senin. Adin mengatakan
+    PSDKP juga melakukan pengawasan terhadap kepatuhan kapal-kapal ikan Indonesia
+    agar penangakapan ikan sesuai dengan regulasi untuk melaporkan hasil tangkap ikan
+    guna menjaga keberlanjutan potensi ikan. "Harus melaporkan hasil tangkapan ikannya
+    dalam rangka memastikan data potensi perikanan tangkap pasca produksi untuk menjaga
+    keberlanjutan potensi perikanan," kata dia. Selain itu, kata Adin PSDKP juga mengalokasikan
+    anggaran untuk melaksanakan pengawasan sumber daya kelautan seperti pengawasan
+    terhadap wilayah pesisir dan pulau-pulau kecil, pengawasan pemanfaatan ruang laut
+    dan reklamasi tanpa izin, dan pengawasan d estructive fishing atau penangkapan
+    ikan dengan cara merusak dengan bom ikan, bahan kimia dan listrik. Selanjutnya,
+    pihaknya juga melakukan pengawasan terhadap si stem komunikasi kabel laut (SKKL)
+    , pengawasan b arang muatan kapal tenggelam (BMKT) dan pengawasan pencemaran di
+    laut. Diketahui, KKP mendapatkan anggaran 2024 sebesar Rp7,04 triliun yang kemudian
+    mendapatkan tambahan anggaran pada sebesar Rp57,1 miliar. Dari total anggaran
+    yang didapat, pihaknya akan mengalokasikan sebesar Rp659,66 miliar untuk Sekretariat
+    Jenderal (Setjen), kemudian Inspektorat Jenderal sebesar Rp87,25 miliar, Direktorat
+    Jenderal (Ditjen) Perikanan Tangkap sebesar Rp946,54 miliar. Serta Ditjen Perikanan
+    Budi Daya sebesar Rp1,22 triliun, Ditjen Pengawasan Sumber Daya Kelautan dan Perikanan
+    (PSDKP) sebesar Rp 1,14 triliun, Ditjen Penguatan Daya Saing Produk Kelautan dan
+    Perikanan (PDSKP) Rp386,88 miliar. Ditjen Pengelolaan Kelautan dan Ruang Laut
+    sebesar Rp657,63 miliar, sementara untuk Badan Penyuluhan dan Pengembangan Sumber
+    Daya Manusia Kelautan dan Perikanan sebesar Rp1,47 triliun serta Badan Pengendalian
+    dan Pengawasan Mutu Hasil Kelautan dan Perikanan sebesar Rp529,61 miliar. Luhut
+    ingatkan pengelolaan laut harus perhatikan aspek keberlanjutan KKP: 91 persen
+    nelayan dan pengusaha perikanan tahu aplikasi "e-PIT" Pewarta: Erlangga Bregas
+    Prakoso Editor: Sella Panduarsa Gareta COPYRIGHT © ANTARA 2023'
+  sentences:
+  - Seberapa kuat artikel ini mengandung sentimen positif, dukungan, atau manfaat
+    yang dapat meningkatkan citra atau reputasi Adin Nurawaluddin?
+  - Seberapa netral artikel ini? Apakah artikel ini hanya menyajikan fakta atau informasi
+    tanpa memberikan opini atau emosi terhadap Pemerintah Provinsi DKI Jakarta?
+  - Seberapa kuat artikel ini mengandung sentimen negatif atau kritik yang dapat merugikan
+    atau menciptakan persepsi buruk terhadap Adin Nurawaluddin?
+- source_sentence: 'Ciri-ciri Snack Tidak Sehat untuk Anak, Salah Satunya Tinggi Gula.
+    KabarDKI.com - Camilan atau snack untuk anak banyak beredar di pasaran. Banyak
+    ciri-ciri yang dapat dikenali dari snack yang tidak sehat (unhealthy snack) ini.
