Modelpublic

ThanhLe0125/e5-math-ebd

sourceHugging Faceupdated 1y agoView on Hugging Face

0likes92downloads

Model Card

SentenceTransformer based on intfloat/multilingual-e5-base

This is a sentence-transformers model finetuned from intfloat/multilingual-e5-base. It maps sentences & paragraphs to a 768-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-base
—Maximum Sequence Length: 256 tokens
—Output Dimensionality: 768 dimensions
—Similarity Function: Cosine Similarity

Model Sources

—Documentation: Sentence Transformers Documentation
—Repository: Sentence Transformers on GitHub
—Hugging Face: Sentence Transformers on Hugging Face

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 256, 'do_lower_case': False}) with Transformer model: XLMRobertaModel 
  (1): Pooling({'word_embedding_dimension': 768, '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("ThanhLe0125/e5-math-ebd")
# Run inference
sentences = [
    'query: Trong định nghĩa điểm cực đại, khoảng (a; b) có vai trò gì?',
    "passage: # Cực trị của hàm số\n\n## Định nghĩa\nCho hàm số $y = f(x)$ xác định trên tập $D$ và $x_0 \\in D$.\n\n**Cực đại:** $x_0$ được gọi là điểm cực đại nếu tồn tại khoảng $(a; b)$ chứa $x_0$ sao cho $f(x) \\leq f(x_0)$ với mọi $x \\in (a; b) \\cap D$.\n\n**Cực tiểu:** $x_0$ được gọi là điểm cực tiểu nếu tồn tại khoảng $(a; b)$ chứa $x_0$ sao cho $f(x) \\geq f(x_0)$ với mọi $x \\in (a; b) \\cap D$.\n\n## Điều kiện cần (Định lý Fermat)\nNếu hàm số $f(x)$ có đạo hàm tại $x_0$ và $x_0$ là điểm cực trị thì $f'(x_0) = 0$.\n\n## Điều kiện đủ\n**Dấu của đạo hàm bậc nhất:**\n- Nếu $f'(x) > 0$ trên $(x_0 - h; x_0)$ và $f'(x) < 0$ trên $(x_0; x_0 + h)$ thì $x_0$ là điểm cực đại.\n- Nếu $f'(x) < 0$ trên $(x_0 - h; x_0)$ và $f'(x) > 0$ trên $(x_0; x_0 + h)$ thì $x_0$ là điểm cực tiểu.\n\n**Đạo hàm bậc hai:**\n- Nếu $f'(x_0) = 0$ và $f''(x_0) > 0$ thì $x_0$ là điểm cực tiểu.\n- Nếu $f'(x_0) = 0$ và $f''(x_0) < 0$ thì $x_0$ là điểm cực đại.",
    'passage: # Các phép toán vectơ trong không gian\n\n## Phép cộng vectơ\n**Quy tắc hình bình hành:** Đặt hai vectơ chung gốc, vectơ tổng là đường chéo hình bình hành.\n\n**Quy tắc tam giác:** $\\overrightarrow{AB} + \\overrightarrow{BC} = \\overrightarrow{AC}$\n\n**Tính chất:**\n- Giao hoán: $\\vec{a} + \\vec{b} = \\vec{b} + \\vec{a}$\n- Kết hợp: $(\\vec{a} + \\vec{b}) + \\vec{c} = \\vec{a} + (\\vec{b} + \\vec{c})$\n- Phần tử trung hòa: $\\vec{a} + \\vec{0} = \\vec{a}$\n\n## Phép trừ vectơ\n$\\vec{a} - \\vec{b} = \\vec{a} + (-\\vec{b})$\n\n**Ý nghĩa:** $\\overrightarrow{AB} - \\overrightarrow{AC} = \\overrightarrow{CB}$\n\n## Phép nhân vectơ với số thực\nCho vectơ $\\vec{a}$ và số thực $k$:\n- Nếu $k > 0$: $k\\vec{a}$ cùng hướng với $\\vec{a}$, độ lớn $|k\\vec{a}| = k|\\vec{a}|$\n- Nếu $k < 0$: $k\\vec{a}$ ngược hướng với $\\vec{a}$, độ lớn $|k\\vec{a}| = |k||\\vec{a}|$  \n- Nếu $k = 0$: $k\\vec{a} = \\vec{0}$\n\n**Tính chất:**\n- $k(\\vec{a} + \\vec{b}) = k\\vec{a} + k\\vec{b}$\n- $(k + h)\\vec{a} = k\\vec{a} + h\\vec{a}$\n- $(kh)\\vec{a} = k(h\\vec{a})$\n\n## Ví dụ ứng dụng\nCho hình hộp $ABCD.EFGH$. Chứng minh: $\\overrightarrow{AG} = \\overrightarrow{AB} + \\overrightarrow{AD} + \\overrightarrow{AE}$\n\n**Lời giải:**\n$\\overrightarrow{AG} = \\overrightarrow{AB} + \\overrightarrow{BG}$\n$= \\overrightarrow{AB} + \\overrightarrow{BC} + \\overrightarrow{CG}$  \n$= \\overrightarrow{AB} + \\overrightarrow{AD} + \\overrightarrow{AE}$',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 768]

