multilingual-e5-large-instruct-5k

SentenceTransformer based on intfloat/multilingual-e5-large-instruct

This is a sentence-transformers model finetuned from intfloat/multilingual-e5-large-instruct. 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-instruct <!-- at revision 84344a23ee1820ac951bc365f1e91d094a911763 -->
• Maximum Sequence Length: 512 tokens
• Output Dimensionality: 1024 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}) with Transformer model: 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("tugskh/multilingual-e5-large-instruct-5k")
# Run inference
sentences = [
    'Нийслэлийн Иргэдийн Төлөөлөгчдийн Хурлын сонгуулийн тойргийг байгуулахдаа ямар нөхцлийг хангасан байх ёстой вэ? Аймаг, Нийслэл, Сум, Дүүргийн Иргэдийн Төлөөлөгчдийн Хурлын сонгуулийн тухай хууль?',
    'Аймаг, Нийслэл, Сум, Дүүргийн Иргэдийн Төлөөлөгчдийн Хурлын сонгуулийн тухай хуулийн зүйл нь Нийслэлийн иргэдийн Төлөөлөгчдийн Хурал-ын сонгуулийг явуулахад хоёр буюу хэд хэдэн хороог нэгтгэн нэг тойрог болгон зохион байгуулж болно гэж тодорхойлсон бөгөөд энэ нь тойргийн байгуулалтын нөхцлийг заана.',
    'Авлигын эсрэг хуульд зааснаар Монгол Улсын Ерөнхийлөгч олон нийтийн зөвлөлийн ажиллах журмыг батална. Ерөнхийлөгчийн эрх хэмжээ нь хуулийн дагуу зөвлөлийн үйл ажиллагааг зохицуулах, хууль ёсны дагуу ажиллах нөхцөлийг хангах явдал юм.',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 1024]

# 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

Information Retrieval

• Dataset: e5-eval
• Evaluated with <code>InformationRetrievalEvaluator</code>

Information Retrieval

• Dataset: e5-eval
• Evaluated with <code>InformationRetrievalEvaluator</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: 4,421 training samples
• Columns: <code>query</code> and <code>passage</code>
• Approximate statistics based on the first 1000 samples:

  	query	passage
  type	string	string
  details	<ul><li>min: 12 tokens</li><li>mean: 30.96 tokens</li><li>max: 111 tokens</li></ul>	<ul><li>min: 26 tokens</li><li>mean: 64.05 tokens</li><li>max: 206 tokens</li></ul>

• Samples:

  query	passage
  <code>Арбитрын тухай хуулийн дагуу арбитрын зардлыг хэн тогтооно?</code>	<code>Арбитрын тухай хуулийн Арбитрын зардал зүйл нь талууд өөрөөр тохиролцоогүй бол арбитрын зардлын хэмжээ, төлөх этгээд, төлбөрийн журмыг арбитрын бүрэлдэхүүн тогтооно гэж заасан байна.</code>
  <code>Амьтны тухай хуулийг зөрчсөн тохиолдолд ямар хариуцлага хүлээлгэх вэ?</code>	<code>Амьтны тухай хуулийг зөрчсөн хүн, хуулийн этгээдэд Эрүүгийн хууль, эсхүл Зөрчлийн тухай хуульд заасан хариуцлага хүлээлгэнэ. Монгол Улсын Их Хурлын дарга Д.Дэмбэрэл.</code>
  <code>Иргэний нисэхийн тухай хуулийн 8.1.7 дугаар зүйл нь Агаарын зайн нисэхэд ашиглах тухай хуульд ямар хамааралтай вэ?</code>	<code>Агаарын зайн нисэхэд ашиглах тухай хуулийн зүйл Нисэхэд ашиглах агаарын зайг тогтоох-ын заалт нь Монгол Улсын агаарын зайд иргэний нисэхийн зориулалтаар ашиглах агаарын зам, агаарын хаалгыг орох, гарах цэгийг тогтоохдоо Иргэний нисэхийн тухай хуулийн 8.1.7 дугаар зүйлийг үндэслэл болгоно.</code>

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

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

Evaluation Dataset

Unnamed Dataset

• Size: 553 evaluation samples
• Columns: <code>query</code> and <code>passage</code>
• Approximate statistics based on the first 553 samples:

  	query	passage
  type	string	string
  details	<ul><li>min: 12 tokens</li><li>mean: 31.54 tokens</li><li>max: 103 tokens</li></ul>	<ul><li>min: 32 tokens</li><li>mean: 65.72 tokens</li><li>max: 250 tokens</li></ul>

• Samples:

  query	passage
  <code>Хуулийн этгээд хандивлагчийн хувьд оролцох боломжийг Аймаг, нийслэл, сум, дүүргийн иргэдийн төлөөлөгчдийн хуралын сонгуулийн тухай хууль хэрхэн зохицуулж байна?</code>	<code>Аймаг, нийслэл, сум, дүүргийн иргэдийн төлөөлөгчдийн хуралын сонгуулийн тухай хуулийн Сонгуулийн хандив зүйлийн заалт нь хуулийн этгээдийн хандивлагчийн статус нь хуулиар хориглоогүй болон тухайн этгээдийн дүрмээр зөвшөөрөгдсөн тохиолдолд зөвшөөрөгдөнө гэж тодорхойлсон байна.</code>
  <code>Аудитын тухай хуульд зааснаар, үйлчлүүлэгч томилогдсон аудитороос татгалзах саналыг хэзээ гаргаж болно?</code>	<code>Аудитын тухай хуулийн Үйлчлүүлэгчийн эрх, үүрэг тухай зүйл нь үйлчлүүлэгч аудитын шалгалт, нягтлах ажил, бусад баталгаажуулах ажил хийлгэх, санхүүгийн үйлчилгээ авах, хуулийн дагуу заавал магадлан шинжилгээ, баталгаажуулалт хийх тохиолдолд энэ хуульд заасан үндэслэл байвал томилогдсон аудитороос татгалзах саналыг аудитын хуулийн этгээдэд гаргах эрхийг олгодог.</code>
  <code>Аймаг, нийслэл, сум, дүүргийн иргэдийн төлөөлөгчдийн хуралын сонгуулийн тухай хуулийн дагуу санал авах ажиллагаа хэзээ эхэлнэ?</code>	<code>Аймаг, нийслэл, сум, дүүргийн иргэдийн төлөөлөгчдийн хуралын сонгуулийн тухай хуулийн санал авах байранд санал авах ажиллагаа санал авах өдрийн 07:00 цагт эхэлнэ.</code>

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

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

Training Hyperparameters

Non-Default Hyperparameters

• eval_strategy: steps
• per_device_train_batch_size: 16
• per_device_eval_batch_size: 16
• num_train_epochs: 1
• warmup_ratio: 0.1
• fp16: True
• batch_sampler: no_duplicates

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: 16
• per_device_eval_batch_size: 16
• 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: 1.0
• num_train_epochs: 1
• max_steps: -1
• lr_scheduler_type: linear
• lr_scheduler_kwargs: {}
• warmup_ratio: 0.1
• 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: False
• 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
• 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

</details>

Training Logs

Framework Versions

• Python: 3.11.13
• Sentence Transformers: 4.1.0
• Transformers: 4.52.4
• PyTorch: 2.6.0+cu124
• Accelerate: 1.7.0
• Datasets: 2.14.4
• 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",
}

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.* -->