rasyosef/RoBERTa-Amharic-Embed-Medium

RoBERTa Amharic Embed Medium

This is a sentence-transformers model finetuned from rasyosef/roberta-medium-amharic. It maps sentences & paragraphs to a 512-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: rasyosef/roberta-medium-amharic
• Maximum Sequence Length: 510 tokens
• Output Dimensionality: 512 dimensions
• Similarity Function: Cosine Similarity
• Language: am
• License: mit

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': 510, 'do_lower_case': False}) with Transformer model: XLMRobertaModel 
  (1): Pooling({'word_embedding_dimension': 512, '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:

pip install -U sentence-transformers

Then you can load this model and run inference.

from sentence_transformers import SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("rasyosef/roberta-amharic-embed-medium")
# Run inference
sentences = [
    'ድሬዳዋ አዲስ ምክትል ከንቲባ ተሾመላት',
    'የድሬዳዋ ከተማ አስተዳደር ምክር ቤት የከተማዋን ከንቲባ የአቶ መሐዲ ጊሬን የመልቀቂያ ጥያቄ በመቀበል፣ የምክር ቤት አባል ያልሆኑትን አቶ አህመድ ቡህ ምክትል ከንቲባ በማድረግ ቃለ መሃላ አስፈጽሞ ሾመ፡፡ምክር ቤቱ ማክሰኞ ሐምሌ 16 ቀን 2011 ዓ.ም. ባካሄደው አስቸኳይ ጉባዔ፣ ከቀድሞው ከንቲባ አቶ ኢብራሂም ኡስማን ፋራህ በመጋቢት ወር ሥልጣን የተረከቡትን አቶ መሐዲን በአቶ አህመድ ተክቷል፡፡የቀድሞው ከንቲባ አቶ ኢብራሂም በወርኃ መጋቢት 2011 ዓ.ም. ድሬዳዋ ውስጥ በተፈጠረው ሁከት ምክንያት፣ የሦስት ዓመት ከስድስት ወራት ሥልጣናቸውን አስረክበው መልቀቃቸው ይታወሳል፡፡አቶ አህመድ ቡህ የድሬዳዋ ምክር ቤት አባል ባለመሆናቸው፣ በምክትል ከንቲባነት ድሬዳዋን እንደሚመሩ ታውቋል፡፡ይህ በዚህ እንዳለ ምክር ቤቱ የአፈ ጉባዔውን የአቶ አብደላ አህመድ መልቀቂያ በመቀበል፣ ወ/ሮ ፈጡም ሙስጠፋን አፈ ጉባዔ አድርጎ መሾሙን ለማወቅ ተችሏል፡፡የድሬዳዋ ከተማ አስተዳደር እንደ አዲስ አበባ ከተማ አስተዳደር ቻርተሩ ተሻሽሎ፣ አሁን በሥራ ላይ ያለው ምክር ቤት ሥራውን እንዲቀጥል በፓርላማ ከአንድ ዓመት በፊት መወሰኑ ይታወሳል፡፡',
    'ድሬዳዋ ከተማ ወደ መረጋጋት እየተመለሰች በመሆኑ መደበኛ የስራ እንቅስቃሴው ወደ ነበረበት መመለሱን የከተማው ፖሊስ ኮሚሽን አስታወቀ።በመከላከያ ሰራዊት፣ በሌሎች የጸጥታ ኃይሎችና በህዝቡ ጥረት እየመጣ ያለውን ሰላም ለማስጠበቅ የምስራቅ ዕዝ መከላከያ ሠራዊት ወስዶ እየሰራ ይገኛል።የከተማው ፖሊስ ኮሚሽን ህዝብ ግንኙነት ዲቪዥን ኃላፊ ዋና ሳጅን ባንተአለም ግርማ እንደገለጹት ባለፉት አራት ቀናት ወጣቶች ሲያካሄዱት የነበረው የተቃውሞ ሰልፍና እሱን ተከትሎ የተከሰተው አለመረጋጋት ትላንትና ቆሟል፡፡ግርግሩን ተከትሎ በመንግስታዊና በግለሰብ ተቋማት ላይ መጠነኛ ጉዳት መድረሱን የገለጹት ኃላፊው በችግሩ መፈጠርና መባባስ የተጠረጠሩ ቀደም ሲል የተያዙትን ጨምሮ ሁለት መቶ ሰዎች በቁጥጥር ሥር መዋላቸውን ተናግረዋል።ለተፈጠረው አንጻራዊ ሰላምና መረጋጋት ወጣቱ ላሳየው ተሳትፎ ዋና ሳጅን ባንተአለም በኮሚሽኑ ስም አመስግነው በወጣቱ ጥያቄዎች ሰበብ ድብቅ አጀንዳዎችን የሚያራምዱ አካላትን ለህግ ለማቅረብ የጀመሩትን ጥረት እንዲቀጥሉ ጠይቀዋል።የድሬዳዋ አስተዳደር መንግስት ኮሚኒኬሽን ጉዳዮች ቢሮ ኃላፊ አቶ እስቂያስ ታፈሰ በበኩላቸው የምስራቅ ዕዝ መከላከያ ሠራዊት በከተማው ሰላምን የመጠበቅና የህግ የበላይነትን የማረጋገጥ ኃላፊነትን በበላይነት ተረክቦ እየሰራ ይገኛል ብለዋል፡፡በአሁኑ ሰዓት በተፈጠረው መረጋጋት መደበኛ እንቅስቃሴ በከተማው እየተከናወነ መሆኑን ገልፀው በቀጣይ የወጣቶቹን መሰረታዊ ጥያቄዎች መፍታት የሚያስችሉ ውይይቶች እንደሚደረጉ ተናግረዋል፡፡በከተማው ሰላምና መረጋጋት መፈጠሩ ቢረጋገጥም ትላንት በመልካ ጀብዱ ቀበሌ መጠነኛ ግጭት መታየቱን የቀበሌው ነዋሪዎች ገልፀዋል። (ኢዜአ)',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 512]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]

