Hugging Face's logo

mik3ml
/
multilingual-e5-large-ita

Sentence Similarity
sentence-transformers
Safetensors
Italian
xlm-roberta
feature-extraction
Generated from Trainer
dataset_size:182223
loss:MatryoshkaLoss
loss:MultipleNegativesRankingLoss
Eval Results
text-embeddings-inference
Inference Endpoints
Model card Files Community
mik3ml commited on
Commit
a2d9900
·
verified ·
1 Parent(s): 0e33ac3

Add new SentenceTransformer model

Browse files
Files changed (12) hide show
  1. .gitattributes +1 -0
  2. 1_Pooling/config.json +10 -0
  3. README.md +945 -0
  4. config.json +28 -0
  5. config_sentence_transformers.json +10 -0
  6. model.safetensors +3 -0
  7. modules.json +20 -0
  8. sentence_bert_config.json +4 -0
  9. sentencepiece.bpe.model +3 -0
  10. special_tokens_map.json +51 -0
  11. tokenizer.json +3 -0
  12. tokenizer_config.json +54 -0
.gitattributes CHANGED
@@ -33,3 +33,4 @@ saved_model/**/* filter=lfs diff=lfs merge=lfs -text
33
  *.zip filter=lfs diff=lfs merge=lfs -text
34
  *.zst filter=lfs diff=lfs merge=lfs -text
35
  *tfevents* filter=lfs diff=lfs merge=lfs -text
 
 
33
  *.zip filter=lfs diff=lfs merge=lfs -text
34
  *.zst filter=lfs diff=lfs merge=lfs -text
35
  *tfevents* filter=lfs diff=lfs merge=lfs -text
36
+ tokenizer.json filter=lfs diff=lfs merge=lfs -text
1_Pooling/config.json ADDED
@@ -0,0 +1,10 @@
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "word_embedding_dimension": 1024,
3
+ "pooling_mode_cls_token": false,
4
+ "pooling_mode_mean_tokens": true,
5
+ "pooling_mode_max_tokens": false,
6
+ "pooling_mode_mean_sqrt_len_tokens": false,
7
+ "pooling_mode_weightedmean_tokens": false,
8
+ "pooling_mode_lasttoken": false,
9
+ "include_prompt": true
10
+ }
README.md ADDED
@@ -0,0 +1,945 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ ---
2
+ base_model: intfloat/multilingual-e5-large
3
+ language:
4
+ - it
5
+ library_name: sentence-transformers
6
+ license: apache-2.0
7
+ metrics:
8
+ - cosine_accuracy@1
9
+ - cosine_accuracy@3
10
+ - cosine_accuracy@5
11
+ - cosine_accuracy@10
12
+ - cosine_precision@1
13
+ - cosine_precision@3
14
+ - cosine_precision@5
15
+ - cosine_precision@10
16
+ - cosine_recall@1
17
+ - cosine_recall@3
18
+ - cosine_recall@5
19
+ - cosine_recall@10
20
+ - cosine_ndcg@10
21
+ - cosine_mrr@10
22
+ - cosine_map@100
23
+ pipeline_tag: sentence-similarity
24
+ tags:
25
+ - sentence-transformers
26
+ - sentence-similarity
27
+ - feature-extraction
28
+ - generated_from_trainer
29
+ - dataset_size:182223
30
+ - loss:MatryoshkaLoss
31
+ - loss:MultipleNegativesRankingLoss
32
+ widget:
33
+ - source_sentence: 'Çandahar
34
+
35
+ Çandahar è un comune dell''Azerbaigian situato nel distretto di İsmayıllı. Conta
36
+ una popolazione di 155 abitanti.
37
+
38
+
39
+ Collegamenti esterni
40
+
41
+ Çandahar su GEOnet Names Server
42
+
43
+
44
+ Comuni del distretto di İsmayıllı'
45
+ sentences:
46
+ - Quali sono i principali dati demografici e territoriali dell'upazila di Lalmohan
47
+ secondo il censimento del 1991?
48
+ - Qual è la popolazione del comune di Çandahar?
49
+ - Cosa è stato associato a uno stato socioeconomico inferiore e a uno stato sociale
50
+ più elevato in relazione all'uso di alcol, sigarette e droghe ricreative durante
51
+ la gravidanza?
52
+ - source_sentence: "New Glasgow\nNew Glasgow è una municipalità (town) del Canada,\
53
+ \ situata nella provincia di Nuova Scozia.\n\nAltri progetti\n\nCollegamenti esterni\
54
+ \ \n \n\n \n\nMunicipalità della Nuova Scozia"
55
+ sentences:
56
+ - Come viene classificata la specie Pteropus rayneri dalla IUCN Red List e quali
57
+ fattori possono influire sulla sua conservazione?
58
+ - In quale paese si trova la municipalità di New Glasgow?
59
+ - Quanti motori e quanti piloti aveva il Morane-Saulnier Type TRK?
60
+ - source_sentence: 'Embolia
61
+
62
+ Lembolia (o embolismo) è l''ostruzione di un''arteria o di una vena, causata da
63
+ un corpo estraneo al normale flusso sanguigno, che viene denominato embolo e che
64
+ può essere un coagulo di sangue, una bolla d''aria o di altri gas, generalmente
65
+ azoto, o altre formazioni di dimensioni tali da ostruire un vaso arterioso o venoso.
66
+ Nei casi più gravi in cui essa interessi un''arteria, l''embolia può provocare
67
+ la morte del soggetto colpito per ischemia cerebrale, polmonare o cardiaca. Per
68
+ l''embolia da coaguli ematici, che è il tipo più frequente di embolia, vedi trombosi.
69
+ Classificazione L''embolia viene classificata sia in base all''apparato colpito
70
+ che al tipo di corpo estraneo coinvolto. A seconda del fattore coinvolto si parla
71
+ di: embolia gassosa, quando l''embolo sia causato da una bolla di gas (ad.es.:
72
+ azoto). A tale tipo di embolia è particolarmente esposto chi pratichi immersioni
73
+ subacquee; infatti, nel caso in cui non vengano rispettati i tempi di decompressione,
74
+ l''improvvisa variazione di pressione può portare alla formazione di bolle d''azoto
75
+ nel circolo sanguigno. Analogamente, la stessa cosa può succedere nel caso di
76
+ volo ad alta quota in una cabina non pressurizzata. In generale comunque, eccezion
77
+ fatta per i casi succitati, l''embolia gassosa è un evento molto raro. embolia
78
+ lipidica (chiamata anche liquida, adiposa o grassosa o sindrome lipido-embolica),
79
+ quando l''embolo è costituito da un ammasso di grasso. I lipidi infatti essendo
80
+ idrofobici e quindi insolubuli nel sangue idrofilo si dispongono a formare una
81
+ micella che può provocare l''ostruzione del vaso. Tale embolia si verifica specialmente
82
+ come effetto collaterale anche tardivo nel caso di eventi traumatici alle ossa
83
+ del bacino e agli arti inferiori. embolia da liquido amniotico, nelle donne durante
84
+ la gravidanza può accadere che del liquido amniotico venga spinto nel circolo
85
+ sanguigno materno. embolia da colesterolo, causata da placche aterosclerotiche
86
+ all''interno di un vaso sanguigno.'
87
+ sentences:
88
+ - In quale città e anno nacque Jean-Baptiste Auriol?
89
+ - Cosa suggerisce Aldo al protagonista riguardo ai dipinti del Catena e cosa succede
90
+ successivamente?