# 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

Binary Classification

—Dataset: ranking_evaluator
—Evaluated with <code>BinaryClassificationEvaluator</code>

Metric	Value
cosine_accuracy	0.955
cosineaccuracythreshold	0.3222
cosine_f1	0.9333
cosinef1threshold	0.2707
cosine_precision	0.9265
cosine_recall	0.9403
cosine_ap	0.9869
cosine_mcc	0.8994

<!--

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

Unnamed Dataset

—Size: 1,924 training samples
—Columns: <code>sentence0</code>, <code>sentence1</code>, and <code>sentence_2</code>
—Approximate statistics based on the first 1000 samples: | | sentence0 | sentence1 | sentence_2 | |:--------|:-----------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------| | type | string | string | string | | details | <ul><li>min: 10 tokens</li><li>mean: 24.67 tokens</li><li>max: 56 tokens</li></ul> | <ul><li>min: 228 tokens</li><li>mean: 254.49 tokens</li><li>max: 256 tokens</li></ul> | <ul><li>min: 228 tokens</li><li>mean: 254.24 tokens</li><li>max: 256 tokens</li></ul> |
—Samples: | sentence0 | sentence1 | sentence2 | |:-----------------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------| | <code>query: Cách tính phương sai khi có các giá trị ngoại lệ trong tập dữ liệu?</code> | <code>passage: # Phương sai và độ lệch chuẩn ## Phương sai (Variance) **Định nghĩa:** Phương sai là trung bình cộng của bình phương các độ lệch so với số trung bình. **Dữ liệu rời rạc:** $s^2 = \frac{1}{n}\sum{i=1}^{n}(xi - \bar{x})^2$ **Dữ liệu ghép nhóm:** $s^2 = \frac{1}{n}\sum{i=1}^{k}ni(xi - \bar{x})^2$ Công thức tính nhanh: $s^2 = \frac{1}{n}\sum{i=1}^{k}ni xi^2 - \bar{x}^2$ ## Độ lệch chuẩn (Standard Deviation) $$s = \sqrt{s^2}$$ **Ưu điểm:** - Cùng đơn vị với dữ liệu gốc - Dễ hiểu và giải thích - Sử dụng tất cả quan sát ## Ý nghĩa thực tế - **Phương sai lớn:** Dữ liệu phân tán, không đồng đều - **Phương sai nhỏ:** Dữ liệu tập trung, đồng đều - **Độ lệch chuẩn:** "Khoảng cách trung bình" từ các quan sát đến trung bình ## Quy tắc 68-95-99.7 Với dữ liệu phân phối gần chuẩn: - 68% dữ liệu nằm trong $[\bar{x} - s; \bar{x} + s]$ - 95% dữ liệu nằm trong $[\bar{x} - 2s; \bar{x} + 2s]$ - 99.7% dữ liệu nằm trong $[\bar{x} - 3s; \bar{x} + 3s]$</code> | <code>passage: # Cấp số nhân ## Định nghĩa **Cấp số nhân** là dãy số $(un)$ mà kể từ số hạng thứ hai, mỗi số hạng đều bằng số hạng đứng trước nó nhân với một số không đổi $q \neq 0$. $$u{n+1} = un \times q \quad (\forall n \geq 1)$$ Số $q$ được gọi là công bội của cấp số nhân. ## Số hạng tổng quát $$un = u1 \times q^{n-1}$$ Hoặc với số hạng bất kỳ: $un = uk \times q^{n-k}$ ## Tính chất cơ bản 1. Tính chất đặc trưng: $\frac{u{n+1}}{un} = q$ (hằng số, $un \neq 0$) 2. **Số hạng ở giữa:** $uk^2 = u{k-p} \times u{k+p}$ với $p > 0$ 3. Ba số hạng liên tiếp: $a, b, c$ tạo thành CSN ⇔ $b^2 = ac$ (với $a, c$ cùng dấu) ## Ví dụ Ví dụ 1: Dãy số $3, 6, 12, 24, 48, ...$ - Số hạng đầu: $u1 = 3$ - Công bội: $q = \frac{6}{3} = 2$ - Số hạng tổng quát: $un = 3 \times 2^{n-1}$ Ví dụ 2: Cho CSN có $u2 = 6$ và $u5 = 162$. Tìm $u1$ và $q$. **Lời giải:** $u5 = u2 \times q^3 \Rightarrow 162 = 6 \times q^3 \Rightarrow q^3 = 27 \Rightarrow q = 3$ $u1 = \frac{u2}{q}...</code> | | <code>query: Cách tính đạo hàm của một hàm số đa thức như f(x) = x^3 - 3x^2 + 2?