Evaluation

Metrics

Information Retrieval

• Dataset: dim_512
• Evaluated with InformationRetrievalEvaluator with these parameters:

  {
      "truncate_dim": 512
  }
  

Metric	Value
cosine_accuracy@1	0.6681
cosine_accuracy@3	0.8061
cosine_accuracy@5	0.843
cosine_accuracy@10	0.8883
cosine_precision@1	0.6681
cosine_precision@3	0.2687
cosine_precision@5	0.1686
cosine_precision@10	0.0888
cosine_recall@1	0.6681
cosine_recall@3	0.8061
cosine_recall@5	0.843
cosine_recall@10	0.8883
cosine_ndcg@10	0.7794
cosine_mrr@10	0.7444
cosine_map@100	0.7479

Information Retrieval

• Dataset: dim_256
• Evaluated with InformationRetrievalEvaluator with these parameters:

  {
      "truncate_dim": 256
  }
  

Metric	Value
cosine_accuracy@1	0.6605
cosine_accuracy@3	0.7996
cosine_accuracy@5	0.8409
cosine_accuracy@10	0.8831
cosine_precision@1	0.6605
cosine_precision@3	0.2665
cosine_precision@5	0.1682
cosine_precision@10	0.0883
cosine_recall@1	0.6605
cosine_recall@3	0.7996
cosine_recall@5	0.8409
cosine_recall@10	0.8831
cosine_ndcg@10	0.7736
cosine_mrr@10	0.7382
cosine_map@100	0.7419

Training Details

Training Dataset

Unnamed Dataset

• Size: 122,938 training samples
• Columns: anchor, positive, negative_1, and negative_2
• Approximate statistics based on the first 1000 samples:

  	anchor	positive	negative_1	negative_2
  type	string	string	string	string
  details	min: 3 tokens mean: 16.02 tokens max: 76 tokens	min: 32 tokens mean: 319.47 tokens max: 510 tokens	min: 33 tokens mean: 329.24 tokens max: 510 tokens	min: 41 tokens mean: 323.83 tokens max: 510 tokens

• Samples:

