SentenceTransformer based on intfloat/multilingual-e5-large

This is a sentence-transformers model finetuned from intfloat/multilingual-e5-large. It maps sentences & paragraphs to a 1024-dimensional dense vector space and can be used for semantic textual similarity, semantic search, paraphrase mining, text classification, clustering, and more.

Model Details

Model Description

• Model Type: Sentence Transformer
• Base model: intfloat/multilingual-e5-large
• Maximum Sequence Length: 512 tokens
• Output Dimensionality: 1024 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': 512, 'do_lower_case': False, 'architecture': 'XLMRobertaModel'})
  (1): Pooling({'word_embedding_dimension': 1024, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
  (2): Normalize()
)

Usage

Direct Usage (Sentence Transformers)

First install the Sentence Transformers library:

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("eewwann/me5-ruhnp")
# Run inference
queries = [
    "\u0421\u0443\u043f\u0435\u0440\u043f\u0440\u043e\u0441\u0442\u044b\u0435 \u0447\u0438\u0441\u043b\u0430 (\u0442\u0430\u043a\u0436\u0435 \u0438\u0437\u0432\u0435\u0441\u0442\u043d\u044b \u043a\u0430\u043a \u043f\u0440\u043e\u0441\u0442\u044b\u0435 \u0447\u0438\u0441\u043b\u0430 \u0432\u044b\u0441\u0448\u0435\u0433\u043e \u043f\u043e\u0440\u044f\u0434\u043a\u0430)\u00a0\u2014 \u044d\u0442\u043e \u043f\u043e\u0434\u043c\u043d\u043e\u0436\u0435\u0441\u0442\u0432\u043e \u043f\u0440\u043e\u0441\u0442\u044b\u0445 \u0447\u0438\u0441\u0435\u043b, \u0441\u0442\u043e\u044f\u0449\u0438\u0445 \u0432 \u0441\u043f\u0438\u0441\u043a\u0435 \u043f\u0440\u043e\u0441\u0442\u044b\u0445 \u0447\u0438\u0441\u0435\u043b \u043d\u0430 \u043f\u043e\u0437\u0438\u0446\u0438\u044f\u0445, \u044f\u0432\u043b\u044f\u044e\u0449\u0438\u0445\u0441\u044f \u043f\u0440\u043e\u0441\u0442\u044b\u043c\u0438 \u0447\u0438\u0441\u043b\u0430\u043c\u0438 (\u0442\u043e \u0435\u0441\u0442\u044c \u044d\u0442\u043e 2-\u0435, 3-\u0435, 5-\u0435, 7-\u0435, 11-\u0435, 13-\u0435, 17-\u0435 \u0438 \u0442.\u0434. \u043f\u043e \u0441\u0447\u0451\u0442\u0443 \u043f\u0440\u043e\u0441\u0442\u044b\u0435 \u0447\u0438\u0441\u043b\u0430).",
]
documents = [
    'Простые числа высшего порядка (также называемые суперпростыми числами)\xa0— это подмножество простых чисел, находящихся в списке простых чисел на позициях, которые сами являются простыми числами (то есть это 2-е, 3-е, 5-е, 7-е, 11-е, 13-е, 17-е и т.д. по счёту простые числа).',
    'Суперпростые числа (также известны как простые числа низшего порядка)\xa0— это подмножество простых чисел, которые не стоят в списке простых чисел на позициях, являющихся простыми числами (то есть это не 2-е, 3-е, 5-е, 7-е, 11-е, 13-е, 17-е и т.д. по счёту простые числа).',
    'Простые числа низшего порядка (также известные как суперпростые числа)\xa0— это часть простых чисел, которые стоят в списке простых чисел на позициях, не являющихся простыми числами (то есть это не 2-е, 3-е, 5-е, 7-е, 11-е, 13-е, 17-е и т.д. по счёту простые числа).',
]
query_embeddings = model.encode_query(queries)
document_embeddings = model.encode_document(documents)
print(query_embeddings.shape, document_embeddings.shape)
# [1, 1024] [3, 1024]