91
+ - Cosa è l'embolia gassosa?
92
+ - source_sentence: "FireHouse (album)\nFireHouse è il primo album in studio del gruppo\
93
+ \ musicale statunitense FireHouse, pubblicato il 7 settembre 1990 dalla Epic Records.\n\
94
+ \nIl disco \nL'album è stato certificato doppio disco di platino negli Stati Uniti,\
95
+ \ e disco d'oro in Canada, Giappone e Singapore.\n\nVennero estratti i quattro\
96
+ \ singoli Shake & Tumble, Don't Treat Me Bad, All She Wrote e la ballata Love\
97
+ \ of a Lifetime, diventato il brano più famoso del gruppo.\n\nLa traccia Don't\
98
+ \ Walk Away appare in una scena del film The Wrestler diretto da Darren Aronofsky\
99
+ \ nel 2008.\n\nIl brano Overnight Sensation è parte della colonna sonora del videogioco\
100
+ \ Brütal Legend.\n\nTracce\n\nFormazione\n C.J. Snare – voce, tastiere\n Bill\
101
+ \ Leverty – chitarre\n Perry Richardson – basso\n Michael Foster – batteria, percussioni\n\
102
+ \nClassifiche\n\nNote\n\nCollegamenti esterni"
103
+ sentences:
104
+ - Quando è stato pubblicato l'album FireHouse e quale disco ha ottenuto nella certificazione
105
+ degli Stati Uniti?
106
+ - Chi ha scritto la sceneggiatura del film 'Oggi a me... domani a te'?
107
+ - Chi è Marco Andreolli?
108
+ - source_sentence: 'Precipitine sieriche contro i microbi nel fieno ammuffito rispetto
109
+ all''età, al sesso, all''atopia e al fumo degli agricoltori.Questo studio si è
110
+ basato su un campione di 3.065 agricoltori su una popolazione più ampia di 12.056
111
+ agricoltori finlandesi. I dati sono stati raccolti in un''indagine postale condotta
112
+ dall''Istituto di previdenza sociale della Finlandia. Campioni di siero per la
113
+ determinazione degli anticorpi precipitanti sono stati prelevati presso i centri
114
+ sanitari locali. Le precipitazioni sono state determinate con il metodo della
115
+ micropiastra diffusione immunitaria. Il pannello dell''antigene era costituito
116
+ da antigeni miceliali di Micropolyspora faeni, Thermoactinomyces vulgaris, Aspergillus
117
+ fumigatus e Aspergillus umbrosus. Precipitine a uno qualsiasi dei quattro microbi
118
+ sono state rilevate nell''8,6% dei sieri. Le cause più comuni di test di precipitina
119
+ positivi erano Aspergillus umbrosus e Thermoactinomyces vulgaris, che concorda
120
+ con i risultati precedenti riportati dalla Finlandia In generale, le precipitine
121
+ erano più prevalenti tra le donne, il che corrisponde alle tradizioni culturali
122
+ locali e negli agricoltori più anziani. La prevalenza delle precipitine non differiva
123
+ tra i soggetti non atopici e atopici (definiti come coesistenza passata o presente
124
+ di dermatite atopica inclusi eczema infantile e/o febbre da fieno o altre riniti
125
+ allergiche). Al contrario, la prevalenza delle precipitine era circa 1,5-2 volte
126
+ maggiore tra i non fumatori rispetto ai fumatori, il che conferma i risultati
127
+ dei rapporti precedenti. Negli studi futuri sulla presenza di precipitine, i dati
128
+ dovrebbero essere controllati rispetto all''età, al sesso e al fumo. '
129
+ sentences:
130
+ - Quali sono i quattro microbi che sono stati utilizzati per la determinazione delle
131
+ precipitine nel siero degli agricoltori?
132
+ - Le strutture tricline delle proteine bovine a basso pH e ovine ad alto pH sono
133
+ simili nonostante la transizione conformazionale pH-dipendente delle proteine
134
+ bovina e suina?
135
+ - Quali due canzoni vengono eseguite dopo il monologo 'Eva e la bambola'?
136
+ model-index:
137
+ - name: ReDiX/multilingual-e5-large
138
+ results:
139
+ - task:
140
+ type: information-retrieval
141
+ name: Information Retrieval
142
+ dataset:
143
+ name: dim 1024
144
+ type: dim_1024
145
+ metrics:
146
+ - type: cosine_accuracy@1
147
+ value: 0.7948439352034768
148
+ name: Cosine Accuracy@1
149
+ - type: cosine_accuracy@3
150
+ value: 0.9205353615171868
151
+ name: Cosine Accuracy@3
152
+ - type: cosine_accuracy@5
153
+ value: 0.9347096009482418
154
+ name: Cosine Accuracy@5
155
+ - type: cosine_accuracy@10
156
+ value: 0.9473528249703674
157
+ name: Cosine Accuracy@10
158
+ - type: cosine_precision@1
159
+ value: 0.7948439352034768
160
+ name: Cosine Precision@1
161
+ - type: cosine_precision@3
162
+ value: 0.306845120505729
163
+ name: Cosine Precision@3
164
+ - type: cosine_precision@5
165
+ value: 0.1869419201896484
166
+ name: Cosine Precision@5
167
+ - type: cosine_precision@10
168
+ value: 0.09473528249703676
169
+ name: Cosine Precision@10
170
+ - type: cosine_recall@1
171
+ value: 0.7948439352034768
172
+ name: Cosine Recall@1
173
+ - type: cosine_recall@3
174
+ value: 0.9205353615171868
175
+ name: Cosine Recall@3
176
+ - type: cosine_recall@5
177
+ value: 0.9347096009482418
178
+ name: Cosine Recall@5
179
+ - type: cosine_recall@10
180
+ value: 0.9473528249703674
181
+ name: Cosine Recall@10
182
+ - type: cosine_ndcg@10
183
+ value: 0.8817864955582441
184
+ name: Cosine Ndcg@10
185
+ - type: cosine_mrr@10
186
+ value: 0.8596923348886538
187
+ name: Cosine Mrr@10
188
+ - type: cosine_map@100
189
+ value: 0.8610794523479144
190
+ name: Cosine Map@100
191
+ - task:
192
+ type: information-retrieval
193
+ name: Information Retrieval
194
+ dataset:
195
+ name: dim 768
196
+ type: dim_768
197
+ metrics:
198
+ - type: cosine_accuracy@1
199
+ value: 0.7927696562623469
200
+ name: Cosine Accuracy@1
201
+ - type: cosine_accuracy@3
202
+ value: 0.9198933227973133
203
+ name: Cosine Accuracy@3
204
+ - type: cosine_accuracy@5
205
+ value: 0.9340675622283683
206
+ name: Cosine Accuracy@5
207
+ - type: cosine_accuracy@10
208
+ value: 0.9465626234689846
209
+ name: Cosine Accuracy@10
210
+ - type: cosine_precision@1
211
+ value: 0.7927696562623469
212
+ name: Cosine Precision@1
213
+ - type: cosine_precision@3
214
+ value: 0.3066311075991044
215
+ name: Cosine Precision@3
216
+ - type: cosine_precision@5
217
+ value: 0.18681351244567365
218
+ name: Cosine Precision@5
219
+ - type: cosine_precision@10
220
+ value: 0.09465626234689846
221
+ name: Cosine Precision@10
222
+ - type: cosine_recall@1
223
+ value: 0.7927696562623469
224
+ name: Cosine Recall@1
225
+ - type: cosine_recall@3
226
+ value: 0.9198933227973133
227
+ name: Cosine Recall@3
228
+ - type: cosine_recall@5
229
+ value: 0.9340675622283683
230
+ name: Cosine Recall@5
231
+ - type: cosine_recall@10
232
+ value: 0.9465626234689846
233
+ name: Cosine Recall@10
234
+ - type: cosine_ndcg@10
235
+ value: 0.8805084163364723
236
+ name: Cosine Ndcg@10
237
+ - type: cosine_mrr@10
238
+ value: 0.8582397124858148
239