+    dr. Melanie Rakhmi Mantu, SpA (K), Mkes, dokter spesialis tumbuh kembang anak
+    menjelaskan ciri-ciri snack tidak sehat, beberapa di antaranya mengandung gula
+    dan garam yang tinggi. "Kalau unhealthy snack itu mengandung garam, gula, sodium
+    yang tinggi. Pilihan makanan tergantung dari orangtuanya yang memilihkan snack
+    untuk anak. Untuk efeknya terhadap kesehatan, makanan yang fresh, rendah garam,
+    gula, sodium, mengandung vitamin dan mineral, " kata dr. Melanie dalam acara \''Mengungkap
+    Bahaya Peredaran Produk Pangan Impor llegal Asal China yang Luput dari Pengawasan:
+    Membangun Kesadaran dan Perlindungan Kesehatan Anak\'' yang digelar Yayasan Lembaga
+    Konsumen Indonesia (YLKI) dan Sekjen Koalisi Perlindungan Kesehatan Masyarakat
+    (KOPMAS), Rabu, 23 Oktober 2024. Sementara itu Sekjen KOPMAS, Yuli Supriati mengungkapkan
+    peredaran makanan impor memicu sejumlah keracunan. "Peredaran makanan dan minuman
+    impor China yang minim pengawasan/tidak ada izin BPOM ilegal memicu sejumlah kasus
+    keracunan pada anak, " katanya. Pit. Ketua Pengurus Harian YLKI, Dra Indah Sukaningsih
+    punya harapan terhadap pemerintahan Prabowo-Gibran. Menurutnya seharusnya ada
+    kementerian khusus yang menangani perlindungan konsumen. "Harusnya ada kementerian
+    khusus perlindungan konsumen, kan seharusnya itu yang diperhatikan. Dari prespektif
+    YLKI, harusnya ada SOP nya. Kalau kita menduga impor ini tidak sehat, perlu di
+    survey, bahwa ini tidak sehat," terangnya. \n\n\nBerita Pilihan\n\n\n\n\n\n\n\n\n\n\n5
+    Jurus Ampuh Atasi Bau Badan, Dijamin Wangi Seharian!\n\n\n\n\n\n\n\n\n\n\n\n\n\nDeteksi
+    Kanker Lebih Akurat lewat Biograph Vision Quadra PET/CT Scanner, Pertama di Asia\n\n\n\n\n\n\n\n\n\n\n\n\n\nHapus
+    Stigma Negatif Tehadap ODHIV, KPA Jakarta Selatan Lakukan Ini\n\n\n\n\n\n\n\n
+    Disamping itu, dirinya menyambut baik adanya program makan gratis yang digaungkan
+    pemerintah., " Program ini cukup bagus apabila orangtuanya bekerja, anak-anak
+    bisa mendapatkan gizi yang seimbang, daripada harus jajan di luar, " katanya.
+    ***, Berita Pilihan 5 Jurus Ampuh Atasi Bau Badan, Dijamin Wangi Seharian! Deteksi
+    Kanker Lebih Akurat lewat Biograph Vision Quadra PET/CT Scanner, Pertama di Asia
+    Hapus Stigma Negatif Tehadap ODHIV, KPA Jakarta Selatan Lakukan Ini'
+  sentences:
+  - Seberapa kuat artikel ini mengandung sentimen positif, dukungan, atau manfaat
+    yang dapat meningkatkan citra atau reputasi sekretaris jenderal koalisi perlindungan
+    kesehatan masyarakat (kopmas)?
+  - Seberapa kuat artikel ini mengandung sentimen negatif atau kritik yang dapat merugikan
+    atau menciptakan persepsi buruk terhadap sekretaris jenderal koalisi perlindungan
+    kesehatan masyarakat (kopmas)?
+  - Seberapa kuat artikel ini mengandung sentimen negatif atau kritik yang dapat merugikan
+    atau menciptakan persepsi buruk terhadap timnas u-17?