# Get the similarity scores for the embeddings
similarities = model.similarity(query_embeddings, document_embeddings)
print(similarities)
# tensor([[0.9894, 0.8940, 0.8951]])

Evaluation

Metrics

Triplet

• Dataset: vk_e5
• Evaluated with TripletEvaluator

Training Details

Training Dataset

Unnamed Dataset

• Size: 100,000 training samples
• Columns: query, pos, neg_1, neg_2, neg_3, neg_4, and neg_5
• Approximate statistics based on the first 1000 samples:

  	query	pos	neg_1	neg_2	neg_3	neg_4	neg_5
  type	string	string	string	string	string	string	string
  details	min: 9 tokensmean: 37.88 tokensmax: 193 tokens	min: 11 tokensmean: 35.4 tokensmax: 142 tokens	min: 9 tokensmean: 32.85 tokensmax: 147 tokens	min: 9 tokensmean: 33.28 tokensmax: 146 tokens	min: 9 tokensmean: 33.47 tokensmax: 146 tokens	min: 9 tokensmean: 33.71 tokensmax: 143 tokens	min: 9 tokensmean: 34.05 tokensmax: 140 tokens

• Samples:

  query	pos	neg_1	neg_2	neg_3	neg_4	neg_5
  С 1952 года после окончания Куйбышевского индустриального института им. В. В. Куйбышева работал в системе атомной промышленности СССР.	После окончания Куйбышевского индустриального института им. В. В. Куйбышева он начал работать в системе атомной промышленности СССР с 1952 года.	До 1952 года перед окончанием Куйбышевского индустриального института им. В. В. Куйбышева он не работал в системе атомной промышленности СССР.	После окончания Куйбышевского индустриального института им. В. В. Куйбышева он не устроился на работу в систему атомной промышленности СССР с 1952 года.	До получения диплома Куйбышевского индустриального института им. В. В. Куйбышева он не работал в системе атомной промышленности СССР.	После окончания учебы в Куйбышевском индустриальном институте им. В. В. Куйбышева он не приступил к работе в системе атомной промышленности СССР в 1952 году.	До выпуска из Куйбышевского индустриального института им. В. В. Куйбышева он не трудился в системе атомной промышленности СССР.
  Впадающие реки: Гаронна и Дордонь (образующие эстуарий Жиронда), Луара, Адур, Бидасоа.	Эстуарий Жиронда формируют впадающие реки: Гаронна и Дордонь, а также Луара, Адур и Бидасоа.	Нет впадающих рек в эстуарий Жиронда, только одна большая река.	Эстуарий Жиронда формируется только одной рекой, без других впадающих рек.	Гаронна и Дордонь не имеют никакого отношения к эстуарию Жиронда, это совершенно разные реки.	Луара, Адур и Бидасоа не соединяются с эстуарием Жиронда, они течут в другом направлении.	Эстуарий Жиронда образуется только одной рекой, Гаронной, без участия других рек.
  После смерти отца в 1709 году Людовик унаследовал его титулы, должности и владения.	В 1709 году, после смерти отца, Людовик унаследовал его титулы, должности и владения.	После смерти отца в 1709 году Людовик лишился его титулов, должностей и владений.	Людовик отказался от титулов, должностей и владений своего отца после его смерти в 1709 году.	После смерти отца в 1709 году Людовик отрёкся от его титулов, должностей и владений.	В 1709 году, после смерти отца, Людовик потерял его титулы, должности и владения.	Людовик не наследовал титулы, должности и владения от отца после его смерти в 1709 году.