+ name: Cosine Mrr@10
240
+ - type: cosine_map@100
241
+ value: 0.8596200861512284
242
+ name: Cosine Map@100
243
+ - task:
244
+ type: information-retrieval
245
+ name: Information Retrieval
246
+ dataset:
247
+ name: dim 512
248
+ type: dim_512
249
+ metrics:
250
+ - type: cosine_accuracy@1
251
+ value: 0.7921770051363097
252
+ name: Cosine Accuracy@1
253
+ - type: cosine_accuracy@3
254
+ value: 0.9187574081390755
255
+ name: Cosine Accuracy@3
256
+ - type: cosine_accuracy@5
257
+ value: 0.9316475701303832
258
+ name: Cosine Accuracy@5
259
+ - type: cosine_accuracy@10
260
+ value: 0.9446858949032003
261
+ name: Cosine Accuracy@10
262
+ - type: cosine_precision@1
263
+ value: 0.7921770051363097
264
+ name: Cosine Precision@1
265
+ - type: cosine_precision@3
266
+ value: 0.30625246937969175
267
+ name: Cosine Precision@3
268
+ - type: cosine_precision@5
269
+ value: 0.18632951402607667
270
+ name: Cosine Precision@5
271
+ - type: cosine_precision@10
272
+ value: 0.09446858949032005
273
+ name: Cosine Precision@10
274
+ - type: cosine_recall@1
275
+ value: 0.7921770051363097
276
+ name: Cosine Recall@1
277
+ - type: cosine_recall@3
278
+ value: 0.9187574081390755
279
+ name: Cosine Recall@3
280
+ - type: cosine_recall@5
281
+ value: 0.9316475701303832
282
+ name: Cosine Recall@5
283
+ - type: cosine_recall@10
284
+ value: 0.9446858949032003
285
+ name: Cosine Recall@10
286
+ - type: cosine_ndcg@10
287
+ value: 0.8792920452275124
288
+ name: Cosine Ndcg@10
289
+ - type: cosine_mrr@10
290
+ value: 0.857240476033695
291
+ name: Cosine Mrr@10
292
+ - type: cosine_map@100
293
+ value: 0.858646487778512
294
+ name: Cosine Map@100
295
+ - task:
296
+ type: information-retrieval
297
+ name: Information Retrieval
298
+ dataset:
299
+ name: dim 256
300
+ type: dim_256
301
+ metrics:
302
+ - type: cosine_accuracy@1
303
+ value: 0.7871394705649941
304
+ name: Cosine Accuracy@1
305
+ - type: cosine_accuracy@3
306
+ value: 0.9129296720663769
307
+ name: Cosine Accuracy@3
308
+ - type: cosine_accuracy@5
309
+ value: 0.9268075859344133
310
+ name: Cosine Accuracy@5
311
+ - type: cosine_accuracy@10
312
+ value: 0.9414263137099961
313
+ name: Cosine Accuracy@10
314
+ - type: cosine_precision@1
315
+ value: 0.7871394705649941
316
+ name: Cosine Precision@1
317
+ - type: cosine_precision@3
318
+ value: 0.3043098906887923
319
+ name: Cosine Precision@3
320
+ - type: cosine_precision@5
321
+ value: 0.18536151718688268
322
+ name: Cosine Precision@5
323
+ - type: cosine_precision@10
324
+ value: 0.09414263137099962
325
+ name: Cosine Precision@10
326
+ - type: cosine_recall@1
327
+ value: 0.7871394705649941
328
+ name: Cosine Recall@1
329
+ - type: cosine_recall@3
330
+ value: 0.9129296720663769
331
+ name: Cosine Recall@3
332
+ - type: cosine_recall@5
333
+ value: 0.9268075859344133
334
+ name: Cosine Recall@5
335
+ - type: cosine_recall@10
336
+ value: 0.9414263137099961
337
+ name: Cosine Recall@10
338
+ - type: cosine_ndcg@10
339
+ value: 0.8746513367400706
340
+ name: Cosine Ndcg@10
341
+ - type: cosine_mrr@10
342
+ value: 0.8522241075740239
343
+ name: Cosine Mrr@10
344
+ - type: cosine_map@100
345
+ value: 0.8536655855801353
346
+ name: Cosine Map@100
347
+ - task:
348
+ type: information-retrieval
349
+ name: Information Retrieval
350
+ dataset:
351
+ name: dim 128
352
+ type: dim_128
353
+ metrics:
354
+ - type: cosine_accuracy@1
355
+ value: 0.777903990517582
356
+ name: Cosine Accuracy@1
357
+ - type: cosine_accuracy@3
358
+ value: 0.904632556301857
359
+ name: Cosine Accuracy@3
360
+ - type: cosine_accuracy@5
361
+ value: 0.9177696562623469
362
+ name: Cosine Accuracy@5
363
+ - type: cosine_accuracy@10
364
+ value: 0.9329316475701304
365
+ name: Cosine Accuracy@10
366
+ - type: cosine_precision@1
367
+ value: 0.777903990517582
368
+ name: Cosine Precision@1
369
+ - type: cosine_precision@3
370
+ value: 0.3015441854339523
371
+ name: Cosine Precision@3
372
+ - type: cosine_precision@5
373
+ value: 0.1835539312524694
374
+ name: Cosine Precision@5
375
+ - type: cosine_precision@10
376
+ value: 0.09329316475701306
377
+ name: Cosine Precision@10
378
+ - type: cosine_recall@1
379
+ value: 0.777903990517582
380
+ name: Cosine Recall@1
381
+ - type: cosine_recall@3
382
+ value: 0.904632556301857
383
+ name: Cosine Recall@3
384
+ - type: cosine_recall@5
385
+ value: 0.9177696562623469
386
+ name: Cosine Recall@5
387
+ - type: cosine_recall@10
388
+ value: 0.9329316475701304
389
+ name: Cosine Recall@10
390
+ - type: cosine_ndcg@10
391
+ value: 0.865788698082033
392
+ name: Cosine Ndcg@10
393
+ - type: cosine_mrr@10
394
+ value: 0.8432427384558511
395
+ name: Cosine Mrr@10
396
+ - type: cosine_map@100
397
+ value: 0.8449138896139231
398
+ name: Cosine Map@100
399
+ - task:
400
+ type: information-retrieval
401
+ name: Information Retrieval
402
+ dataset:
403
+ name: dim 64
404
+ type: dim_64
405
+ metrics:
406
+ - type: cosine_accuracy@1
407
+ value: 0.7547905966021335
408
+ name: Cosine Accuracy@1
409
+ - type: cosine_accuracy@3
410
+ value: 0.8831983405768471
411
+ name: Cosine Accuracy@3
412
+ - type: cosine_accuracy@5
413
+ value: 0.8993480837613591
414
+ name: Cosine Accuracy@5
415
+ - type: cosine_accuracy@10
416
+ value: 0.918016594231529
417
+ name: Cosine Accuracy@10
418
+ - type: cosine_precision@1
419
+ value: 0.7547905966021335
420
+ name: Cosine Precision@1
421
+ - type: cosine_precision@3
422
+ value: 0.294399446858949
423
+ name: Cosine Precision@3
424
+ - type: cosine_precision@5
425
+ value: 0.17986961675227184
426
+ name: Cosine Precision@5
427
+ - type: cosine_precision@10
428
+ value: 0.09180165942315291
429
+ name: Cosine Precision@10
430
+ - type: cosine_recall@1
431
+ value: 0.7547905966021335
432
+ name: Cosine Recall@1
433
+ - type: cosine_recall@3
434
+ value: 0.8831983405768471
435
+ name: Cosine Recall@3
436
+ - type: cosine_recall@5
437
+ value: 0.8993480837613591
438
+ name: Cosine Recall@5
439
+ - type: cosine_recall@10
440
+ value: 0.918016594231529
441
+ name: Cosine Recall@10
442
+ - type: cosine_ndcg@10
443
+ value: 0.8459093589204112
444
+ name: Cosine Ndcg@10
445
+ - type: cosine_mrr@10
446
+ value: 0.821874039685682
447
+ name: Cosine Mrr@10
448
+ - type: cosine_map@100
449
+ value: 0.8238103416018093
450
+ name: Cosine Map@100
451
+ ---
452
+
453
+ # ReDiX/multilingual-e5-large
454
+
455
+ This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [intfloat/multilingual-e5-large](https://huggingface.co/intfloat/multilingual-e5-large) on the data dataset. 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.