+- source_sentence: Warganet Kaitkan Zulkifli Hasan dengan Kasus Impor Gula, Kejagung
+    langsung Pasang Badan!. JAKARTA, ExtraNews – Kasus korupsi impor gula makin memanas
+    dengan diramaikannya linimasa Twitter (X) yang dipenuhi beragam komentar atas
+    kasus korupsi itu. Sebagaimana diketahui, Thomas Trikasih Lembong atau Tom Lembong
+    ditetapkan Kejaksaan Agung sebagai tersangka dalam dugaan korupsi impor gula pada
+    2015. Jaksa menjerat Menteri Perdagangan atau Mendag periode 2015-2016 itu membuat
+    kebijakan impor gula yang merugikan negara senilai Rp 400 miliar. Sejumlah netizen
+    Indonesia tampaknya tidak puas kalau cuma Tom Lembong yang di jadikan tersangka
+    atas korupsi impor gula itu, dan berharap penegak hukum untuk memeriksa Mentri
+    Perdagangan era Jokowi terutama Mendag Zulkifli Hasan. Di ketahui Menteri Perdagangan
+    terakhir di era Presiden Joko Widodo Zulkifli Hasan yang juga Ketua Umum Partai
+    Amanat Nasional itu pada 2023 mengimpor gula sebanyak 5,06 juta ton. Nampak di
+    tangkapan layar Twitter (X) tanggapan kaum netizen yang berharap Zulkifli Hasan
+    juga di periksa terkait kebijakan impor gula pada saat menjabat sebagai Mentri
+    Perdagangan dan menjadi trending topik dan mendapat beraneka ragam tanggapan dari
+    kaum netizen Indonesia. “Impor gula Zulkifli Hasan 18 juta ton, ini impornya 3x
+    lipat yang dilakukan oleh Tom Lembong. Kalo berdasarkan laporan masyarakat, ini
+    lebih gila laporannya. Segera prosessss!!!! “ tulis pengguna akun @har*m*nAZ “Kapan
+    impor gula Zulkifli Hasan 18 juta ton diusut, ini impornya 3x lipat yang dilakukan
+    oleh Tom Lembong Kasus Zulhas kalau diusut mungkin lebih mengerikan,” tulis pengguna
+    @Ca**hum “Banyak yg lupa bhw Airlangga,Dito yg bahkan ada bukti di kembalikan
+    uangnya itu tdk tersentuh sampai sekarang. Zulkifli Hasan terkait korupsi kasus
+    “GULA”. Kalaulah Tom Lembong bersalah, jelas sekali hukum kita masih jauh dari
+    kata adil, karna hanya menyasar lawan” politik saja,” tulis pengguna @sim*nj*nta9*ico
+    impor gula Zulkifli Hasan 18 juta ton, ini impornya 3x lipat yang dilakukan oleh
+    Tom Lembong. Kalo berdasarkan laporan masyarakat, ini lebih gila laporannya. Segera
+    prosessss!!!! pic.twitter.com/CcD62G9bG7 — Hariman Amir (@HarimanAz) October 31,
+    2024 Sementara itu ramainya warganet yang mulai mengkaitkan kasus Tom Lembong
+    ke Zulkifli Hasan (zulhas) rupanya mendapatkan respon dari Kejaksaan Agung. Melalui
+    rilis resmi Kejaksaan Agung pada 2023 lalu menyatakan bahwa mereka tidak akan
+    memanggil kembali Menteri Perdagangan periode 2022-2024 Zulkifli Hasan sebagai
+    sebagai saksi terkait kasus dugaan korupsi penyalahgunaan kewenangan dalam kegiatan
+    importasi gula tersebut. Menurut Kepala Pusat Penerangan Hukum (Kapuspenkum) Kejagung,
+    Ketut Sumedana, tidak ada keterkaitan Menteri Zulkifli Hasan dalam perkara dimaksud.
+    Dijelaskan Ketut, perkara yang sedang ditangani Kejagung adalah penyelewengan
+    kebijakan yang telah dilaksanakan sejak tahun 2015. “Adapun perkara dimaksud tidak
+    ada kaitannya dengan kebijakan Menteri Perdagangan Zulkifli Hasan yang dilantik
+    pada bulan Juni 2022. Oleh karena tidak adanya hubungan dengan penanganan perkara
+    tersebut, Menteri Perdagangan Zulkifli Hasan tidak akan dilakukan pemanggilan
+    sebagai saksi dalam perkara dimaksud,” jelas Ketut dalam keterangan resminya pada
+    Jumat 6 Oktober 2023 lalu. (*)
+  sentences:
+  - Seberapa kuat artikel ini mengandung sentimen positif, dukungan, atau manfaat
+    yang dapat meningkatkan citra atau reputasi Marshanda?
+  - Seberapa kuat artikel ini mengandung sentimen positif, dukungan, atau manfaat
+    yang dapat meningkatkan citra atau reputasi presiden joko widodo?
+  - Seberapa netral artikel ini? Apakah artikel ini hanya menyajikan fakta atau informasi
+    tanpa memberikan opini atau emosi terhadap presiden joko widodo?
