newmodele5

SentenceTransformer based on intfloat/multilingual-e5-small

This is a sentence-transformers model finetuned from intfloat/multilingual-e5-small. 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 <!-- at revision 614241f622f53c4eeff9890bdc4f31cfecc418b3 -->
• Maximum Sequence Length: 512 tokens
• Output Dimensionality: 384 dimensions
• Similarity Function: Cosine Similarity

<!-- - **Training Dataset:** Unknown --> <!-- - **Language:** Unknown --> <!-- - **License:** Unknown -->

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': '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:

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("mzuama/newmodele5")
# Run inference
sentences = [
    'query: Apa bedanya hasutan tidak beragama (pasal 302 ayat 1) dengan pemaksaan berpindah agama (pasal 302 ayat 2)?',
    'passage: Pasal 302 membedakan dua perbuatan: ayat (1) mengatur hasutan di muka umum agar seseorang menjadi tidak beragama tanpa unsur kekerasan, diancam penjara paling lama 2 tahun; sedangkan ayat (2) mengatur pemaksaan berpindah agama atau menjadi tidak beragama yang disertai kekerasan atau ancaman kekerasan, diancam lebih berat yaitu penjara paling lama 4 tahun.',
    'passage: Pasal 300 mengatur hasutan untuk melakukan permusuhan terhadap agama/kepercayaan di muka umum, dipidana penjara paling lama 3 tahun, berbeda dari Pasal 302 yang mengatur hasutan agar individu meninggalkan agamanya.',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 384]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities)
# tensor([[1.0000, 0.6511, 0.4119],
#         [0.6511, 1.0000, 0.6556],
#         [0.4119, 0.6556, 1.0000]])

<!-- ### 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

• Datasets: val and test
• Evaluated with <code>TripletEvaluator</code>

<!-- ## 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: 108 training samples
• Columns: <code>anchor</code>, <code>positive</code>, and <code>negative</code>
• Approximate statistics based on the first 108 samples:

  	anchor	positive	negative
  type	string	string	string
  details	<ul><li>min: 14 tokens</li><li>mean: 23.7 tokens</li><li>max: 37 tokens</li></ul>	<ul><li>min: 32 tokens</li><li>mean: 64.53 tokens</li><li>max: 103 tokens</li></ul>	<ul><li>min: 27 tokens</li><li>mean: 47.58 tokens</li><li>max: 77 tokens</li></ul>

• Samples:

  anchor	positive	negative
  <code>query: Seseorang membuat dan menjual video porno, pasal apa yang berlaku?</code>	<code>passage: Pasal 407 ayat (1) berlaku dalam kasus ini karena mengatur bahwa setiap orang yang memproduksi, membuat, memperbanyak, menggandakan, atau memperjualbelikan Pornografi dipidana dengan pidana penjara paling singkat 6 bulan dan paling lama 10 tahun atau pidana denda paling sedikit kategori IV dan paling banyak kategori VI.</code>	<code>passage: Pasal 482 ayat (1) mengatur tindak pidana pemerasan, yaitu setiap orang yang dengan maksud menguntungkan diri sendiri atau orang lain secara melawan hukum, memaksa orang dengan kekerasan atau ancaman kekerasan untuk memberikan suatu barang atau membuat pengakuan utang, dipidana dengan pidana penjara paling lama 9 tahun.</code>
  <code>query: Berapa hukuman bagi orang yang menyebarkan konten pornografi?</code>	<code>passage: Pasal 407 ayat (1) menyebutkan bahwa pelaku yang menyebarluaskan atau menyiarkan pornografi diancam pidana penjara paling singkat 6 bulan dan paling lama 10 tahun, atau pidana denda paling sedikit kategori IV dan paling banyak kategori VI.</code>	<code>passage: Pasal 288 ayat (2) mengatur bahwa setiap orang yang menyiarkan atau menyebarluaskan hasil pembicaraan atau perekaman informasi/dokumen elektronik yang tidak bersifat publik secara melawan hukum, dipidana dengan pidana penjara paling lama 10 tahun atau pidana denda paling banyak kategori M.</code>
  <code>query: Apa saja perbuatan yang termasuk tindak pidana pornografi menurut pasal 407?</code>	<code>passage: Pasal 407 ayat (1) menyebutkan unsur-unsur perbuatan yang termasuk tindak pidana pornografi, yaitu: memproduksi, membuat, memperbanyak, menggandakan, menyebarluaskan, menyiarkan, mengimpor, mengekspor, menawarkan, memperjualbelikan, menyewakan, atau menyediakan Pornografi.</code>	<code>passage: Pasal 301 ayat (1) mengatur bahwa setiap orang yang menyiarkan, mempertunjukkan, menempelkan tulisan atau gambar, atau memperdengarkan suatu rekaman berisi tindak pidana ujaran kebencian terhadap agama/kepercayaan dengan maksud agar diketahui umum, dipidana dengan pidana penjara paling lama 5 tahun atau pidana denda paling banyak kategori V.</code>