456
+
457
+ ## Model Details
458
+
459
+ ### Model Description
460
+ - **Model Type:** Sentence Transformer
461
+ - **Base model:** [intfloat/multilingual-e5-large](https://huggingface.co/intfloat/multilingual-e5-large) <!-- at revision ab10c1a7f42e74530fe7ae5be82e6d4f11a719eb -->
462
+ - **Maximum Sequence Length:** 512 tokens
463
+ - **Output Dimensionality:** 1024 dimensions
464
+ - **Similarity Function:** Cosine Similarity
465
+ - **Training Dataset:**
466
+ - data
467
+ - **Language:** it
468
+ - **License:** apache-2.0
469
+
470
+ ### Model Sources
471
+
472
+ - **Documentation:** [Sentence Transformers Documentation](https://sbert.net)
473
+ - **Repository:** [Sentence Transformers on GitHub](https://github.com/UKPLab/sentence-transformers)
474
+ - **Hugging Face:** [Sentence Transformers on Hugging Face](https://huggingface.co/models?library=sentence-transformers)
475
+
476
+ ### Full Model Architecture
477
+
478
+ ```
479
+ SentenceTransformer(
480
+ (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: XLMRobertaModel
481
+ (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})
482
+ (2): Normalize()
483
+ )
484
+ ```
485
+
486
+ ## Usage
487
+
488
+ ### Direct Usage (Sentence Transformers)
489
+
490
+ First install the Sentence Transformers library:
491
+
492
+ ```bash
493
+ pip install -U sentence-transformers
494
+ ```
495
+
496
+ Then you can load this model and run inference.
497
+ ```python
498
+ from sentence_transformers import SentenceTransformer
499
+
500
+ # Download from the 🤗 Hub
501
+ model = SentenceTransformer("mik3ml/multilingual-e5-large-ita")
502
+ # Run inference
503
+ sentences = [
504
+ "Precipitine sieriche contro i microbi nel fieno ammuffito rispetto all'età, al sesso, all'atopia e al fumo degli agricoltori.Questo studio si è basato su un campione di 3.065 agricoltori su una popolazione più ampia di 12.056 agricoltori finlandesi. I dati sono stati raccolti in un'indagine postale condotta dall'Istituto di previdenza sociale della Finlandia. Campioni di siero per la determinazione degli anticorpi precipitanti sono stati prelevati presso i centri sanitari locali. Le precipitazioni sono state determinate con il metodo della micropiastra diffusione immunitaria. Il pannello dell'antigene era costituito da antigeni miceliali di Micropolyspora faeni, Thermoactinomyces vulgaris, Aspergillus fumigatus e Aspergillus umbrosus. Precipitine a uno qualsiasi dei quattro microbi sono state rilevate nell'8,6% dei sieri. Le cause più comuni di test di precipitina positivi erano Aspergillus umbrosus e Thermoactinomyces vulgaris, che concorda con i risultati precedenti riportati dalla Finlandia In generale, le precipitine erano più prevalenti tra le donne, il che corrisponde alle tradizioni culturali locali e negli agricoltori più anziani. La prevalenza delle precipitine non differiva tra i soggetti non atopici e atopici (definiti come coesistenza passata o presente di dermatite atopica inclusi eczema infantile e/o febbre da fieno o altre riniti allergiche). Al contrario, la prevalenza delle precipitine era circa 1,5-2 volte maggiore tra i non fumatori rispetto ai fumatori, il che conferma i risultati dei rapporti precedenti. Negli studi futuri sulla presenza di precipitine, i dati dovrebbero essere controllati rispetto all'età, al sesso e al fumo. ",
505
+ 'Quali sono i quattro microbi che sono stati utilizzati per la determinazione delle precipitine nel siero degli agricoltori?',
506
+ 'Le strutture tricline delle proteine bovine a basso pH e ovine ad alto pH sono simili nonostante la transizione conformazionale pH-dipendente delle proteine bovina e suina?',
507
+ ]
508
+ embeddings = model.encode(sentences)
509
+ print(embeddings.shape)
510
+ # [3, 1024]
511
+
512
+ # Get the similarity scores for the embeddings
513
+ similarities = model.similarity(embeddings, embeddings)
514
+ print(similarities.shape)
515
+ # [3, 3]
516
+ ```
517
+
518
+ <!--
519
+ ### Direct Usage (Transformers)
520
+
521
+ <details><summary>Click to see the direct usage in Transformers</summary>
522
+
523
+ </details>
524
+ -->
525
+
526
+ <!--
527
+ ### Downstream Usage (Sentence Transformers)
528
+
529
+ You can finetune this model on your own dataset.