+pipeline_tag: sentence-similarity
+library_name: sentence-transformers
+metrics:
+- cosine_accuracy
+model-index:
+- name: SentenceTransformer based on intfloat/multilingual-e5-small
+  results:
+  - task:
+      type: triplet
+      name: Triplet
+    dataset:
+      name: Unknown
+      type: unknown
+    metrics:
+    - type: cosine_accuracy
+      value: 0.4019196971745302
+      name: Cosine Accuracy
+---
+
+# SentenceTransformer based on intfloat/multilingual-e5-small
+
+This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [intfloat/multilingual-e5-small](https://huggingface.co/intfloat/multilingual-e5-small) on the preskripsi-sentiment-analysis-dataset-for-embedding-ft dataset. It maps sentences & paragraphs to a 384-dimensional dense vector space and can be used for semantic textual similarity, semantic search, paraphrase mining, text classification, clustering, and more.
+
+## Model Details
+
+### Model Description
+- **Model Type:** Sentence Transformer
+- **Base model:** [intfloat/multilingual-e5-small](https://huggingface.co/intfloat/multilingual-e5-small) <!-- at revision fd1525a9fd15316a2d503bf26ab031a61d056e98 -->
+- **Maximum Sequence Length:** 512 tokens
+- **Output Dimensionality:** 384 dimensions
+- **Similarity Function:** Cosine Similarity
+- **Training Dataset:**
+    - preskripsi-sentiment-analysis-dataset-for-embedding-ft
+<!-- - **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: BertModel 
+  (1): Pooling({'word_embedding_dimension': 384, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
+  (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("masa-research/me5-small-preskripsi-embedding-pos-neg")
+# Run inference
+sentences = [
+    'Warganet Kaitkan Zulkifli Hasan dengan Kasus Impor Gula, Kejagung langsung Pasang Badan!. JAKARTA, ExtraNews – Kasus korupsi impor gula makin memanas dengan diramaikannya linimasa Twitter (X) yang dipenuhi beragam komentar atas kasus korupsi itu. Sebagaimana diketahui, Thomas Trikasih Lembong atau Tom Lembong ditetapkan Kejaksaan Agung sebagai tersangka dalam dugaan korupsi impor gula pada 2015. Jaksa menjerat Menteri Perdagangan atau Mendag periode 2015-2016 itu membuat kebijakan impor gula yang merugikan negara senilai Rp 400 miliar. Sejumlah netizen Indonesia tampaknya tidak puas kalau cuma Tom Lembong yang di jadikan tersangka atas korupsi impor gula itu, dan berharap penegak hukum untuk memeriksa Mentri Perdagangan era Jokowi terutama Mendag Zulkifli Hasan. Di ketahui Menteri Perdagangan terakhir di era Presiden Joko Widodo Zulkifli Hasan yang juga Ketua Umum Partai Amanat Nasional itu pada 2023 mengimpor gula sebanyak 5,06 juta ton. Nampak di tangkapan layar Twitter (X) tanggapan kaum netizen yang berharap Zulkifli Hasan juga di periksa terkait kebijakan impor gula pada saat menjabat sebagai Mentri Perdagangan dan menjadi trending topik dan mendapat beraneka ragam tanggapan dari kaum netizen Indonesia. “Impor gula Zulkifli Hasan 18 juta ton, ini impornya 3x lipat yang dilakukan oleh Tom Lembong. Kalo berdasarkan laporan masyarakat, ini lebih gila laporannya. Segera prosessss!!!! “ tulis pengguna akun @har*m*nAZ “Kapan impor gula Zulkifli Hasan 18 juta ton diusut, ini impornya 3x lipat yang dilakukan oleh Tom Lembong Kasus Zulhas kalau diusut mungkin lebih mengerikan,” tulis pengguna @Ca**hum “Banyak yg lupa bhw Airlangga,Dito yg bahkan ada bukti di kembalikan uangnya itu tdk tersentuh sampai sekarang. Zulkifli Hasan terkait korupsi kasus “GULA”. Kalaulah Tom Lembong bersalah, jelas sekali hukum kita masih jauh dari kata adil, karna hanya menyasar lawan” politik saja,” tulis pengguna @sim*nj*nta9*ico impor gula Zulkifli Hasan 18 juta ton, ini impornya 3x lipat yang dilakukan oleh Tom Lembong. Kalo berdasarkan laporan masyarakat, ini lebih gila laporannya. Segera prosessss!!!! pic.twitter.com/CcD62G9bG7 — Hariman Amir (@HarimanAz) October 31, 2024 Sementara itu ramainya warganet yang mulai mengkaitkan kasus Tom Lembong ke Zulkifli Hasan (zulhas) rupanya mendapatkan respon dari Kejaksaan Agung. Melalui rilis resmi Kejaksaan Agung pada 2023 lalu menyatakan bahwa