• Loss: <code>MultipleNegativesRankingLoss</code> with these parameters:

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

Evaluation Dataset

Unnamed Dataset

• Size: 27 evaluation samples
• Columns: <code>anchor</code>, <code>positive</code>, and <code>negative</code>
• Approximate statistics based on the first 27 samples:

  	anchor	positive	negative
  type	string	string	string
  details	<ul><li>min: 16 tokens</li><li>mean: 22.93 tokens</li><li>max: 32 tokens</li></ul>	<ul><li>min: 38 tokens</li><li>mean: 64.37 tokens</li><li>max: 109 tokens</li></ul>	<ul><li>min: 29 tokens</li><li>mean: 47.93 tokens</li><li>max: 79 tokens</li></ul>

• Samples:

  anchor	positive	negative
  <code>query: Apa yang dimaksud dengan tindak pidana pornografi menurut KUHP?</code>	<code>passage: Pasal 407 mengatur bahwa setiap orang yang memproduksi, membuat, memperbanyak, menggandakan, menyebarluaskan, menyiarkan, mengimpor, mengekspor, menawarkan, memperjualbelikan, menyewakan, atau menyediakan Pornografi, dipidana dengan pidana penjara paling singkat 6 bulan dan paling lama 10 tahun atau pidana denda paling sedikit kategori IV dan paling banyak kategori VI. Perbuatan tersebut tidak dipidana jika merupakan karya seni, budaya, olahraga, kesehatan, dan/atau ilmu pengetahuan.</code>	<code>passage: Pasal 242 mengatur bahwa setiap orang yang di muka umum menyatakan perasaan permusuhan, kebencian, atau penghinaan terhadap satu atau beberapa golongan atau kelompok penduduk Indonesia berdasarkan ras, kebangsaan, etnis, warna kulit, jenis kelamin, disabilitas mental, atau disabilitas fisik, dipidana dengan pidana penjara paling lama 3 tahun atau pidana denda paling banyak kategori IV.</code>
  <code>query: Apakah seseorang yang meneliti paham komunisme untuk kepentingan akademik bisa dipidana?</code>	<code>passage: Pasal 188 ayat (6) menegaskan bahwa tidak dipidana orang yang melakukan kajian terhadap ajaran komunisme/marxisme-leninisme atau paham lain yang bertentangan dengan Pancasila untuk kepentingan ilmu pengetahuan.</code>	<code>passage: Pasal 407 ayat (2) menyatakan bahwa perbuatan memproduksi atau menyebarluaskan pornografi tidak dipidana jika merupakan karya seni, budaya, olahraga, kesehatan, dan/atau ilmu pengetahuan.</code>
  <code>query: Apa bedanya penyadapan biasa dengan penyebaran hasil sadapan menurut pasal 288?</code>	<code>passage: Pasal 288 membedakan dua perbuatan: ayat (1) mengatur penyadapan itu sendiri yaitu mendengarkan, merekam, atau mencatat transmisi informasi elektronik tidak publik secara melawan hukum, sedangkan ayat (2) mengatur penyebaran hasil sadapan tersebut. Keduanya diancam pidana penjara paling lama 10 tahun atau denda paling banyak kategori M.</code>	<code>passage: Pasal 434 mengatur tindak pidana fitnah, yaitu jika seseorang yang melakukan pencemaran diberi kesempatan membuktikan kebenaran tuduhannya tetapi tidak dapat membuktikannya dan tuduhan bertentangan dengan yang diketahuinya, dipidana dengan pidana penjara paling lama 3 tahun atau pidana denda paling banyak kategori IV.</code>

• Loss: <code>MultipleNegativesRankingLoss</code> with these parameters:

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

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: 10
• warmup_ratio: 0.1
• warmup_steps: 0.1
• fp16: True
• batch_sampler: no_duplicates

All Hyperparameters

<details><summary>Click to expand</summary>

• do_predict: False
• eval_strategy: steps
• prediction_loss_only: True
• per_device_train_batch_size: 16
• per_device_eval_batch_size: 16
• 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: 10
• 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: False
• 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: None
• batch_sampler: no_duplicates
• multi_dataset_batch_sampler: proportional
• router_mapping: {}
• learning_rate_mapping: {}

</details>

Training Logs

Framework Versions

• Python: 3.12.12
• Sentence Transformers: 5.2.3
• Transformers: 5.0.0
• PyTorch: 2.10.0+cpu
• Accelerate: 1.12.0
• Datasets: 4.8.3
• 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{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.* -->