530
+
531
+ <details><summary>Click to expand</summary>
532
+
533
+ </details>
534
+ -->
535
+
536
+ <!--
537
+ ### Out-of-Scope Use
538
+
539
+ *List how the model may foreseeably be misused and address what users ought not to do with the model.*
540
+ -->
541
+
542
+ ## Evaluation
543
+
544
+ ### Metrics
545
+
546
+ #### Information Retrieval
547
+
548
+ * Datasets: `dim_1024`, `dim_768`, `dim_512`, `dim_256`, `dim_128` and `dim_64`
549
+ * Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
550
+
551
+ | Metric | dim_1024 | dim_768 | dim_512 | dim_256 | dim_128 | dim_64 |
552
+ |:--------------------|:-----------|:-----------|:-----------|:-----------|:-----------|:-----------|
553
+ | cosine_accuracy@1 | 0.7948 | 0.7928 | 0.7922 | 0.7871 | 0.7779 | 0.7548 |
554
+ | cosine_accuracy@3 | 0.9205 | 0.9199 | 0.9188 | 0.9129 | 0.9046 | 0.8832 |
555
+ | cosine_accuracy@5 | 0.9347 | 0.9341 | 0.9316 | 0.9268 | 0.9178 | 0.8993 |
556
+ | cosine_accuracy@10 | 0.9474 | 0.9466 | 0.9447 | 0.9414 | 0.9329 | 0.918 |
557
+ | cosine_precision@1 | 0.7948 | 0.7928 | 0.7922 | 0.7871 | 0.7779 | 0.7548 |
558
+ | cosine_precision@3 | 0.3068 | 0.3066 | 0.3063 | 0.3043 | 0.3015 | 0.2944 |
559
+ | cosine_precision@5 | 0.1869 | 0.1868 | 0.1863 | 0.1854 | 0.1836 | 0.1799 |
560
+ | cosine_precision@10 | 0.0947 | 0.0947 | 0.0945 | 0.0941 | 0.0933 | 0.0918 |
561
+ | cosine_recall@1 | 0.7948 | 0.7928 | 0.7922 | 0.7871 | 0.7779 | 0.7548 |
562
+ | cosine_recall@3 | 0.9205 | 0.9199 | 0.9188 | 0.9129 | 0.9046 | 0.8832 |
563
+ | cosine_recall@5 | 0.9347 | 0.9341 | 0.9316 | 0.9268 | 0.9178 | 0.8993 |
564
+ | cosine_recall@10 | 0.9474 | 0.9466 | 0.9447 | 0.9414 | 0.9329 | 0.918 |
565
+ | **cosine_ndcg@10** | **0.8818** | **0.8805** | **0.8793** | **0.8747** | **0.8658** | **0.8459** |
566
+ | cosine_mrr@10 | 0.8597 | 0.8582 | 0.8572 | 0.8522 | 0.8432 | 0.8219 |
567
+ | cosine_map@100 | 0.8611 | 0.8596 | 0.8586 | 0.8537 | 0.8449 | 0.8238 |
568
+
569
+ <!--
570
+ ## Bias, Risks and Limitations
571
+
572
+ *What are the known or foreseeable issues stemming from this model? You could also flag here known failure cases or weaknesses of the model.*
573
+ -->
574
+
575
+ <!--
576
+ ### Recommendations
577
+
578
+ *What are recommendations with respect to the foreseeable issues? For example, filtering explicit content.*
579
+ -->
580
+
581
+ ## Training Details
582
+
583
+ ### Training Dataset
584
+
585
+ #### data
586
+
587
+ * Dataset: data
588
+ * Size: 182,223 training samples
589
+ * Columns: <code>positive</code> and <code>anchor</code>
590
+ * Approximate statistics based on the first 1000 samples:
591
+ | | positive | anchor |
592
+ |:--------|:-------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|
593
+ | type | string | string |
594
+ | details | <ul><li>min: 12 tokens</li><li>mean: 416.02 tokens</li><li>max: 512 tokens</li></ul> | <ul><li>min: 7 tokens</li><li>mean: 19.33 tokens</li><li>max: 69 tokens</li></ul> |
595
+ * Samples:
596
+ | positive | anchor |
597
+ |:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------------------------------|
598
+ | <code>Thomas Poulsen<br><br><br>Palmarès<br><br>Olimpiadi<br>1 medaglia:<br>1 oro ( nel 4 senza pesi leggeri)<br><br>Collegamenti esterni</code> | <code>In quale categoria ha vinto la sua unica medaglia olimpica?</code> |
599
+ | <code>Porta di Saint Denis<br>La porta di Saint Denis (porte Saint-Denis in francese) è un arco di trionfo situato nel X arrondissement di Parigi, costruito nel 1672 su progetto dall'architetto François Blondel, in onore del re Luigi XIV. <br>È uno dei monumenti più rappresentativi dell'arte ufficiale della sua epoca, secondo tutte le antologie.<br><br>Storia<br><br>Con l'espansione urbanistica di Parigi, la cinta muraria di Carlo V del XIV secolo fu sostituita da una barriera affiancata da un viale alberato (boulevard): le porte trionfali prendono, quindi, il posto di quelle fortificate del Medioevo.<br><br>La porta di Saint-Denis fu eretta nel 1672, sulla base del progetto di François Blondel, direttore dell'Accademia reale dell'architettura, e dello scultore Michel Anguier su commissione del re Luigi XIV, per celebrare le sue vittorie lungo il Reno, in Franca Contea e nei dintorni della città.<br><br>La porta fu costruita al di sopra di un bastione del secolo precedente, in sostituzione di una porta medievale, e si tr...</code> | <code>Quali elementi architettonici e decorativi sono presenti nell'arco di trionfo di Saint Denis?</code> |
600
+ | <code>Provincia di Venezia<br>La provincia di Venezia (provincia de Venesia in veneto, provincie di Vignesie in friulano) è stata una provincia italiana del Veneto, sostituita nel 2015 dall'omonima città metropolitana. Storia La provincia fu creata nel 1866, col passaggio all'Italia del Veneto in seguito alla Terza Guerra d'Indipendenza, sostituendo l'omonimo ente amministrativo austriaco. Quest'ultimo aveva a sua volta sostituito il Dipartimento dell'Adriatico napoleonico, che, a differenza delle successive suddivisioni amministrative, comprendeva anche i cantoni friulani (suddivisione amministrativa francese equivalente al mandamento) di Aquileia, Latisana e Portogruaro. Le prime elezioni provinciali si tennero il 23 dicembre 1866. Geografia fisica La provincia di Venezia era sostanzialmente una realtà eterogenea, che univa all'interno di un unico territorio più circondari: Venezia, Chioggia, Cavarzere e Cona, Riviera del Brenta, Miranese, Sandonatese, Portogruarese. La provincia confinava co...</code> | <code>Chi sostituì l'omonimo ente amministrativo austriaco?</code> |
601
+ * Loss: [<code>MatryoshkaLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#matryoshkaloss) with these parameters:
602
+ ```json
603
+ {
604
+ "loss": "MultipleNegativesRankingLoss",