</code> | <code>passage: # Tính đơn điệu của hàm số ## Định nghĩa Cho hàm số $y = f(x)$ xác định trên khoảng $(a; b)$. **Hàm số đồng biến (tăng) trên $(a; b)$:** Nếu với mọi $x1, x2 \in (a; b)$ mà $x1 < x2$ thì $f(x1) < f(x2)$. **Hàm số nghịch biến (giảm) trên $(a; b)$:** Nếu với mọi $x1, x2 \in (a; b)$ mà $x1 < x2$ thì $f(x1) > f(x2)$. ## Điều kiện cần và đủ **Định lý:** Cho hàm số $y = f(x)$ có đạo hàm trên khoảng $(a; b)$. - Nếu $f'(x) > 0$ với mọi $x \in (a; b)$ thì $f(x)$ đồng biến trên $(a; b)$. - Nếu $f'(x) < 0$ với mọi $x \in (a; b)$ thì $f(x)$ nghịch biến trên $(a; b)$. ## Ví dụ Xét tính đơn điệu của hàm số $f(x) = x^3 - 3x^2 + 2$. **Lời giải:** $f'(x) = 3x^2 - 6x = 3x(x - 2)$ $f'(x) = 0 \Leftrightarrow x = 0$ hoặc $x = 2$. Bảng xét dấu: - $x \in (-\infty; 0)$: $f'(x) > 0$ (hàm đồng biến) - $x \in (0; 2)$: $f'(x) < 0$ (hàm nghịch biến) - $x \in (2; +\infty)$: $f'(x) > 0$ (hàm đồng biến)</code> | <code>passage: # Hệ trục tọa độ Oxyz trong không gian ## Thiết lập hệ trục Hệ trục tọa độ $Oxyz$ gồm: - **Gốc tọa độ:** $O$ - **Trục $Ox$ (hoành):** vectơ đơn vị $\vec{i}$ - **Trục $Oy$ (tung):** vectơ đơn vị $\vec{j}$ - **Trục $Oz$ (cao):** vectơ đơn vị $\vec{k}$ **Điều kiện:** Ba trục vuông góc từng đôi một, $|\vec{i}| = |\vec{j}| = |\vec{k}| = 1$ **Quy tắc bàn tay phải:** Khi co bốn ngón từ $\vec{i}$ về $\vec{j}$, ngón cái chỉ theo $\vec{k}$. ## Tọa độ của điểm Mỗi điểm $M$ trong không gian có tọa độ duy nhất $(x; y; z)$ với: - $x$: khoảng cách có dấu đến mặt phẳng $Oyz$ - $y$: khoảng cách có dấu đến mặt phẳng $Oxz$ - $z$: khoảng cách có dấu đến mặt phẳng $Oxy$ ## Các điểm đặc biệt - Gốc tọa độ: $O(0; 0; 0)$ - Trên trục $Ox$: $(a; 0; 0)$ - Trên trục $Oy$: $(0; b; 0)$ - Trên trục $Oz$: $(0; 0; c)$ - Trên mặt phẳng $Oxy$: $(x; y; 0)$ - Trên mặt phẳng $Oxz$: $(x; 0; z)$ - Trên mặt phẳng $Oyz$: $(0; y; z)$ ## Tọa độ của vectơ Vectơ $\vec{a}$ có tọa độ $(ax; ay; az)$ nếu: $$\vec{a} ...</code> | | <code>query: Trong bài toán thực tế về tăng lương, yếu tố nào đóng vai trò là công sai?</code> | <code>passage: # Tổng n số hạng đầu của cấp số cộng ## Công thức tổng Cho cấp số cộng $(un)$ với số hạng đầu $u1$ và công sai $d$. Công thức 1: $Sn = \frac{n}{2}[2u1 + (n-1)d]$ Công thức 2: $Sn = \frac{n(u1 + un)}{2}$ **Công thức 3:** $Sn = nu1 + \frac{n(n-1)}{2}d$ ## Tính chất của tổng 1. $Sn - S{n-1} = un$ (với $n \geq 2$) 2. Nếu $Sn = an^2 + bn$ thì dãy là CSC với: - $u1 = a + b$ - $d = 2a$ ## Ví dụ tính toán Ví dụ 1: Tính tổng 15 số hạng đầu của CSC: $3, 7, 11, 15, ...$ Lời giải: - $u1 = 3$, $d = 4$ - $S{15} = \frac{15}{2}[2 \times 3 + (15-1) \times 4] = \frac{15}{2}[6 + 56] = 465$ Ví dụ 2: Tìm $n$ biết tổng $n$ số hạng đầu của CSC có $u1 = 2$, $d = 3$ là $Sn = 77$. Lời giải: $77 = \frac{n}{2}[2 \times 2 + (n-1) \times 3] = \frac{n(4 + 3n - 3)}{2} = \frac{n(3n + 1)}{2}$ $154 = n(3n + 1) = 3n^2 + n$ $3n^2 + n - 154 = 0$ Giải được $n = 7$ (loại nghiệm âm) ## Bài toán thực tế Một công ty kế hoạch tăng lương cho nhân viên theo CSC...</code> | <code>passage: # Công thức tọa độ cơ bản trong không gian ## Độ dài vectơ và khoảng cách Độ dài vectơ: $|\vec{a}| = \sqrt{ax^2 + ay^2 + az^2}$ với $\vec{a} = (ax; ay; az)$ Khoảng cách hai điểm: $$d(A,B) = |\overrightarrow{AB}| = \sqrt{(xB-xA)^2 + (yB-yA)^2 + (zB-zA)^2}$$ ## Tọa độ trung điểm và trọng tâm Trung điểm: $M$ là trung điểm $AB$ có tọa độ: $$M\left(\frac{xA + xB}{2}; \frac{yA + yB}{2}; \frac{zA + zB}{2}\right)$$ Trọng tâm tam giác: $G$ của tam giác $ABC$: $$G\left(\frac{xA + xB + xC}{3}; \frac{yA + yB + yC}{3}; \frac{zA + zB + zC}{3}\right)$$ **Trọng tâm tứ diện:** $G$ của tứ diện $ABCD$: $$G\left(\frac{xA + xB + xC + xD}{4}; \frac{yA + yB + yC + yD}{4}; \frac{zA + zB + zC + z_D}{4}\right)$$ ## Ví dụ Cho $A(1; 2; 3)$, $B(4; -1; 2)$. Tính $|\overrightarrow{AB}|$ và tọa độ trung điểm. Lời giải: $\overrightarrow{AB} = (4-1; -1-2; 2-3) = (3; -3; -1)$ $|\overrightarrow{AB}| = \sqrt{3^2 + (-3)^2 + (-1)^2} = \sqrt{19}$ Tru...</code> |
—Loss: <code>MultipleNegativesRankingLoss</code> with these parameters:

