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 retrieval.

Model Details

Model Description

• Model Type: Sentence Transformer
• Base model: intfloat/multilingual-e5-base
• Maximum Sequence Length: 512 tokens
• Output Dimensionality: 768 dimensions
• Similarity Function: Cosine Similarity
• Supported Modality: Text

Model Sources

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

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'transformer_task': 'feature-extraction', 'modality_config': {'text': {'method': 'forward', 'method_output_name': 'last_hidden_state'}}, 'module_output_name': 'token_embeddings', 'architecture': 'XLMRobertaModel'})
  (1): Pooling({'embedding_dimension': 768, 'pooling_mode': 'mean', '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("sentence_transformers_model_id")
# Run inference
sentences = [
    'query: nến điện tealights trắng',
    'passage: Nến điện tealights | GERI | sáp nến | trắng | bộ 2 chiếc | Ø6xC3cm | Nến điện tealights GERI là bộ 2 chiếc nến nhỏ gọn, mang đến ánh sáng ấm áp và an toàn cho không gian của bạn. Với màu trắng tinh khôi và kích thước Ø6xC3cm, sản phẩm lý tưởng để trang trí trong nhà, tạo điểm nhấn lãng mạn và ấm cúng. Nến được làm từ sáp nến chất lượng cao, mô phỏng chân thực ánh sán | Danh mục: Nến | Thương hiệu: GERI | Giá: 119,000 VNĐ',
    'passage: Bác Hồ Với Việc Bồi Dưỡng Thế Hệ Cách Mạng Cho Đời Sau | "Bác Hồ Với Việc Bồi Dưỡng Thế Hệ Cách Mạng Cho Đời Sau" là tập hợp những câu chuyện lịch sử ý nghĩa, tập trung vào vai trò và tầm nhìn của Chủ tịch Hồ Chí Minh đối với thế hệ trẻ. Suốt hành trình cách mạng, Bác luôn tin tưởng vào sức mạnh và vai trò của thanh niên, thể hiện qua câu nói bất hủ "Đâu  | Danh mục: Lịch Sử - Địa Lý | Thương hiệu: NXB Trẻ | Giá: 7,125,000 VNĐ',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 768]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities)
# tensor([[ 1.0000,  0.7444, -0.1016],
#         [ 0.7444,  1.0000, -0.1146],
#         [-0.1016, -0.1146,  1.0000]])

Training Details

Training Dataset

Unnamed Dataset

• Size: 20,441 training samples
• Columns: sentence_0 and sentence_1
• Approximate statistics based on the first 100 samples:

  	sentence_0	sentence_1
  type	string	string
  modality	text	text
  details	min: 8 tokensmean: 11.2 tokensmax: 16 tokens	min: 110 tokensmean: 132.92 tokensmax: 185 tokens

• Samples:

  sentence_0	sentence_1
  query: laptop Ultra 7	passage: Laptop Lenovo ThinkPad X1 Carbon Gen 13 - 21NS010FVN (Ultra 7 256V, 16GB, 512GB, 2.8K OLED 120Hz, Win11Pro) | Trải nghiệm sự tinh tế và hiệu năng vượt trội với Laptop Lenovo ThinkPad X1 Carbon Gen 13 - 21NS010FVN. Trang bị bộ vi xử lý Intel Core Ultra 7 256V mạnh mẽ, 16GB RAM và ổ cứng SSD 512GB, chiếc laptop này đáp ứng mọi nhu cầu từ công việc phức tạp đến giải trí đỉnh cao. Màn hình 2.8K OLED tần số quét | Danh mục: Laptop Lenovo | Thương hiệu: Lenovo | Giá: 62,790,000 VNĐ
  query: laptop rtx 3050	passage: Laptop Acer Gaming Nitro V 15 ProPanel ANV15 41 R0FE - NH.QPFSV.005 (R7 7735HS, 16GB, 512GB, RTX 3050 6GB, Full HD 180Hz, Win11) | Trải nghiệm hiệu năng gaming ấn tượng với Laptop Acer Gaming Nitro V 15 ProPanel ANV15 41 R0FE. Máy được trang bị bộ vi xử lý AMD Ryzen 7 7735HS mạnh mẽ, cùng card đồ họa NVIDIA GeForce RTX 3050 6GB GDDR6, mang đến khả năng xử lý đồ họa tốt cho các tựa game phổ biến. Màn hình 15.6 inch Full HD với t | Danh mục: Laptop Acer | Thương hiệu: Acer | Giá: 29,690,000 VNĐ
  query: đèn thông minh cho phòng ngủ	passage: Đèn ngủ thông minh Xiaomi Mi Bedside Lamp 2 | Mang đến không gian ấm cúng và thư giãn cho phòng ngủ của bạn với Đèn ngủ thông minh Xiaomi Mi Bedside Lamp 2. Sản phẩm chính hãng Xiaomi, nổi bật với khả năng điều chỉnh ánh sáng đa dạng, từ dịu nhẹ đến tươi sáng, phù hợp với mọi nhu cầu sử dụng. Thiết kế tối giản, hiện đại, dễ dàng hòa hợp với mọi | Danh mục: Đèn thông minh Xiaomi | Thương hiệu: Xiaomi | Giá: 850,000 VNĐ