605
+ "matryoshka_dims": [
606
+ 1024,
607
+ 768,
608
+ 512,
609
+ 256,
610
+ 128,
611
+ 64
612
+ ],
613
+ "matryoshka_weights": [
614
+ 1,
615
+ 1,
616
+ 1,
617
+ 1,
618
+ 1,
619
+ 1
620
+ ],
621
+ "n_dims_per_step": -1
622
+ }
623
+ ```
624
+
625
+ ### Training Hyperparameters
626
+ #### Non-Default Hyperparameters
627
+
628
+ - `eval_strategy`: epoch
629
+ - `per_device_train_batch_size`: 32
630
+ - `per_device_eval_batch_size`: 16
631
+ - `gradient_accumulation_steps`: 16
632
+ - `learning_rate`: 2e-05
633
+ - `lr_scheduler_type`: cosine
634
+ - `warmup_ratio`: 0.1
635
+ - `bf16`: True
636
+ - `tf32`: True
637
+ - `load_best_model_at_end`: True
638
+ - `optim`: adamw_torch_fused
639
+ - `batch_sampler`: no_duplicates
640
+
641
+ #### All Hyperparameters
642
+ <details><summary>Click to expand</summary>
643
+
644
+ - `overwrite_output_dir`: False
645
+ - `do_predict`: False
646
+ - `eval_strategy`: epoch
647
+ - `prediction_loss_only`: True
648
+ - `per_device_train_batch_size`: 32
649
+ - `per_device_eval_batch_size`: 16
650
+ - `per_gpu_train_batch_size`: None
651
+ - `per_gpu_eval_batch_size`: None
652
+ - `gradient_accumulation_steps`: 16
653
+ - `eval_accumulation_steps`: None
654
+ - `torch_empty_cache_steps`: None
655
+ - `learning_rate`: 2e-05
656
+ - `weight_decay`: 0.0
657
+ - `adam_beta1`: 0.9
658
+ - `adam_beta2`: 0.999
659
+ - `adam_epsilon`: 1e-08
660
+ - `max_grad_norm`: 1.0
661
+ - `num_train_epochs`: 3
662
+ - `max_steps`: -1
663
+ - `lr_scheduler_type`: cosine
664
+ - `lr_scheduler_kwargs`: {}
665
+ - `warmup_ratio`: 0.1
666
+ - `warmup_steps`: 0
667
+ - `log_level`: passive
668
+ - `log_level_replica`: warning
669
+ - `log_on_each_node`: True
670
+ - `logging_nan_inf_filter`: True
671
+ - `save_safetensors`: True
672
+ - `save_on_each_node`: False
673
+ - `save_only_model`: False
674
+ - `restore_callback_states_from_checkpoint`: False
675
+ - `no_cuda`: False
676
+ - `use_cpu`: False
677
+ - `use_mps_device`: False
678
+ - `seed`: 42
679
+ - `data_seed`: None
680
+ - `jit_mode_eval`: False
681
+ - `use_ipex`: False
682
+ - `bf16`: True
683
+ - `fp16`: False
684
+ - `fp16_opt_level`: O1
685
+ - `half_precision_backend`: auto
686
+ - `bf16_full_eval`: False
687
+ - `fp16_full_eval`: False
688
+ - `tf32`: True
689
+ - `local_rank`: 0
690
+ - `ddp_backend`: None
691
+ - `tpu_num_cores`: None
692
+ - `tpu_metrics_debug`: False
693
+ - `debug`: []
694
+ - `dataloader_drop_last`: False
695
+ - `dataloader_num_workers`: 0
696
+ - `dataloader_prefetch_factor`: None
697
+ - `past_index`: -1
698
+ - `disable_tqdm`: False
699
+ - `remove_unused_columns`: True
700
+ - `label_names`: None
701
+ - `load_best_model_at_end`: True
702
+ - `ignore_data_skip`: False
703
+ - `fsdp`: []
704
+ - `fsdp_min_num_params`: 0
705
+ - `fsdp_config`: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
706
+ - `fsdp_transformer_layer_cls_to_wrap`: None
707
+ - `accelerator_config`: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
708
+ - `deepspeed`: None
709
+ - `label_smoothing_factor`: 0.0
710
+ - `optim`: adamw_torch_fused
711
+ - `optim_args`: None
712
+ - `adafactor`: False
713
+ - `group_by_length`: False
714
+ - `length_column_name`: length
715
+ - `ddp_find_unused_parameters`: None
716
+ - `ddp_bucket_cap_mb`: None
717
+ - `ddp_broadcast_buffers`: False
718
+ - `dataloader_pin_memory`: True
719
+ - `dataloader_persistent_workers`: False
720
+ - `skip_memory_metrics`: True
721
+ - `use_legacy_prediction_loop`: False
722
+ - `push_to_hub`: False
723
+ - `resume_from_checkpoint`: None
724
+ - `hub_model_id`: None
725
+ - `hub_strategy`: every_save
726
+ - `hub_private_repo`: False
727
+ - `hub_always_push`: False
728
+ - `gradient_checkpointing`: False
729
+ - `gradient_checkpointing_kwargs`: None
730
+ - `include_inputs_for_metrics`: False
731
+ - `include_for_metrics`: []
732
+ - `eval_do_concat_batches`: True
733
+ - `fp16_backend`: auto
734
+ - `push_to_hub_model_id`: None
735
+ - `push_to_hub_organization`: None
736
+ - `mp_parameters`:
737
+ - `auto_find_batch_size`: False
738
+ - `full_determinism`: False
739
+ - `torchdynamo`: None
740
+ - `ray_scope`: last
741
+ - `ddp_timeout`: 1800
742
+ - `torch_compile`: False
743
+ - `torch_compile_backend`: None
744
+ - `torch_compile_mode`: None
745
+ - `dispatch_batches`: None
746
+ - `split_batches`: None
747
+ - `include_tokens_per_second`: False
748
+ - `include_num_input_tokens_seen`: False
749
+ - `neftune_noise_alpha`: None
750
+ - `optim_target_modules`: None
751
+ - `batch_eval_metrics`: False
752
+ - `eval_on_start`: False
753
+ - `use_liger_kernel`: False
754
+ - `eval_use_gather_object`: False
755
+ - `prompts`: None
756
+ - `batch_sampler`: no_duplicates
757
+ - `multi_dataset_batch_sampler`: proportional
758
+
759
+ </details>
760
+
761
+ ### Training Logs
762
+ <details><summary>Click to expand</summary>
763
+
764
+ | Epoch | Step | Training Loss | dim_1024_cosine_ndcg@10 | dim_768_cosine_ndcg@10 | dim_512_cosine_ndcg@10 | dim_256_cosine_ndcg@10 | dim_128_cosine_ndcg@10 | dim_64_cosine_ndcg@10 |
765
+ |:----------:|:-------:|:-------------:|:-----------------------:|:----------------------:|:----------------------:|:----------------------:|:----------------------:|:---------------------:|
766
+ | 0.0281 | 10 | 136.2519 | - | - | - | - | - | - |
767
+ | 0.0562 | 20 | 93.5635 | - | - | - | - | - | - |
768
+ | 0.0843 | 30 | 39.1184 | - | - | - | - | - | - |
769
+ | 0.1124 | 40 | 19.4777 | - | - | - | - | - | - |
770
+ | 0.1405 | 50 | 10.0755 | - | - | - | - | - | - |
771
+ | 0.1686 | 60 | 7.4115 | - | - | - | - | - | - |
772
+ | 0.1967 | 70 | 5.8366 | - | - | - | - | - | - |
773
+ | 0.2248 | 80 | 5.6908 | - | - | - | - | - | - |
774
+ | 0.2529 | 90 | 5.6481 | - | - | - | - | - | - |
775