  anchor	positive	negative_1	negative_2
  በኢትዮጵያ የሚንቀሳቀሱ የቱርካውያን ትምህርት ቤቶች ለቱርክ መንግሥት እንደሚተላለፉ ፕሬዚዳንት ሙላቱ አስታወቁ	በኢትዮጵያ ላለፉት 12 ዓመታት ሲንቀሳቀሱ የቆዩትንና በቱርክ መንግሥት አሸባሪ ከተባለው የጉለን ንቅናቄ ጋር ግንኙነት አላቸው የተባሉ የቱርካውያን ባለሀብቶች ትምህርት ቤቶችን፣ ለቱርክ መንግሥት አሳልፎ እንደሚሰጥ ፕሬዚዳንት ዶ/ር ሙላቱ ተሾመ አስታወቁ፡፡ፕሬዚዳንት ሙላቱ በቱርክ ለአምስት ቀናት በነበራቸው ይፋዊ ጉብኝት ወቅት ከቱርክ ፕሬዚዳንት ሬሲፕ ጠይብ ኤርዶዋን ጋር በሰጡት መግለጫ፣ መንግሥታቸው ከጉለን እንቅስቃሴ ጋር ንክኪ ያላቸውን ትምህርት ቤቶች አሳልፎ እንደሚሰጥና ከቱርክ መንግሥት ጋር እንደሚተባበር ገልጸዋል፡፡ መንግሥት ከቱርክ ጎን በመቆም ሽብርተኝትን ለመታገል ለምታደርገው እንቅስቃሴ ድጋፉን እንደሚሰጥ የተናገሩት ፕሬዚዳንት ሙላቱ፣ በኢትዮጵያ የሚንቀሳቀሱት የቱርካውያን ትምህርት ቤቶች ማሪፍ ፋውንዴሽን ለተባለው መንግሥታዊ የቱርክ ተቋም ተላልፈው እንደሚሰጡ ማረጋገጫ ሰጥተዋል፡፡የቱርክ መንግሥት በሐምሌ ወር ለተቃጣበት የግልበጣ ሙከራ ቀንደኛ ተጠያቂ ያደረጋቸው፣ በአሜሪካ በስደት የሚኖሩትንና የጉለን ንቅንናቄ ወይም የሂዝመን ንቅናቄ መሪ እንደሆኑ የሚነገርላቸውን ሞሐመድ ፌቱላህ ጉለንና ተከታዮቻቸውን ነው፡፡ የጉለን ንቅናቄ አባላትና ደጋፊዎች፣ በግልበጣ መኩራው ሳቢያ ለ248 ሰዎች መሞትና ለ2,000 ተጎጂዎች ተጠያቂ መደረጋቸው አይዘነጋም፡፡ የንቅናቄው አራማጆችና አባላት በመላው ዓለም ከሚንቀሳቀሱባቸው መንገዶች መካከል በንግድ፣ በትምህርት ተቋማትና በሌሎችም መስኮች ተፅዕኖ ለመፍጠር ሞክረዋል በማለት የቱርክ መንግሥት ሲወነጅል ቆይቷል፡፡ በመሆኑም ከቱርክ መንግሥት ጋር ዲፕሎማሲያዊ ግንኙነት ያላቸው አገሮች በሙሉ ንክኪ አላቸው በማለት የሚወነጅላቸው ትምህርት ቤቶችንም ሆኑ የንግድ ተቋማትን እንዲዘጉለት  ሲወተውት ቆይቷል፡፡ኢትዮጵያም ይህ ጥያቄ ከቀረ...	ቱርክመንኛ ቱርክመንኛ (Türkmen) የቱርክምኒስታን ብሔራዊ ቋንቋ ነው። በቱርክመኒስታን 3,430,000 ተናጋሪዎች ሲኖሩ ከቱርክመኒስታን ውጭ ደግሞ 3 ሚሊዮን የሚያሕሉ ተናጋሪዎች በተለይም በኢራን (2 ሚሊዮን) በአፍጋኒስታን (500,000) እና በቱርክ (1000) አሉ። ቱርክመንኛ በቱርኪክ ቋንቋ ቤተሰብ ውስጥ ይከተታል። ይህም አንዳንዴ በትልቁ አልታይ ቋንቋ ቤተሰብ ውስጥ ይደመራል። ቀድሞ የተጻፈበት ወይም በቂርሎስ ወይም በ አረብ ፊደሎች ነበር፤ አሁን ግን የቱርክመኒስታን መሪ ሳፓርሙራት ኒያዞቭ በላቲን ፊደል እንዲጻፍ አዋጀ። በ1994 አ.ም. ደግሞ የሳምንት ቀኖችና የወር ስሞች ሁሉ እንደ አቶ ኒያዞቭ "ሩህናማ" የሚባል ይፋዊ መጽሐፍ ፍልስፍና በአዋጅ ተቀየሩ።	