• Loss: MultipleNegativesRankingLoss with these parameters:

  {
      "scale": 20.0,
      "similarity_fct": "cos_sim",
      "gather_across_devices": false,
      "directions": [
          "query_to_doc"
      ],
      "partition_mode": "joint",
      "hardness_mode": null,
      "hardness_strength": 0.0
  }
  

Training Hyperparameters

Non-Default Hyperparameters

• per_device_train_batch_size: 32
• num_train_epochs: 1
• per_device_eval_batch_size: 32
• multi_dataset_batch_sampler: round_robin

All Hyperparameters

• per_device_train_batch_size: 32
• num_train_epochs: 1
• max_steps: -1
• learning_rate: 5e-05
• lr_scheduler_type: linear
• lr_scheduler_kwargs: None
• warmup_steps: 0
• optim: adamw_torch_fused
• optim_args: None
• weight_decay: 0.0
• adam_beta1: 0.9
• adam_beta2: 0.999
• adam_epsilon: 1e-08
• optim_target_modules: None
• gradient_accumulation_steps: 1
• average_tokens_across_devices: True
• max_grad_norm: 1
• label_smoothing_factor: 0.0
• bf16: False
• fp16: False
• bf16_full_eval: False
• fp16_full_eval: False
• tf32: None
• gradient_checkpointing: False
• gradient_checkpointing_kwargs: None
• torch_compile: False
• torch_compile_backend: None
• torch_compile_mode: None
• use_liger_kernel: False
• liger_kernel_config: None
• use_cache: False
• neftune_noise_alpha: None
• torch_empty_cache_steps: None
• auto_find_batch_size: False
• log_on_each_node: True
• logging_nan_inf_filter: True
• include_num_input_tokens_seen: no
• log_level: passive
• log_level_replica: warning
• disable_tqdm: False
• project: huggingface
• trackio_space_id: None
• trackio_bucket_id: None
• trackio_static_space_id: None
• per_device_eval_batch_size: 32
• prediction_loss_only: True
• eval_on_start: False
• eval_do_concat_batches: True
• eval_use_gather_object: False
• eval_accumulation_steps: None
• include_for_metrics: []
• batch_eval_metrics: False
• save_only_model: False
• save_on_each_node: False
• enable_jit_checkpoint: False
• push_to_hub: False
• hub_private_repo: None
• hub_model_id: None
• hub_strategy: every_save
• hub_always_push: False
• hub_revision: None
• load_best_model_at_end: False
• ignore_data_skip: False
• restore_callback_states_from_checkpoint: False
• full_determinism: False
• seed: 42
• data_seed: None
• use_cpu: 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
• dataloader_drop_last: False
• dataloader_num_workers: 0
• dataloader_pin_memory: True
• dataloader_persistent_workers: False
• dataloader_prefetch_factor: None
• remove_unused_columns: True
• label_names: None
• train_sampling_strategy: random
• length_column_name: length
• ddp_find_unused_parameters: None
• ddp_bucket_cap_mb: None
• ddp_broadcast_buffers: False
• ddp_static_graph: None
• ddp_backend: None
• ddp_timeout: 1800
• fsdp: None
• fsdp_config: None
• deepspeed: None
• debug: []
• skip_memory_metrics: True
• do_predict: False
• resume_from_checkpoint: None
• warmup_ratio: None
• local_rank: -1
• prompts: None
• batch_sampler: batch_sampler
• multi_dataset_batch_sampler: round_robin
• router_mapping: {}
• learning_rate_mapping: {}

Training Logs

Training Time

• Training: 13.3 minutes

Framework Versions

• Python: 3.12.13
• Sentence Transformers: 5.6.0
• Transformers: 5.12.1
• PyTorch: 2.11.0+cu128
• Accelerate: 1.14.0
• Datasets: 4.0.0
• 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",
}

MultipleNegativesRankingLoss

@misc{oord2019representationlearningcontrastivepredictive,
      title={Representation Learning with Contrastive Predictive Coding},
      author={Aaron van den Oord and Yazhe Li and Oriol Vinyals},
      year={2019},
      eprint={1807.03748},
      archivePrefix={arXiv},
      primaryClass={cs.LG},
      url={https://arxiv.org/abs/1807.03748},
}