mereka tidak akan memanggil kembali Menteri Perdagangan periode 2022-2024 Zulkifli Hasan sebagai sebagai saksi terkait kasus dugaan korupsi penyalahgunaan kewenangan dalam kegiatan importasi gula tersebut. Menurut Kepala Pusat Penerangan Hukum (Kapuspenkum) Kejagung, Ketut Sumedana, tidak ada keterkaitan Menteri Zulkifli Hasan dalam perkara dimaksud. Dijelaskan Ketut, perkara yang sedang ditangani Kejagung adalah penyelewengan kebijakan yang telah dilaksanakan sejak tahun 2015. “Adapun perkara dimaksud tidak ada kaitannya dengan kebijakan Menteri Perdagangan Zulkifli Hasan yang dilantik pada bulan Juni 2022. Oleh karena tidak adanya hubungan dengan penanganan perkara tersebut, Menteri Perdagangan Zulkifli Hasan tidak akan dilakukan pemanggilan sebagai saksi dalam perkara dimaksud,” jelas Ketut dalam keterangan resminya pada Jumat 6 Oktober 2023 lalu. (*)',
+    'Seberapa netral artikel ini? Apakah artikel ini hanya menyajikan fakta atau informasi tanpa memberikan opini atau emosi terhadap presiden joko widodo?',
+    'Seberapa kuat artikel ini mengandung sentimen positif, dukungan, atau manfaat yang dapat meningkatkan citra atau reputasi presiden joko widodo?',
+]
+embeddings = model.encode(sentences)
+print(embeddings.shape)
+# [3, 384]
+
+# 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
+
+#### Triplet
+
+* Evaluated with [<code>TripletEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.TripletEvaluator)
+
+| Metric              | Value      |
+|:--------------------|:-----------|
+| **cosine_accuracy** | **0.4019** |
+
+<!--
+## 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
+
+#### preskripsi-sentiment-analysis-dataset-for-embedding-ft
+
+* Dataset: preskripsi-sentiment-analysis-dataset-for-embedding-ft
+* Size: 46,095 training samples
+* Columns: <code>artikel</code>, <code>positive</code>, and <code>negative_1</code>
+* Approximate statistics based on the first 1000 samples:
+  |         | artikel                                                                              | positive                                                                           | negative_1                                                                         |
+  |:--------|:-------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|
+  | type    | string                                                                               | string                                                                             | string                                                                             |
+  | details | <ul><li>min: 32 tokens</li><li>mean: 439.08 tokens</li><li>max: 512 tokens</li></ul> | <ul><li>min: 24 tokens</li><li>mean: 28.16 tokens</li><li>max: 78 tokens</li></ul> | <ul><li>min: 27 tokens</li><li>mean: 31.16 tokens</li><li>max: 81 tokens</li></ul> |
+* Samples:
+  | artikel                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                  | positive                                                                                                                                                        | negative_1                                                                                                                                                |
+  |:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------------------------------------------------------------------|
+  | <code>Apa Kabar Elkan Baggott Setelah Absen 10 Bulan dari Timnas Indonesia? Lagi Terapi Cedera Pergelangan Kaki dan Segera Comeback. Bola.com, Blackpool - Cedera pergelangan kaki Elkan Baggott hampir sembuh. Bek berusia 22 tahun itu segera kembali bermain untuk Blackpool FC di kasta ketiga Liga Inggris? Elkan Baggott telah absen membela Blackpool sejak Agustus 2024 akibat cedera pergelangan kaki yang membuatnya baru bermain empat kali pada musim ini. Penampilan terakhir Elkan Baggott di Blackpool terjadi pada 24 Agustus 2024, ketika bermain imbang 4-4 melawan Cambridge United dalam matchday ketiga League One 2024/2025. Elkan Baggott sedang menjalani peminjaman di Blackpool selama semusim dari Ipswich Town. Pemain kelahiran Bangkok, Thailand, itu diperkirakan akan kembali membela Blackpool kontra Liverpool U-21 dalam EFL Trophy 2024/2025 pada 7 November 2024. "Elkan Baggott menjalani sesi latihan pertamanya, jadi senang bisa melihatnya kembali bersama tim," ujar pelatih Blackpool, Stephen Dob...</code> | <code>Seberapa kuat artikel ini mengandung sentimen negatif atau kritik yang dapat merugikan atau menciptakan persepsi buruk terhadap timnas indonesia?</code>  | <code>Seberapa kuat artikel ini mengandung sentimen positif, dukungan, atau manfaat yang dapat meningkatkan citra atau reputasi timnas indonesia?</code>  |