አዲስ አበባ፦ በኦሮሚያ ክልል በተመረጡ ትምህርት ቤቶች የሶማሊኛ ቋንቋ እንደ ተጨማሪ የቋንቋ ትምህርት መሰጠት ተጀመረ። የሶማሌ ቴሌቪዥን እንደዘገበው በቅርቡ የሶማሌና የኦሮሚያ ክልል አመራሮች በኦሮሚያ ክልል እና የሶማሌ ክልል ትምህርት ቤቶች የሱማሊኛና የአፋን ኦሮሞ ቋንቋን ለመስጠት መስማማታቸው ይታወሳል። በያተያዘው እቅድ መሰረትም ትናንት የሶማሌ ክልል ትምህርት ቢሮ ኃላፊ አቶ መሀመድ ፋታህ፣ የኦሮሚያ ክልል ትምህርት ቢሮ ምክትል ኃላፊ አቶ ግርማ ባይሳ እና ሌሎች የኦሮሚያና የሶማሌ ክልል አመራሮች በኦሮሚያ ክልል የምሥራቅ ሀረርጌ ዞን ጭናክሰን ወረዳ የዋሊድ አንደኛ ደረጃ ትምህርት ቤት ተገኝተው የሱማሊኛ ቋንቋ ትምህርትን አስጀምረዋል።በዚህ ወቅትም የሥራ ኃላፊዎቹ የቋንቋው መሰጠት መጀመር የህዝቡን ትስስር የሚያጠናክር ነው ብለዋል።በኦሮሚያ ክልል በ11 ትምህርት ቤቶች የሱማሊኛ ቋንቋ እንደተጨማሪ ቋንቋ ትምህርት በመሰጠት ላይ መሆኑን የክልሉ ትምህርት ቢሮ ምክትል ኃላፊ አቶ ግርማ ባይሳ አስታውቀዋል።አዲስ ዘመን  ታህሳስ 23/2013
  የኤርትራው ፕሬዚዳንት ኢሳያስ አፈወርቂ በሀገሪቱ ላይ ሊደረጉ ለሚገቡ ዋና ዋና ማሻሻያዎች ችኮላ እንደማይገባ የኤርትራን 28ኛ አመት የነፃነት ክብረ በዓል አስመልክቶ በዛሬው ዕለት ባደረጉት ንግግር ገልፀዋል።	የኤርትራው ፕሬዚዳንት ኢሳያስ አፈወርቂ ለማሻሻያዎች ችኮላ እንደማይገባ ገለፁ\nሁለቱ ሃገራት ጦርነትና ሰላም በሌለበት ሁኔታ ከሁለት አስርት አመታት ፍጥጫ በኋላ በሰላም በመቋጨቱ ማግስት ፕሬዚዳንት ኢሳያስ ፖለቲካዊ ማሻሻያዎችን ሊያውጁ ይችላሉ በሚልም በተለያዩ አገራት በሚኖሩ ኤርትራውያን ዘንድ እየተጠበቁ ነበር። •የኤርትራ 28ኛ ዓመት ነፃነት ከየት ወደየት? •የ "ጥርስ አልባው" ማዕቀብ መነሳት ፖለቲካ? •ታዋቂዎቹ ኤርትራዊያን በሙዚቃቸው ምክንያት ይቅርታ ጠየቁ በኤርትራ መዲና አስመራ ባደረጉትም ንግግር "ሰላም የሰፈነበት የአዲሱ ዘመን ምኞትና ፍላጎት ፈተናዎቹን ሊጋርዱዋቸው አይገባም" ብለዋል። በኤርትራና በኢትዮጵያ መካከል ሰላም መፈጠሩን ተከትሎ በኤርትራውያን ዘንድ አዲስ የዲሞክራሲ ምዕራፍ ይፈነጥቃል የሚል ተስፋ ቢኖርም ፕሬዚዳንቱ ምንም አይነት ለውጥ አላመጣም በማለት በእምቢተኝነታቸው ቀጥለዋል በሚልም እየተተቹ ነው። •ፕሬዝዳንት ኢሳያስ በአዲስ አበባና ሃዋሳ ጉብኝት ያደርጋሉ ፕሬዚዳንት ኢሳያስ ሃገሪቷን አሁንም ቢሆን ያለ ህገ መንግሥት እየመሩ ሲሆን ብሔራዊ ምክር ቤቱን (ፓርላማ) እንደበተኑት ነው። የተለያዩ የሰብአዊ መብት ተሟጋች ድርጅቶች በሺዎች የሚቆጠሩ የፖለቲካ እስረኞችን፣ ጋዜጠኞችንና በዘፈቀደ በማሰር ይከሷቸዋል። የሁለቱን ሃገራት እርቀ ሰላም ተከትሎ ለአስርት ዓመታት ተዘግተው የነበሩት የሁለቱም አገራት ድንበሮች ቢከፈቱም፤ ከጥቂት ወራት በፊት ምንም አይነት መግለጫ ሳይሰጥ ከኤርትራ በኩል ተዘግተዋል።	