• Loss: CachedMultipleNegativesRankingLoss with these parameters:

  {
      "scale": 130,
      "similarity_fct": "cos_sim",
      "mini_batch_size": 128,
      "gather_across_devices": false
  }
  

Evaluation Dataset

Unnamed Dataset

• Size: 2,000 evaluation samples
• Columns: query, pos, neg_1, neg_2, neg_3, neg_4, and neg_5
• Approximate statistics based on the first 1000 samples:

  	query	pos	neg_1	neg_2	neg_3	neg_4	neg_5
  type	string	string	string	string	string	string	string
  details	min: 11 tokensmean: 38.67 tokensmax: 228 tokens	min: 3 tokensmean: 36.02 tokensmax: 141 tokens	min: 10 tokensmean: 33.79 tokensmax: 127 tokens	min: 8 tokensmean: 33.78 tokensmax: 125 tokens	min: 9 tokensmean: 34.19 tokensmax: 125 tokens	min: 10 tokensmean: 34.36 tokensmax: 125 tokens	min: 10 tokensmean: 34.68 tokensmax: 125 tokens

• Samples:

  query	pos	neg_1	neg_2	neg_3	neg_4	neg_5
  Отвечал за работу партии и внес свой вклад в 1936 году в урегулирование инцидента Сиань.	Внес свой вклад в урегулирование инцидента Сиань и отвечал за работу партии в 1936 году.	Не занимался работой партии и не принимал участия в урегулировании инцидента Сиань в 1936 году.	Игнорировал работу партии и не вносил никакого вклада в урегулирование инцидента Сиань в 1936 году.	Не участвовал в урегулировании инцидента Сиань и не отвечал за работу партии в 1936 году.	Не имел никакого вклада в урегулирование инцидента Сиань и не отвечал за работу партии в 1936 году.	Был равнодушен к работе партии и не принимал участия в урегулировании инцидента Сиань в 1936 году.
  Более сложные модели с поддержкой шифрования данных и аутентификацией используются в ситуациях, где важна безопасность, таких как удаленное управление критическими системами, управления механизмами на заводе и промышленных предприятиях, в том числе через Интернет, где безопасность имеет первостепенное значение.	Более сложные модели, обладающие функциями шифрования и аутентификации, применяются в условиях, где безопасность играет ключевую роль, например, для удаленного управления критическими системами, управления механизмами на заводе и в промышленных предприятиях, включая сеть Интернет, где безопасность находится на первом месте.	Простые модели без шифрования данных и аутентификации используются в ситуациях, где безопасность не так важна, например, для управления не критическими системами, управления механизмами на заводе и промышленных предприятиях, в том числе через Интернет, где безопасность не на первом плане.	Модели без шифрования данных и проверки подлинности используются в ситуациях, где безопасность не стоит на первом месте, например, для удаленного управления не критическими системами, управления механизмами на заводе и в промышленных предприятиях, включая сеть Интернет.	Простые модели без поддержки шифрования данных и аутентификации применяются в условиях, где безопасность не является первоочередной задачей, например, для удаленного управления не критическими системами, управления механизмами на заводе и в промышленных предприятиях, в том числе через Интернет.	Простые модели, которые не обеспечивают шифрование данных и аутентификацию, используются в ситуациях, где безопасность не столь важна, например, для удаленного управления не критическими системами, управления механизмами на заводе и в промышленных предприятиях, включая Интернет.	Модели без сложной защиты данных и аутентификации применяются в условиях, где безопасность не имеет высокого приоритета, например, для управления не критическими системами, управления механизмами на заводе и в других отраслях, включая использование Интернета, где безопасность не играет ключевую роль.
  В это время отплыли две лодки: лодка самого генерала Уиллера и вторая, получившая пробоину у ватерлинии ядром, пущенным с берега.	Две лодки отправились в плавание: лодка генерала Уиллера и другая, которая получила пробоину от ядра, выпущенного с берега.	В это время пришвартовались две лодки: лодка самого генерала Уиллера и другая, без повреждений на ватерлинии ядром.	Лодка генерала Уиллера осталась на месте, в то время как вторая лодка получила пробоину от ядра, брошенного с берега.	Две лодки стояли у берега: лодка генерала Уиллера и другая, которая не получила повреждений от ядра у ватерлинии.	Лодка генерала Уиллера не покидала места, в то время как вторая лодка была атакована ядром, выпущенным с берега.	В это время только одна лодка покинула берег, а вторая осталась на месте: лодка генерала Уиллера.