+  | <code>Di Balik Penangkapan Terduga Teroris di 3 Wilayah Jawa Timur dan NTB. KOMPAS.com- Detasemen Khusus (Densus) 88 Antiteror Mabes Polri menangkap sejumlah terduga teroris di Nusa Tenggara Barat dan Jawa Timur, beberapa hari terakhir. Mulanya penangkapan dilakukan terhadap MT di Bima, NTB pada 31 Mei 2023. Dari keterangan Mabes Polri, MT difasilitasi untuk berangkat ke Yaman dan bergabung dengan organisasi AQAP (cabang AlQaedah). Selanjutnya, berdasarkan pengembangan, Densus menangkap sejumlah terduga teroris lainnya. Pada Jumat (2/6/2023) pagi Densus menangkap ABU, terduga teroris di Jalan Kalimas Madya III Nyamplungan, Kecamatan Pabean Cantian, Surabaya, Jawa Timur. "Diamankan 07.30 WIB, setahu saya di rumahnya," kata Ketua RT M. Abri, Sabtu (3/6/2023). Setelah penangkapan tersebut dilakukan penggeledahan di rumah ABU. Abri yang turut serta dalam penggeledahan mengatakan polisi menyita sejumlah buku, busur, dan anak panah. "Iya ada panah. Ujungnya memang sangat tajam. Tapi tadi saya liha...</code> | <code>Seberapa kuat artikel ini mengandung sentimen negatif atau kritik yang dapat merugikan atau menciptakan persepsi buruk terhadap MT?</code>                | <code>Seberapa kuat artikel ini mengandung sentimen positif, dukungan, atau manfaat yang dapat meningkatkan citra atau reputasi MT?</code>                |
+  | <code>Dirjen Imigrasi Enggan Salahkan Siapapun Soal Peretasan: Sesama Bus Kota Enggak Boleh Saling Menyalip. JAKARTA, KOMPAS.com - Direktur Jenderal (Dirjen) Imigrasi Silmy Karim enggan menyalahkan siapa pun atas peristiwa gangguan sistem pelayanan imigrasi, yang terjadi karena peretasan Pusat Data Nasional (PDN). Menurutnya, ia tak berwenang untuk menilai kementerian/lembaga lain atas peristiwa peretasan yang terjadi. "Ya enggak mungkin saya gitu (menilai)," kata Silmy dalam konferensi pers di kawasan Jakarta Selatan, Jumat (28/6/2024). "Sudah lah, sesama bus kota enggak boleh saling menyalip," tambahnya. Ia menambahkan, hanya pakar di luar kementerian/lembaga yang berhak menilai atas peristiwa yang terjadi. Termasuk, siapa yang patut bertanggungjawab atas peristiwa ini. "Itu yang bisa ngomong kayak gitu pengamat, bisa lah. Saya enggak bisa," tegas Silmy. Sebelumnya, muncul petisi online untuk meminta Menkominfo Budi Arie Setiadi mundur karena dianggap tak bisa menyelesaikan PDN yang disera...</code> | <code>Seberapa kuat artikel ini mengandung sentimen negatif atau kritik yang dapat merugikan atau menciptakan persepsi buruk terhadap Budi Arie Setiadi?</code> | <code>Seberapa kuat artikel ini mengandung sentimen positif, dukungan, atau manfaat yang dapat meningkatkan citra atau reputasi Budi Arie Setiadi?</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"
+  }
+  ```
+
+### Evaluation Dataset
+
+#### preskripsi-sentiment-analysis-dataset-for-embedding-ft
+
+* Dataset: preskripsi-sentiment-analysis-dataset-for-embedding-ft
+* Size: 14,794 evaluation samples
+* Columns: <code>artikel</code>, <code>positive</code>, and <code>negative_1</code>
+* Approximate statistics based on the first 1000 samples:
+  |         | artikel                                                                              | positive                                                                           | negative_1                                                                         |
+  |:--------|:-------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|