ኤርትራዊያን ሊያዩ የሚሿቸው አምስት ለውጦች\nየኤርትራው ፕሬዝደንት ኢሳያስ አፈወርቂ በሃገራቸው ለሚታየው የሰብዓዊ መብት ጥሰት ከኢትዮጵያ ጋር ያላቸው አለመስማማት ዋነኛ ምክንያት እንደሆነ ሲያቀርቡ ቆይተዋል። ኤርትራ ለ20 ዓመታት ያክል ባልተቋረጠ የአስቸኳይ ጊዜ አዋጅ ውስጥ ከርማለች፤ በተለይ ደግሞ ከድንበር ጦርነቱ በኋላ። አሁን ላይ ግን ነገሮች እየተቀየሩ ይመስላሉ። • የኤርትራው ፕሬዝዳንት ኢሳያስ አፈወርቂ አዲስ አበባ ገቡ • ስለ ፕሬዝዳንት ኢሳያስ አፈወርቂ ምን ያህል ያውቃሉ? ሐምሌ 01/2010 ዓ.ም. የኢትዮጵያ ጠቅላይ ሚኒስትር ዐብይ አሕመድ ታሪክ ሰሩ፤ ከ20 ዓመታት በኋላ አሥመራን በመጎብኘት የመጀመሪያው ኢትዮጵያዊ መሆንም ቻሉ። ይህን ተከትሎም ሁለቱ ሃገራት በዲፕሎማሲውም ሆነ በምጣኔ ሃብት ዘርፍ ተባብረው ለመሥራት ስምምነት ላይ ደርሰዋል። ሐምሌ 07/2010 ዓ.ም ሌላ ታሪክ፤ ፕሬዝደንት ኢሳያስ አፈወርቂ ከ20 ዓመታት በኋላ አዲስ አበባን ረገጡ። ታዲያ እነዚህ ሁሉ በአጭር ጊዜ ይሆናሉ ተብለው ያልተጠበቁ ክስተቶች እውን እየሆኑ ባሉበት በዚህ ወቅት ኤርትራውያንን ሰቅዞ የያዘ አንድ ጉዳይ አለ፤ የሁለቱ ሃገራት ስምምነት ለኤርትራ ምን ትርፍ ይኖረዋል የሚል። ተንታኞች በኤርትራ ቢያንስ አምስት ጉዳዮች ለውጥ ይሻሉ ይላሉ። ሕገ-መንግሥት ኤርትራ ነፃ ከወጣች ብዙም ጊዜ ሳይሆናት ነው የሕገ-መንግሥት ኮሚሽን በማቋቋም አዳዲስ ሕግጋትን ማርቀቅ የጀመረቸው። ከሦስት ዓመታት በኋላም ሕገ-መንግሥቱ ለሃገሪቱ ብሔራዊ ጉባዔ ቀረበ፣ ከዓመት በኋላ የድንበር ጦርነቱ ተነሳ፤ ሕገ-መንግሥቱም በእንጥልጥል ቀረ። በ1992 ዓ.ም የአልጀርሱ ስምምነት በሚፈርምበት ወቅት ሚኒስትሮች፣ ወታደራዊ አመራሮችና አንዳንድ ባለሥልጣናት ...	የኤርትራ ፕሬዚዳንት ኢሣያስ አፈወርቂ ኢትዮጵያ በመግባታቸውና በሁለቱ ሃገሮች መካከል ሰላም በመበሰሩ የተሰማቸው ደስታ እስከማልቀስ እንዳደረሳቸው በዘመነ ደርግ የኤርትራ አስተዳዳሪ የነበሩት ሻለቃ ዳዊት ወልደጊዮርጊስ ለቪኦኤ ገለፁ።ሻለቃ ዳዊት ካለፈ ታሪክ እያጣቀሱ ለቪኦኤ በሰጡት ማብራሪያ የሁለቱ ሃገሮች ግንኙነት አሁን ወደደረሰበት ሁኔታ መለወጡ በስትራተጂ፣ አካባቢያዊ ደኅንነት፣ በምጣኔኃብት መተጋገዝና የሁለቱን ሃገሮች ሕዝቦች አንድነት በማጠናከር ላይ ለመሥራት አማራጭ የሌለው መንገድ እንደሆነ ጠቁመዋል።በ1981 ዓ.ም. በኮሎኔል መንግሥቱ ኃይለማርያም ላይ መፈንቅለ-መንግሥት ተሞክሮ በነበረ ጊዜም የኩዴታው ጠንሳሾች ከሕዝባዊ ግንባር ሐርነት ኤርትራ መሪዎች ጋር ለመሥራት ጥረው እንደነበርና የደርግ ሥርዓት ሲወድቅም ኢሣያስ አፈወርቂ ኢትዮጵያና ኤርትራን አንድ አድርገው እንዲመሩ ሃሣብ ቀርቦላቸው እንደነበረ ሻለቃ ዳዊት ገልፀዋል።የኢትዮጵያና የኤርትራ ሕዝቦች “የተለያዩ ሁለት ሕዝቦች ናቸው የሚሉ የተሣሣቱ ናቸው፤ እኔ በየትኛውም ፅሁፌና ንግግሬ እንዲህ ብዬ አላውቅም” ብለዋል።ለሙሉው ቃለ-ምልልስ የተያያዘውን የድምፅ ፋይል ያዳምጡ።