+ | 0.2809 | 100 | 4.8332 | - | - | - | - | - | - |
776
+ | 0.3090 | 110 | 5.2106 | - | - | - | - | - | - |
777
+ | 0.3371 | 120 | 5.2924 | - | - | - | - | - | - |
778
+ | 0.3652 | 130 | 4.2509 | - | - | - | - | - | - |
779
+ | 0.3933 | 140 | 4.0525 | - | - | - | - | - | - |
780
+ | 0.4214 | 150 | 3.7339 | - | - | - | - | - | - |
781
+ | 0.4495 | 160 | 3.4459 | - | - | - | - | - | - |
782
+ | 0.4776 | 170 | 3.4454 | - | - | - | - | - | - |
783
+ | 0.5057 | 180 | 3.5051 | - | - | - | - | - | - |
784
+ | 0.5338 | 190 | 3.1434 | - | - | - | - | - | - |
785
+ | 0.5619 | 200 | 3.4567 | - | - | - | - | - | - |
786
+ | 0.5900 | 210 | 3.7854 | - | - | - | - | - | - |
787
+ | 0.6181 | 220 | 3.7576 | - | - | - | - | - | - |
788
+ | 0.6462 | 230 | 3.2254 | - | - | - | - | - | - |
789
+ | 0.6743 | 240 | 3.5808 | - | - | - | - | - | - |
790
+ | 0.7024 | 250 | 3.7216 | - | - | - | - | - | - |
791
+ | 0.7305 | 260 | 2.9924 | - | - | - | - | - | - |
792
+ | 0.7586 | 270 | 3.4136 | - | - | - | - | - | - |
793
+ | 0.7867 | 280 | 3.4912 | - | - | - | - | - | - |
794
+ | 0.8147 | 290 | 3.1589 | - | - | - | - | - | - |
795
+ | 0.8428 | 300 | 3.1169 | - | - | - | - | - | - |
796
+ | 0.8709 | 310 | 3.2492 | - | - | - | - | - | - |
797
+ | 0.8990 | 320 | 3.0045 | - | - | - | - | - | - |
798
+ | 0.9271 | 330 | 3.424 | - | - | - | - | - | - |
799
+ | 0.9552 | 340 | 3.0119 | - | - | - | - | - | - |
800
+ | 0.9833 | 350 | 2.8333 | - | - | - | - | - | - |
801
+ | 0.9974 | 355 | - | 0.8821 | 0.8805 | 0.8795 | 0.8720 | 0.8617 | 0.8327 |
802
+ | 1.0114 | 360 | 3.1381 | - | - | - | - | - | - |
803
+ | 1.0395 | 370 | 2.7908 | - | - | - | - | - | - |
804
+ | 1.0676 | 380 | 2.5703 | - | - | - | - | - | - |
805
+ | 1.0957 | 390 | 2.5087 | - | - | - | - | - | - |
806
+ | 1.1238 | 400 | 2.3044 | - | - | - | - | - | - |
807
+ | 1.1519 | 410 | 2.0035 | - | - | - | - | - | - |
808
+ | 1.1800 | 420 | 1.8526 | - | - | - | - | - | - |
809
+ | 1.2081 | 430 | 1.8608 | - | - | - | - | - | - |
810
+ | 1.2362 | 440 | 1.6593 | - | - | - | - | - | - |
811
+ | 1.2643 | 450 | 1.8343 | - | - | - | - | - | - |
812
+ | 1.2924 | 460 | 1.4608 | - | - | - | - | - | - |
813
+ | 1.3205 | 470 | 1.4987 | - | - | - | - | - | - |
814
+ | 1.3486 | 480 | 1.4047 | - | - | - | - | - | - |
815
+ | 1.3766 | 490 | 1.449 | - | - | - | - | - | - |
816
+ | 1.4047 | 500 | 1.2679 | - | - | - | - | - | - |
817
+ | 1.4328 | 510 | 1.3128 | - | - | - | - | - | - |
818
+ | 1.4609 | 520 | 1.1416 | - | - | - | - | - | - |
819
+ | 1.4890 | 530 | 1.1702 | - | - | - | - | - | - |
820
+ | 1.5171 | 540 | 0.875 | - | - | - | - | - | - |
821
+ | 1.5452 | 550 | 1.1781 | - | - | - | - | - | - |
822
+ | 1.5733 | 560 | 1.2128 | - | - | - | - | - | - |
823
+ | 1.6014 | 570 | 1.407 | - | - | - | - | - | - |
824
+ | 1.6295 | 580 | 1.0243 | - | - | - | - | - | - |
825
+ | 1.6576 | 590 | 1.2503 | - | - | - | - | - | - |
826
+ | 1.6857 | 600 | 1.1823 | - | - | - | - | - | - |
827
+ | 1.7138 | 610 | 0.9505 | - | - | - | - | - | - |
828
+ | 1.7419 | 620 | 1.1575 | - | - | - | - | - | - |
829
+ | 1.7700 | 630 | 1.1425 | - | - | - | - | - | - |
830
+ | 1.7981 | 640 | 1.2302 | - | - | - | - | - | - |
831
+ | 1.8262 | 650 | 1.2546 | - | - | - | - | - | - |
832
+ | 1.8543 | 660 | 1.1812 | - | - | - | - | - | - |
833
+ | 1.8824 | 670 | 1.2926 | - | - | - | - | - | - |
834
+ | 1.9104 | 680 | 1.2066 | - | - | - | - | - | - |
835
+ | 1.9385 | 690 | 1.2115 | - | - | - | - | - | - |
836
+ | 1.9666 | 700 | 1.0249 | - | - | - | - | - | - |
837
+ | 1.9947 | 710 | 1.1983 | - | - | - | - | - | - |
838
+ | **1.9975** | **711** | **-** | **0.8836** | **0.8823** | **0.8805** | **0.8752** | **0.8661** | **0.8446** |
839
+ | 2.0228 | 720 | 0.9967 | - | - | - | - | - | - |
840
+ | 2.0509 | 730 | 1.0107 | - | - | - | - | - | - |
841
+ | 2.0790 | 740 | 0.9413 | - | - | - | - | - | - |
842
+ | 2.1071 | 750 | 0.925 | - | - | - | - | - | - |
843
+ | 2.1352 | 760 | 0.5456 | - | - | - | - | - | - |
844
+ | 2.1633 | 770 | 0.6579 | - | - | - | - | - | - |
845
+ | 2.1914 | 780 | 0.6707 | - | - | - | - | - | - |
846
+ | 2.2195 | 790 | 0.6353 | - | - | - | - | - | - |
847
+ | 2.2476 | 800 | 0.5963 | - | - | - | - | - | - |
848
+ | 2.2757 | 810 | 0.6415 | - | - | - | - | - | - |
849
+ | 2.3038 | 820 | 0.5406 | - | - | - | - | - | - |
850
+ | 2.3319 | 830 | 0.6237 | - | - | - | - | - | - |
851
+ | 2.3600 | 840 | 0.624 | - | - | - | - | - | - |
852
+ | 2.3881 | 850 | 0.6492 | - | - | - | - | - | - |
853
+ | 2.4162 | 860 | 0.5391 | - | - | - | - | - | - |
854
+ | 2.4442 | 870 | 0.5127 | - | - | - | - | - | - |
855
+ | 2.4723 | 880 | 0.4845 | - | - | - | - | - | - |
856
+ | 2.5004 | 890 | 0.4985 | - | - | - | - | - | - |
857
+ | 2.5285 | 900 | 0.3705 | - | - | - | - | - | - |
858
+ | 2.5566 | 910 | 0.6361 | - | - | - | - | - | - |
859
+ | 2.5847 | 920 | 0.5917 | - | - | - | - | - | - |
860
+ | 2.6128 | 930 | 0.7143 | - | - | - | - | - | - |
861
+ | 2.6409 | 940 | 0.4301 | - | - | - | - | - | - |
862
+ | 2.6690 | 950 | 0.596 | - | - | - | - | - | - |
863
+ | 2.6971 | 960 | 0.5491 | - | - | - | - | - | - |
864
+ | 2.7252 | 970 | 0.4395 | - | - | - | - | - | - |
865
+ | 2.7533 | 980 | 0.5665 | - | - | - | - | - | - |
866
+ | 2.7814 | 990 | 0.6238 | - | - | - | - | - | - |
867
+ | 2.8095 | 1000 | 0.673 | - | - | - | - | - | - |
868
+ | 2.8376 | 1010 | 0.6221 | - | - | - | - | - | - |
869
+ | 2.8657 | 1020 | 0.8164 | - | - | - | - | - | - |
870
+ | 2.8938 | 1030 | 0.6686 | - | - | - | - | - | - |
871
+ | 2.9219 | 1040 | 0.8187 | - | - | - | - | - | - |
872
+ | 2.9500 | 1050 | 0.5303 | - | - | - | - | - | - |
873
+ | 2.9781 | 1060 | 0.6483 | - | - | - | - | - | - |
874
+ | 2.9921 | 1065 | - | 0.8818 | 0.8805 | 0.8793 | 0.8747 | 0.8658 | 0.8459 |
875
+
876
+ * The bold row denotes the saved checkpoint.
