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
Maximum Sequence Length: 512 tokens
Output Dimensionality: 384 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}) with Transformer model: 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("YarKo69/e5-base-retrievers")
# Run inference
sentences = [
    'query: 2Ea(∇θlog πθ(a|s) (Qπ(s,a) −b) −m)T (−∇θlog πθ(a|s)) = 0\nВыделяем норму градиента логарифма правдоподобия:\n−Ea∥∇θlog πθ(a|s)∥2\n2Qπ(s,a) + Ea∥∇θlog πθ(a|s)∥2\n2b+ EamT (∇θlog πθ(a|s)) = 0 (5.15)\nОсталось заметить, что третье слагаемое есть ноль. Это обобщение нашей теоремы о бэйзлайне (формулы\n(5.6)): условно, бэйзлайн может быть свой для каждой компоненты вектораθ, опять же, до тех пор, пока он\nне зависит от действий. В данном случаеm /emdash.cyr некоторый фиксированный вектор, одинаковый для всехa;\nпоэтому, еслиd/emdash.cyr размерность вектора параметровθ, то:\nEamT (∇θlog πθ(a|s)) = Ea\nd∑\ni=0\nmi∇θi log πθ(a|s) =\nd∑\ni=0\nmiEa∇θi log πθ(a|s)\ued19 \ued18\ued17 \ued1a\n0 по формуле (5.6)\n= 0\nУбирая это нулевое третье слагаемое из (5.15), получаем равенство между первыми двумя:\nbEa∥∇θlog πθ(a|s)∥2\n2 = Ea∥∇θlog πθ(a|s)∥2\n2Qπ(s,a)\nВыражая из негоb, получаем доказываемое.\n130',
    'passage: 2Ea(∇θlog πθ(a|s) (Qπ(s,a) −b) −m)T (−∇θlog πθ(a|s)) = 0\nВыделяем норму градиента логарифма правдоподобия:\n−Ea∥∇θlog πθ(a|s)∥2\n2Qπ(s,a) + Ea∥∇θlog πθ(a|s)∥2\n2b+ EamT (∇θlog πθ(a|s)) = 0 (5.15)\nОсталось заметить, что третье слагаемое есть ноль. Это обобщение нашей теоремы о бэйзлайне (формулы\n(5.6)): условно, бэйзлайн может быть свой для каждой компоненты вектораθ, опять же, до тех пор, пока он\nне зависит от действий. В данном случаеm /emdash.cyr некоторый фиксированный вектор, одинаковый для всехa;\nпоэтому, еслиd/emdash.cyr размерность вектора параметровθ, то:\nEamT (∇θlog πθ(a|s)) = Ea\nd∑\ni=0\nmi∇θi log πθ(a|s) =\nd∑\ni=0\nmiEa∇θi log πθ(a|s)\ued19 \ued18\ued17 \ued1a\n0 по формуле (5.6)\n= 0\nУбирая это нулевое третье слагаемое из (5.15), получаем равенство между первыми двумя:\nbEa∥∇θlog πθ(a|s)∥2\n2 = Ea∥∇θlog πθ(a|s)∥2\n2Qπ(s,a)\nВыражая из негоb, получаем доказываемое.\n130',
    'passage: с подмешанным эксплорейшном. Это различие было для нас принципиально: оптимальны детерминированные\nстратегии, а взаимодействовать со средой мы готовы лишь стохастичными стратегиями. У этого /guillemotleft.cyrнесовпадения/guillemotright.cyr\nесть следующий эффект.\nПример 59 /emdash.cyr Cliﬀ World: Рассмотрим MDP с рисунка с детерминированной функцией переходов, действиями\nвверх-вниз-вправо-влево иγ <1; за попадание в лаву начисляется огромный штраф, а эпизод прерывается.\nЗа попадание в целевое состояние агент получает +1, и эпизод также завершается; соответственно, задача\nагента /emdash.cyr как можно быстрее добраться до цели, не угодив в лаву.\nQ-learning, тем не менее, постепенно сойдётся к оптимальной стра-\nтегии: кратчайшим маршрутом агент может добраться до терминаль-\nного состояния с положительной наградой. Однако даже после того,\nкак оптимальная стратегия уже выучилась, Q-learning продолжает\nпрыгать в лаву! Почему? Проходя прямо возле лавы, агент каждый',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 384]