  የአበርገሌን ወርቅ እንደጠጠር ከመታየት የሚታደገው አሠራር ከወዴት ይሆን?	ባሕር ዳር፡ ሚያዝያ 29/2012 ዓ.ም (አብመድ) በዋግ ኽምራ ብሔረሰብ አስተዳደር አበርገሌ ወረዳ የሚገኙ ቀበሌዎች የወርቅ ሀብት መገኛ ናቸው፡፡ በተለይ በኽምጠኛ ቋንቋ ‘ዊርቀ ዲቭኑ’ የሚል የቆየ የአካባቢው ነዋሪዎች ስያሜ የተሰጣት ቀበሌ ወርቅ ምድር ትባላለች፡፡ ዊርቀ ዲቭኑ ወርቅ የተቀበረባት ቦታ የሚል አቻ የአማርኛ ፍች አለው፡፡ የአካባቢው አስተዳደር በይፋ ‘‘ከ1990ዎቹ ወዲህ ወርቅ መኖሩ ተረጋግጧል’’ ይበል እንጂ የቀበሌው ስያሜ ከዚያ በፊትም እንደነበር የሚያመላክቱ ማስረጃዎች አሉ፡፡በወል መሬቶች እና በግለሰቦች የእርሻ ማሳ መጠኑ ያልታወቀ የወርቅ ማዕድን ግለሰቦች ሲያወጡ አብመድ በአካል ተመልክቷል፡፡ ነገሩ ግን ወርቅን እንደጠጠር ካለበት አለማንሳት፣ ዘመናዊ አብመድ ካነጋገራቸው የወርቅ ማዕድን አውጭ ወጣቶች መካከል አቶአ ለለ ተክለሃይማኖ ‘‘ወርቅ የማውጣቱ ሥራ እጅግ ባህላዊ ነው’’ ብሏል፡፡ ቀኑን ሙሉ በአካፋና ዶማ እየቀጠቀጡ ግምታዊ የወርቅ ፍለጋ ሥራን ስለሚያከናውኑ አድካሚ ቢሆንም በቀላሉ ወርቁ ሲገኝ ደግሞ ማካካስ እንደሚያስችላቸው ተናግሯል፡፡ በሰው ጉልበት ብቻ የሚደረገው የወርቅ ማውጣት ሥራ በቂ ያለመሆን፣ የተደራጀ የማውጣት አካሄድ አለመኖርና ዘመናዊ መሣሪያዎችን በመጠቀም ማውጣት ባለመቻሉ ሀብቱን በአግባቡ መጠቀም አለመቻላቸውን ነው የተናገረው፡፡ መንግሥትም ሆነ ባለሀብቶች ወደ ወረዳው ገብተው ለመሥራት ፍላጎት ከሌላቸው በርካታ የወረዳው ወጣቶች ተደራጅተው እንዲሠሩ ዘመናዊ የወርቅ ማመላከቻና ማውጫ መሣሪያዎች በብድር እንዲሰጣቸው ጠይቀዋል፡፡አቶ አበራ ወልደሰንበት በእርሻ ማሳቸው ክምችቱ በውል ያልተወቀ የወርቅ ማዕድን እንዳለ ይናገራሉ፡፡ ከ2003 ዓ.ም ጀምሮ የእርሻ ማሳቸው ቀንና ማታ በድብቅ እየተቆፈረ ለሕገ ወጥ ወርቅ አውጭዎች ሲሳ...	በዚህ ወቅት ነው ሠላማዊት ስለበርኖስ ብዙ ነገሮችን የተማረችው። በርኖስ የሚሠራው ከበግ ጸጉር ቢሆንም ሁሉም የበግ ጸጉር ግን ለበርኖስ ሥራ አያገለግልም ትላለች። እንደበጎቹ መጠን ታይቶ ከአስር እስከ አስራ ሶስት የሚሆኑ ጥቁር በጎች ይመረጣሉ። • የኬንያ ዳኞችን አለባበስ የቀየረች ኢትዮጵያዊት • ሜድ ኢን ቻይና- የሀገር ባህል አልባሳቶቻችን "ለበርኖስ ሥራ የሚያገለግሉት በጎች የሪዝ በግ መሆን አለባቸው። ይህም በርኖሱ ለስላሳ መሆን ስላለበት ነው" ይላሉ የመንዝ ማማ ባህልና ቱሪዝም ጽህፈት ቤት የቅርስ ባለሙያ የሆኑት አቶ ታምሩ ፍቅረ። ጥቁር በጎች ሆነው ጸጉራቸው በተደጋጋሚ ከተቆረጠ ጸጉሩ ጠንካራ ስለሚሆን ሲለበስ ይኮሰኩሳል። የእነዚህ በጎች ጸጉር ጠንካራ ስለሆነ ባና ወይንም ዝተት ለሚባለውና እንደጋቢ ያለ በብርድ ወይንም በመኝታ ወቅት የሚለበስ ልብስ ይሠራበታል። "ባና ከማንኛውም በግ ጸጉር ይሠራል። ቀለሙም ዳልቻ፣ ነጭ ወይንም ጥቁር ሊሆን ይችላል። ለበርኖስ ግን ለስላሳ ሪዝ ያለው የጥቁር በግ ጸጉር ነው የሚያስፈልገው" ይላሉ ባለሙያው። ለበርኖስ ሥራ ጸጉራቸው የተመረጡት በጎች በደንብ ይታጠባሉ። ከዚያ እንዲደርቁ ይደረጋል። "ምንም እንዳይጎሳቆል እና ቆሻሻ እንዳይነካው ቁርበት ላይ ተደርጎ ጸጉሩ ይቆረጣል" ይላሉ አቶ ታምሩ። ቀጥሎ የሚከናወነው በእናቶች ፋቶው ይፋታል። ፋቶ ማለት ጸጉሩን ነጣጥሎ እንዲደርቅ ማድረግ ነው። የደረቀው የበግ ጸጉር እስኪልም ድረስ በደጋን ተነድፎ አመልማሎ ይሠራል። አመልማሎ ማለት እየተሽመለመለ ማድበልበል ማለት ነው። ቀጣዩ ሥራ የተድበለበለውን የበግ ጸጉር በእንዝርት መፍተል ነው። ፈትሉ በኳስ መልክ የሚዘጋጅ ሲሆን ኳሱን እየተረተሩ የማድራት ሥራው ይከናወናል። ከዚህ በኋላ ያለው ሥራ ሽመና ...	የለንደን እና ሪዮ ኦሊምፒክ የሴቶች የ800ሜትር ባለ ድል፣ በዓለም አትሌቲክስ ሻምፒዮና ለሶስት ጊዜ  ሻምፒዮን እንዲሁም የ1ሺ500ሜትር የነሃስ ሜዳሊያ ባለቤት መሆን ችላለች። ደቡብ አፍሪካዊቷ ካስተር ሰመኒያ፡፡ በርቀቱ ስኬታማ አትሌት ትሁን እንጂ፤ ሁሌም በውድድሮች ካሸነፈች በኋላ መነጋገሪያ ርዕስ መሆኗ ግን አይቀሬ ነው። ምክንያቱ ኮስታራው ፊቷ እና ፈርጣማው ተክለ ሰውነቷ ሲሆን፤ በርካቶችም የጾታዋ ጉዳይ ግራ አጋቢ መሆኑን ይገልጻሉ። ለመጀመሪያ ጊዜ አትሌቷና ያልተለመደው ክስተት የተስተዋለው እአአ በ2009 የበርሊን አትሌቲክስ ሻምፒዮና የ800 ሜትር ውድድር ላይ ነበር። የአጭርና መካከለኛ ርዝመት አትሌቷ ሰመኒያ፤ በውድድሩ ላይ ከተሳተፉት አትሌቶች ሁሉ የወንድ በሚመስለው ተክለ ቁመናዋ የተለየች ነበረች። ውድድሩንም በከፍተኛ ልዩነትና ብቃት ነበር ያሸነፈችው። ነገሩ አወዛጋቢ በመሆኑም ወጣቷ አትሌት ጾታዋን እስከ መመርመር በደረሰ ሂደት ለማለፍ ተገደደች።የአትሌቷ ጾታ ተረጋግጦ ወደ ውድድር ከተመለሰችም በኋላ እርሷ እና መሰሎቿ ከሌሎች አትሌቶች አንጻር የሚታየው ልዩነት ለበርካታ ጊዜያት በስፖርቱ ዘንድ ቅሬታ ሲያስነሱ ቆይተዋል። ዓለም አቀፉ የአትሌቲክስ ፌዴሬሽኖች ማህበርም በምክር ቤቱ ካጸደቀ በኋላ፤ በስድስት ወራት ውስጥ በስራ ላይ እንደሚያውለው አስታውቆ ነበር።ደንቡ ሴቶችን ብቻ የሚመለከት ሲሆን፤ የ400፣ 400 መሰናክል፣ 800፣ 1ሺ500 ሜትር እንዲሁም የአንድ ማይል ርቀት ተወዳዳሪ አትሌቶች ላይ የሚተገበር ነው። ይኸውም በሰውነታቸው ያለው «ቴስቴስትሮን» የተባለ ንጥረ ነገር መጠን ከፍተኛ የሆኑ ሴት አትሌቶችን ብቻ ይመለከታል። በወቅቱም አብዛኛዎቹ ሴት አትሌቶች (0.12 – 1.79 nmol/L) በሆነ ዝቅተኛ የ«ቴስቴስትሮን» መጠን ሮጠው አሸናፊ እ...