json

  {
      "scale": 20.0,
      "similarity_fct": "cos_sim"
  }

Training Hyperparameters

Non-Default Hyperparameters

—eval_strategy: steps
—per_device_train_batch_size: 4
—per_device_eval_batch_size: 4
—num_train_epochs: 20
—multi_dataset_batch_sampler: round_robin

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: 4
—per_device_eval_batch_size: 4
—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: 5e-05
—weight_decay: 0.0
—adam_beta1: 0.9
—adam_beta2: 0.999
—adam_epsilon: 1e-08
—max_grad_norm: 1
—num_train_epochs: 20
—max_steps: -1
—lr_scheduler_type: linear
—lr_scheduler_kwargs: {}
—warmup_ratio: 0.0
—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: {'minnumparams': 0, 'xla': False, 'xlafsdpv2': False, 'xlafsdpgrad_ckpt': False}
—tp_size: 0
—fsdp_transformer_layer_cls_to_wrap: None
—accelerator_config: {'splitbatches': False, 'dispatchbatches': None, 'evenbatches': True, 'useseedablesampler': True, 'nonblocking': False, 'gradientaccumulationkwargs': 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: 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
—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: batch_sampler
—multi_dataset_batch_sampler: round_robin

</details>

Training Logs

Epoch	Step	Training Loss	ranking_evaluator_cosine_ap
0.8299	200	-	0.9543
1.0	241	-	0.9699
1.6598	400	-	0.9702
2.0	482	-	0.9744
2.0747	500	0.7119	-
2.4896	600	-	0.9765
3.0	723	-	0.9852
3.3195	800	-	0.9822
4.0	964	-	0.9829
4.1494	1000	0.4462	0.9813
4.9793	1200	-	0.9775
5.0	1205	-	0.9768
5.8091	1400	-	0.9843
6.0	1446	-	0.9869

Framework Versions

—Python: 3.11.11
—Sentence Transformers: 3.4.1
—Transformers: 4.51.3
—PyTorch: 2.6.0+cu124
—Accelerate: 1.5.2
—Datasets: 3.6.0
—Tokenizers: 0.21.1

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. -->