+  | type    | string                                                                               | string                                                                             | string                                                                             |
+  | details | <ul><li>min: 18 tokens</li><li>mean: 432.85 tokens</li><li>max: 512 tokens</li></ul> | <ul><li>min: 24 tokens</li><li>mean: 30.76 tokens</li><li>max: 49 tokens</li></ul> | <ul><li>min: 24 tokens</li><li>mean: 30.36 tokens</li><li>max: 52 tokens</li></ul> |
+* Samples:
+  | artikel                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                  | positive                                                                                                                                                                               | negative_1                                                                                                                                                                         |
+  |:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
+  | <code>Capai NZE, PLN EPI kembangkan energi bersih basis ekonomi kerakyatan. Lewat teknologi co-firing (bahan bakar alternatif) di PLTU, PLN EPI mengembangkan ekosistem biomassa yang justru banyak melibatkan masyarakat sehingga program transisi ini juga mendorong perekonomian rakyat Jakarta (ANTARA) - Sekretaris Perusahaan PLN Energi Primer Indonesia (PLN EPI) Mamit Setiawan mengatakan PLN EPI mengambil peran penting dalam era transisi energi saat ini dengan mengembangkan energi bersih berbasis ekonomi kerakyatan. Program transisi energi selain mencapai pengurangan emisi juga sekaligus menjadi katalisator pertumbuhan ekonomi, sehingga PLN EPI sebagai Subholding PT PLN (Persero) mengambil bagian penting dalam agenda ini. "Lewat teknologi co-firing (bahan bakar alternatif) di PLTU, PLN EPI mengembangkan ekosistem biomassa yang justru banyak melibatkan masyarakat sehingga program transisi ini juga mendorong perekonomian rakyat," kata Mamit di Jakarta, Senin. Sebagai perusahaan yang menjamin paso...</code> | <code>Seberapa kuat artikel ini mengandung sentimen positif, dukungan, atau manfaat yang dapat meningkatkan citra atau reputasi Pembangkit Listrik Tenaga Uap (PLTU)?</code>           | <code>Seberapa kuat artikel ini mengandung sentimen negatif atau kritik yang dapat merugikan atau menciptakan persepsi buruk terhadap Pembangkit Listrik Tenaga Uap (PLTU)?</code> |
+  | <code>Mahasiswa UNS ikut menggali potensi energi baru terbarukan. Melihat krisis sumber daya energi nonterbarukan makin mendesak dunia untuk mencari alternatif energi yang berkelanjutan. Solo (ANTARA) - Mahasiswa Universitas Sebelas Maret (UNS) Surakarta berupaya ikut menggali potensi energi baru terbarukan dengan membuat penelitian yang menggabungkan sistem pemantauan berbasis yaw dengan teknologi Internet of Things (IoT). Ketua tim Alif Ilham, di Solo, Jawa Tengah, Rabu, mengatakan sistem pemantauan berbasis yaw ini dirancang untuk memonitor kinerja Horizontal Axis Wind Turbine (HAWT) secara realtime. Ia mengatakan penelitian dilakukan karena melihat krisis sumber daya energi nonterbarukan makin mendesak dunia untuk mencari alternatif energi yang berkelanjutan. "Dari data kebutuhan Indonesia, 50,3 persen listrik yang digunakan masih berasal dari energi nonterbarukan, yaitu batu bara," katanya. Menurut dia, salah satu solusi yang menjanjikan adalah energi angin. Energi ini dapat diubah menj...</code> | <code>Seberapa netral artikel ini? Apakah artikel ini hanya menyajikan fakta atau informasi tanpa memberikan opini atau emosi terhadap BRIN (Badan Riset dan Inovasi Nasional)?</code> | <code>Seberapa kuat artikel ini mengandung sentimen positif, dukungan, atau manfaat yang dapat meningkatkan citra atau reputasi BRIN (Badan Riset dan Inovasi Nasional)?</code>    |