• Loss: MatryoshkaLoss with these parameters:

  {
      "loss": "MultipleNegativesRankingLoss",
      "matryoshka_dims": [
          512,
          256
      ],
      "matryoshka_weights": [
          1,
          1
      ],
      "n_dims_per_step": -1
  }
  

Training Hyperparameters

Non-Default Hyperparameters

• eval_strategy: epoch
• per_device_train_batch_size: 128
• per_device_eval_batch_size: 128
• gradient_accumulation_steps: 2
• learning_rate: 6e-05
• num_train_epochs: 6
• lr_scheduler_type: cosine
• warmup_ratio: 0.025
• fp16: True
• load_best_model_at_end: True
• optim: adamw_torch_fused
• batch_sampler: no_duplicates

All Hyperparameters

Click to expand

• overwrite_output_dir: False
• do_predict: False
• eval_strategy: epoch
• prediction_loss_only: True
• per_device_train_batch_size: 128
• per_device_eval_batch_size: 128
• per_gpu_train_batch_size: None
• per_gpu_eval_batch_size: None
• gradient_accumulation_steps: 2
• eval_accumulation_steps: None
• torch_empty_cache_steps: None
• learning_rate: 6e-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: 6
• max_steps: -1
• lr_scheduler_type: cosine
• lr_scheduler_kwargs: {}
• warmup_ratio: 0.025
• warmup_steps: 0
• log_level: passive
• log_level_replica: warning
• log_on_each_node: True
• logging_nan_inf_filter: True
• save_safetensors: True
• save_on_each_node: False
• save_only_model: False
• restore_callback_states_from_checkpoint: False
• no_cuda: False
• use_cpu: False
• use_mps_device: False
• seed: 42
• data_seed: None
• jit_mode_eval: False
• use_ipex: False
• bf16: False
• fp16: True
• fp16_opt_level: O1
• half_precision_backend: auto
• bf16_full_eval: False
• fp16_full_eval: False
• tf32: None
• local_rank: 0
• ddp_backend: None
• tpu_num_cores: None
• tpu_metrics_debug: False
• debug: []
• dataloader_drop_last: 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: True
• 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_fused
• 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: no_duplicates
• multi_dataset_batch_sampler: proportional

Training Logs

Epoch	Step	Training Loss	dim_512_cosine_ndcg@10	dim_256_cosine_ndcg@10
-1	-1	-	0.0616	0.0458
1.0	481	2.2412	0.7514	0.7445
2.0	962	0.5094	0.7670	0.7595
3.0	1443	0.2201	0.7733	0.7684
4.0	1924	0.1298	0.7762	0.7720
5.0	2405	0.0954	0.7789	0.7727
6.0	2886	0.0843	0.7794	0.7736

• The bold row denotes the saved checkpoint.

Framework Versions

• Python: 3.11.13
• Sentence Transformers: 4.1.0
• Transformers: 4.52.4
• PyTorch: 2.7.1+cu126
• Accelerate: 1.7.0
• Datasets: 3.6.0
• Tokenizers: 0.21.1

Citation

BibTeX

Sentence Transformers

@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",
}

MatryoshkaLoss

@misc{kusupati2024matryoshka,
    title={Matryoshka Representation Learning},
    author={Aditya Kusupati and Gantavya Bhatt and Aniket Rege and Matthew Wallingford and Aditya Sinha and Vivek Ramanujan and William Howard-Snyder and Kaifeng Chen and Sham Kakade and Prateek Jain and Ali Farhadi},
    year={2024},
    eprint={2205.13147},
    archivePrefix={arXiv},
    primaryClass={cs.LG}
}

MultipleNegativesRankingLoss

@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}
}