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

Training Details

Training Dataset

Unnamed Dataset

Size: 935 training samples
Columns: anchor and positive
Approximate statistics based on the first 935 samples:
anchor positive
type string string
details
min: 106 tokens
mean: 300.47 tokens
max: 512 tokens

min: 105 tokens
mean: 299.51 tokens
max: 512 tokens

	anchor	positive
type	string	string
details	min: 106 tokens mean: 300.47 tokens max: 512 tokens	min: 105 tokens mean: 299.51 tokens max: 512 tokens

Samples:

anchor	positive
query: прошлом/guillemotright.cyr. Наша внутренняя мотивация тоже есть такая добавка, только теперь она должна оценивать новизну посещаемых областей в среде. Попробуем исходить из схожих соображений: будем награждать агента за посещения тех состояний, в кото- рых он был редко. Мы можем это сделать двумя способами. Определение 103: Пустьh(s): S→{ 0,1 ...N }/emdash.cyr некоторая хэш-функция состояний, называемаяораку- лом(oracle), иn(i) /emdash.cyr счётчик, сколько раз за время всего обучения нам встретились состояния с хэшемi. Тогда rintr(s,a) := 1 n(h(s)) называетсянестационарнымисследовательским бонусом; награда rintr(st,at) := I[∀t′то есть награждение +1, если мы попали в состояние, хэш для которогоh(st) не встречался до этого в течение данного эпизода, называетсяэпизодичнымисследовательским бонусом. Нестационарные исследовательские бонусы затухают с ходом обучения; в пределе мы, надеемся, посетим	passage: прошлом/guillemotright.cyr. Наша внутренняя мотивация тоже есть такая добавка, только теперь она должна оценивать новизну посещаемых областей в среде. Попробуем исходить из схожих соображений: будем награждать агента за посещения тех состояний, в кото- рых он был редко. Мы можем это сделать двумя способами. Определение 103: Пустьh(s): S→{ 0,1 ...N }/emdash.cyr некоторая хэш-функция состояний, называемаяораку- лом(oracle), иn(i) /emdash.cyr счётчик, сколько раз за время всего обучения нам встретились состояния с хэшемi. Тогда rintr(s,a) := 1 n(h(s)) называетсянестационарнымисследовательским бонусом; награда rintr(st,at) := I[∀t′то есть награждение +1, если мы попали в состояние, хэш для которогоh(st) не встречался до этого в течение данного эпизода, называетсяэпизодичнымисследовательским бонусом. Нестационарные исследовательские бонусы затухают с ходом обучения; в пределе мы, надеемся, посетим
`query: ]  = {перегруппируем слагаемые}= ET∼π2`	s0=s ∑ t≥0 γt(rt + γVπ1(st+1) −Vπ1(st)) = {фокусExf(x) = ExExf(x)}= ET∼π2
query: Теорема 55: Для произвольного распределенияπθ(a) с параметрамиθ, верно: Ea∼πθ(a)∇θlog πθ(a) = 0 (5.6) Доказательство. Ea∼πθ(a)∇θlog πθ(a) = {производная логарифма}= Ea∼πθ(a) ∇θπθ(a) πθ(a) = = ∫ A ∇θπθ(a) da= ∇θ ∫ A πθ(a) da= ∇θ1 = 0 ■ Следующееутверждениеформализуетэтоттезисотом,что/guillemotleft.cyrбудущееневлияетнапрошлое/guillemotright.cyr:выбордействий в некоторый момент времени никак не влияет на те слагаемые из награды, которые были получены в прошлом. Теорема 56 /emdash.cyr Принцип причинности (causality): При t> ˆt: ET∼π∇θlog πθ(at	st)γˆtrˆt = 0 122

Loss: MultipleNegativesRankingLoss with these parameters:

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

Evaluation Dataset

Unnamed Dataset

Size: 400 evaluation samples
Columns: anchor and positive
Approximate statistics based on the first 400 samples:
anchor positive
type string string
details
min: 125 tokens
mean: 297.33 tokens
max: 512 tokens

min: 124 tokens
mean: 296.36 tokens
max: 512 tokens

	anchor	positive
type	string	string
details	min: 125 tokens mean: 297.33 tokens max: 512 tokens	min: 124 tokens mean: 296.36 tokens max: 512 tokens

Samples:

anchor	positive
query: прошлом/guillemotright.cyr. Наша внутренняя мотивация тоже есть такая добавка, только теперь она должна оценивать новизну посещаемых областей в среде. Попробуем исходить из схожих соображений: будем награждать агента за посещения тех состояний, в кото- рых он был редко. Мы можем это сделать двумя способами. Определение 103: Пустьh(s): S→{ 0,1 ...N }/emdash.cyr некоторая хэш-функция состояний, называемаяораку- лом(oracle), иn(i) /emdash.cyr счётчик, сколько раз за время всего обучения нам встретились состояния с хэшемi. Тогда rintr(s,a) := 1 n(h(s)) называетсянестационарнымисследовательским бонусом; награда rintr(st,at) := I[∀t′то есть награждение +1, если мы попали в состояние, хэш для которогоh(st) не встречался до этого в течение данного эпизода, называетсяэпизодичнымисследовательским бонусом. Нестационарные исследовательские бонусы затухают с ходом обучения; в пределе мы, надеемся, посетим	passage: прошлом/guillemotright.cyr. Наша внутренняя мотивация тоже есть такая добавка, только теперь она должна оценивать новизну посещаемых областей в среде. Попробуем исходить из схожих соображений: будем награждать агента за посещения тех состояний, в кото- рых он был редко. Мы можем это сделать двумя способами. Определение 103: Пустьh(s): S→{ 0,1 ...N }/emdash.cyr некоторая хэш-функция состояний, называемаяораку- лом(oracle), иn(i) /emdash.cyr счётчик, сколько раз за время всего обучения нам встретились состояния с хэшемi. Тогда rintr(s,a) := 1 n(h(s)) называетсянестационарнымисследовательским бонусом; награда rintr(st,at) := I[∀t′то есть награждение +1, если мы попали в состояние, хэш для которогоh(st) не встречался до этого в течение данного эпизода, называетсяэпизодичнымисследовательским бонусом. Нестационарные исследовательские бонусы затухают с ходом обучения; в пределе мы, надеемся, посетим
`query: ]  = {перегруппируем слагаемые}= ET∼π2`	s0=s ∑ t≥0 γt(rt + γVπ1(st+1) −Vπ1(st)) = {фокусExf(x) = ExExf(x)}= ET∼π2
query: Теорема 55: Для произвольного распределенияπθ(a) с параметрамиθ, верно: Ea∼πθ(a)∇θlog πθ(a) = 0 (5.6) Доказательство. Ea∼πθ(a)∇θlog πθ(a) = {производная логарифма}= Ea∼πθ(a) ∇θπθ(a) πθ(a) = = ∫ A ∇θπθ(a) da= ∇θ ∫ A πθ(a) da= ∇θ1 = 0 ■ Следующееутверждениеформализуетэтоттезисотом,что/guillemotleft.cyrбудущееневлияетнапрошлое/guillemotright.cyr:выбордействий в некоторый момент времени никак не влияет на те слагаемые из награды, которые были получены в прошлом. Теорема 56 /emdash.cyr Принцип причинности (causality): При t> ˆt: ET∼π∇θlog πθ(at	st)γˆtrˆt = 0 122

Loss: MultipleNegativesRankingLoss 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
learning_rate: 2e-05
num_train_epochs: 6
warmup_ratio: 0.1
fp16: True
load_best_model_at_end: True
batch_sampler: no_duplicates

All Hyperparameters

Click to expand

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: 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: 6
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: 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
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
dispatch_batches: None
split_batches: 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	Validation Loss
0.6780	40	-	0.0001
1.3559	80	-	0.0001
1.6949	100	0.1619	-
2.0339	120	-	0.0001
2.7119	160	-	0.0000
3.3898	200	0.0	0.0000
4.0678	240	-	0.0000
4.7458	280	-	0.0000
5.0847	300	0.0	-
5.4237	320	-	0.0

The bold row denotes the saved checkpoint.

Framework Versions

Python: 3.11.5
Sentence Transformers: 4.0.1
Transformers: 4.48.3
PyTorch: 2.6.0+cu126
Accelerate: 1.5.2
Datasets: 3.5.0
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",
}

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}
}

Downloads last month: -

Safetensors

Model size

0.1B params

Tensor type

F32

Model tree for YarKo69/e5-base-retrievers

Base model

intfloat/multilingual-e5-small

Finetuned

(127)

this model