+  | <code>Mengapa Manufaktur Terpuruk dan Apa Urgensinya?. Tema terpuruknya manufaktur di Tanah Air menjadi salah satu pemberitaan media massa pekan ini. Hal ini berawal dari rilis S&amp;P tentang Purchasing Manager Indeks (PMI) Indonesia periode Agustus 2024 pada 2 September 2024. Intinya, indeks Indonesia terpuruk makin dalam di bawah batas minimal indikasi ekspansi. Namun apa yang sebenarnya terjadi? Mengapa demikian? Dan apa urgensinya bagi perekonomian nasional? Apa yang Anda pelajari dari artikel ini? 1.Apa yang terjadi dengan manufaktur? 2.Apa konsekuensinya bagi buruh? 3.Apa pentingnya manufaktur bagi perekonomian Indonesia? PMI Indonesia pada Agustus 2024 melanjutkan kontraksi yang sudah terjadi sejak Juli 2024. PMI manufaktur Indonesia di periode ini anjlok ke 48,9. Angka di bawah 50 menunjukkan kondisi kontraksi. Pada Juli, indeksnya adalah 49,3. Artinya, kontraksi pada Agustus kian dalam. Padahal, sebelumnya, manufaktur Indonesia dalam posisi ekspansi selama 34 bulan berturut-turut. ...</code> | <code>Seberapa kuat artikel ini mengandung sentimen negatif atau kritik yang dapat merugikan atau menciptakan persepsi buruk terhadap Ekonomi Indonesia?</code>                        | <code>Seberapa kuat artikel ini mengandung sentimen positif, dukungan, atau manfaat yang dapat meningkatkan citra atau reputasi Ekonomi Indonesia?</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
+
+- `eval_strategy`: steps
+- `per_device_train_batch_size`: 16
+- `per_device_eval_batch_size`: 16
+- `learning_rate`: 2e-05
+- `num_train_epochs`: 1
+- `warmup_ratio`: 0.1
+- `push_to_hub`: True
+- `hub_model_id`: masa-research/me5-small-preskripsi-embedding-pos-neg
+- `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`: 16
+- `per_device_eval_batch_size`: 16
+- `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`: 1
+- `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`: True
+- `resume_from_checkpoint`: None
+- `hub_model_id`: masa-research/me5-small-preskripsi-embedding-pos-neg
+- `hub_strategy`: every_save
+- `hub_private_repo`: None
+- `hub_always_push`: False
+- `gradient_checkpointing`: False
+- `gradient_checkpointing_kwargs`: None
+- `include_inputs_for_metrics`: False
+- `include_for_metrics`: []
+- `eval_do_concat_batches`: True
+- `fp16_backend`: auto
+- `push_to_hub_model_id`: None
+- `push_to_hub_organization`: None
+- `mp_parameters`: 
+- `auto_find_batch_size`: False
+- `full_determinism`: False
+- `torchdynamo`: None
+- `ray_scope`: last
+- `ddp_timeout`: 1800
+- `torch_compile`: False
+- `torch_compile_backend`: None
+- `torch_compile_mode`: None
+- `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
+- `use_liger_kernel`: False
+- `eval_use_gather_object`: False
+- `average_tokens_across_devices`: False
+- `prompts`: None
+- `batch_sampler`: no_duplicates
+- `multi_dataset_batch_sampler`: proportional
+
+</details>
+
+### Training Logs
+| Epoch  | Step | Training Loss | Validation Loss | cosine_accuracy |
+|:------:|:----:|:-------------:|:---------------:|:---------------:|
+| 0.0347 | 100  | 2.2799        | 3.0897          | 0.6039          |
+| 0.0694 | 200  | 1.0007        | 3.7314          | 0.6032          |
+| 0.1041 | 300  | 0.6538        | 3.9361          | 0.6031          |
+| 0.2083 | 600  | 0.8024        | 4.0135          | 0.6029          |
+| 0.3124 | 900  | 0.7212        | 4.2401          | 0.6025          |
+| 0.4165 | 1200 | 0.9165        | 4.3140          | 0.6034          |
+| 0.5207 | 1500 | 0.8918        | 4.6178          | 0.6033          |
+| 0.6248 | 1800 | 0.8376        | 4.6052          | 0.6034          |
+| 0.7289 | 2100 | 0.9715        | 2.9251          | 0.4035          |
+| 0.8330 | 2400 | 0.4864        | 3.3840          | 0.4045          |
+| 0.9372 | 2700 | 0.4698        | 3.7879          | 0.4019          |
+
+
+### Framework Versions
+- Python: 3.11.11
+- Sentence Transformers: 3.3.1
+- Transformers: 4.47.1
+- PyTorch: 2.5.1+cu124
+- Accelerate: 1.2.1
+- Datasets: 3.2.0
+- Tokenizers: 0.21.0
+
+## 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.*
+-->

config_sentence_transformers.json

@@ -0,0 +1,10 @@
+{
+  "__version__": {
+    "sentence_transformers": "3.3.1",
+    "transformers": "4.47.1",
+    "pytorch": "2.5.1+cu124"
+  },
+  "prompts": {},
+  "default_prompt_name": null,
+  "similarity_fn_name": "cosine"
+}

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": 512,
+  "do_lower_case": false
+}