• Loss: CachedMultipleNegativesRankingLoss with these parameters:

  {
      "scale": 130,
      "similarity_fct": "cos_sim",
      "mini_batch_size": 128,
      "gather_across_devices": false
  }
  

Training Hyperparameters

Non-Default Hyperparameters

• eval_strategy: steps
• per_device_train_batch_size: 32
• per_device_eval_batch_size: 32
• gradient_accumulation_steps: 2
• learning_rate: 2e-05
• num_train_epochs: 1
• warmup_ratio: 0.1
• warmup_steps: 0.1
• fp16: True
• dataloader_drop_last: True
• prompts: query:
• batch_sampler: no_duplicates

All Hyperparameters

• do_predict: False
• eval_strategy: steps
• prediction_loss_only: True
• per_device_train_batch_size: 32
• per_device_eval_batch_size: 32
• gradient_accumulation_steps: 2
• 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: None
• warmup_ratio: 0.1
• warmup_steps: 0.1
• log_level: passive
• log_level_replica: warning
• log_on_each_node: True
• logging_nan_inf_filter: True
• enable_jit_checkpoint: False
• save_on_each_node: False
• save_only_model: False
• restore_callback_states_from_checkpoint: False
• use_cpu: False
• seed: 42
• data_seed: None
• bf16: False
• fp16: True
• bf16_full_eval: False
• fp16_full_eval: False
• tf32: None
• local_rank: -1
• ddp_backend: None
• debug: []
• dataloader_drop_last: True
• dataloader_num_workers: 0
• dataloader_prefetch_factor: None
• disable_tqdm: False
• remove_unused_columns: True
• label_names: None
• load_best_model_at_end: False
• ignore_data_skip: False
• fsdp: []
• fsdp_config: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
• accelerator_config: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
• parallelism_config: None
• deepspeed: None
• label_smoothing_factor: 0.0
• optim: adamw_torch_fused
• optim_args: None
• group_by_length: False
• length_column_name: length
• project: huggingface
• trackio_space_id: trackio
• 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
• push_to_hub: False
• resume_from_checkpoint: None
• hub_model_id: None
• hub_strategy: every_save
• hub_private_repo: None
• hub_always_push: False
• hub_revision: None
• gradient_checkpointing: False
• gradient_checkpointing_kwargs: None
• include_for_metrics: []
• eval_do_concat_batches: True
• auto_find_batch_size: False
• full_determinism: False
• ddp_timeout: 1800
• torch_compile: False
• torch_compile_backend: None
• torch_compile_mode: None
• include_num_input_tokens_seen: no
• neftune_noise_alpha: None
• optim_target_modules: None
• batch_eval_metrics: False
• eval_on_start: False
• use_liger_kernel: False
• liger_kernel_config: None
• eval_use_gather_object: False
• average_tokens_across_devices: True
• use_cache: False
• prompts: query:
• batch_sampler: no_duplicates
• multi_dataset_batch_sampler: proportional
• router_mapping: {}
• learning_rate_mapping: {}

Training Logs

Framework Versions

• Python: 3.10.12
• Sentence Transformers: 5.2.2
• Transformers: 5.1.0
• PyTorch: 2.10.0+cu128
• Accelerate: 1.12.0
• Datasets: 4.5.0
• Tokenizers: 0.22.2

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",
}

CachedMultipleNegativesRankingLoss

@misc{gao2021scaling,
    title={Scaling Deep Contrastive Learning Batch Size under Memory Limited Setup},
    author={Luyu Gao and Yunyi Zhang and Jiawei Han and Jamie Callan},
    year={2021},
    eprint={2101.06983},
    archivePrefix={arXiv},
    primaryClass={cs.LG}
}