877
+ </details>
878
+
879
+ ### Framework Versions
880
+ - Python: 3.10.12
881
+ - Sentence Transformers: 3.3.0
882
+ - Transformers: 4.46.1
883
+ - PyTorch: 2.5.1+cu124
884
+ - Accelerate: 1.0.1
885
+ - Datasets: 3.0.2
886
+ - Tokenizers: 0.20.0
887
+
888
+ ## Citation
889
+
890
+ ### BibTeX
891
+
892
+ #### Sentence Transformers
893
+ ```bibtex
894
+ @inproceedings{reimers-2019-sentence-bert,
895
+ title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",
896
+ author = "Reimers, Nils and Gurevych, Iryna",
897
+ booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing",
898
+ month = "11",
899
+ year = "2019",
900
+ publisher = "Association for Computational Linguistics",
901
+ url = "https://arxiv.org/abs/1908.10084",
902
+ }
903
+ ```
904
+
905
+ #### MatryoshkaLoss
906
+ ```bibtex
907
+ @misc{kusupati2024matryoshka,
908
+ title={Matryoshka Representation Learning},
909
+ author={Aditya Kusupati and Gantavya Bhatt and Aniket Rege and Matthew Wallingford and Aditya Sinha and Vivek Ramanujan and William Howard-Snyder and Kaifeng Chen and Sham Kakade and Prateek Jain and Ali Farhadi},
910
+ year={2024},
911
+ eprint={2205.13147},
912
+ archivePrefix={arXiv},
913
+ primaryClass={cs.LG}
914
+ }
915
+ ```
916
+
917
+ #### MultipleNegativesRankingLoss
918
+ ```bibtex
919
+ @misc{henderson2017efficient,
920
+ title={Efficient Natural Language Response Suggestion for Smart Reply},
921
+ 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},
922
+ year={2017},
923
+ eprint={1705.00652},
924
+ archivePrefix={arXiv},
925
+ primaryClass={cs.CL}
926
+ }
927
+ ```
928
+
929
+ <!--
930
+ ## Glossary
931
+
932
+ *Clearly define terms in order to be accessible across audiences.*
933
+ -->
934
+
935
+ <!--
936
+ ## Model Card Authors
937
+
938
+ *Lists the people who create the model card, providing recognition and accountability for the detailed work that goes into its construction.*
939
+ -->
940
+
941
+ <!--
942
+ ## Model Card Contact
943
+
944
+ *Provides a way for people who have updates to the Model Card, suggestions, or questions, to contact the Model Card authors.*
945
+ -->
config.json ADDED
@@ -0,0 +1,28 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "_name_or_path": "intfloat/multilingual-e5-large",
3
+ "architectures": [
4
+ "XLMRobertaModel"
5
+ ],
6
+ "attention_probs_dropout_prob": 0.1,
7
+ "bos_token_id": 0,
8
+ "classifier_dropout": null,
9
+ "eos_token_id": 2,
10
+ "hidden_act": "gelu",
11
+ "hidden_dropout_prob": 0.1,
12
+ "hidden_size": 1024,
13
+ "initializer_range": 0.02,
14
+ "intermediate_size": 4096,
15
+ "layer_norm_eps": 1e-05,
16
+ "max_position_embeddings": 514,
17
+ "model_type": "xlm-roberta",
18
+ "num_attention_heads": 16,
19
+ "num_hidden_layers": 24,
20
+ "output_past": true,
21
+ "pad_token_id": 1,
22
+ "position_embedding_type": "absolute",
23
+ "torch_dtype": "float32",
24
+ "transformers_version": "4.46.1",
25
+ "type_vocab_size": 1,
26
+ "use_cache": true,
27
+ "vocab_size": 250002
28
+ }
config_sentence_transformers.json ADDED
@@ -0,0 +1,10 @@
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "__version__": {
3
+ "sentence_transformers": "3.3.0",
4
+ "transformers": "4.46.1",
5
+ "pytorch": "2.5.1+cu124"
6
+ },
7
+ "prompts": {},
8
+ "default_prompt_name": null,
9
+ "similarity_fn_name": "cosine"
10
+ }
model.safetensors ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:146d634952497a362cf9d174fbe0a6c0d6b432105301ceb1fdb453ecac1d5bab
3
+ size 2239607176
modules.json ADDED
@@ -0,0 +1,20 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ [
2
+ {
3
+ "idx": 0,
4
+ "name": "0",
5
+ "path": "",
6
+ "type": "sentence_transformers.models.Transformer"
7
+ },
8
+ {
9
+ "idx": 1,
10
+ "name": "1",
11
+ "path": "1_Pooling",
12
+ "type": "sentence_transformers.models.Pooling"
13
+ },
14
+ {
15
+ "idx": 2,
16
+ "name": "2",
17
+ "path": "2_Normalize",
18
+ "type": "sentence_transformers.models.Normalize"
19
+ }
20
+ ]
sentence_bert_config.json ADDED
@@ -0,0 +1,4 @@
 
 
 
 
 
1
+ {
2
+ "max_seq_length": 512,
3
+ "do_lower_case": false
4
+ }
sentencepiece.bpe.model ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:cfc8146abe2a0488e9e2a0c56de7952f7c11ab059eca145a0a727afce0db2865
3
+ size 5069051
special_tokens_map.json ADDED
@@ -0,0 +1,51 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "bos_token": {
3
+ "content": "<s>",
4
+ "lstrip": false,
5
+ "normalized": false,
6
+ "rstrip": false,
7
+ "single_word": false
8
+ },
9
+ "cls_token": {
10
+ "content": "<s>",
11
+ "lstrip": false,
12
+ "normalized": false,
13
+ "rstrip": false,
14
+ "single_word": false
15
+ },
16
+ "eos_token": {
17
+ "content": "</s>",
18
+ "lstrip": false,
19
+ "normalized": false,
20
+ "rstrip": false,
21
+ "single_word": false
22
+ },
23
+ "mask_token": {
24
+ "content": "<mask>",
25
+ "lstrip": true,
26
+ "normalized": false,
27
+ "rstrip": false,
28
+ "single_word": false
29
+ },
30
+ "pad_token": {
31
+ "content": "<pad>",
32
+ "lstrip": false,
33
+ "normalized": false,
34
+ "rstrip": false,
35
+ "single_word": false
36
+ },
37
+ "sep_token": {
38
+ "content": "</s>",
39
+ "lstrip": false,
40
+ "normalized": false,
41
+ "rstrip": false,
42
+ "single_word": false
43
+ },
44
+ "unk_token": {
45
+ "content": "<unk>",
46
+ "lstrip": false,
47
+ "normalized": false,
48
+ "rstrip": false,
49
+ "single_word": false
50
+ }
51
+ }
tokenizer.json ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:883b037111086fd4dfebbbc9b7cee11e1517b5e0c0514879478661440f137085
3
+ size 17082987
tokenizer_config.json ADDED
@@ -0,0 +1,54 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "added_tokens_decoder": {
3
+ "0": {
4
+ "content": "<s>",
5
+ "lstrip": false,
6
+ "normalized": false,
7
+ "rstrip": false,
8
+ "single_word": false,
9
+ "special": true
10
+ },
11
+ "1": {
12
+ "content": "<pad>",
13
+ "lstrip": false,
14
+ "normalized": false,
15
+ "rstrip": false,
16
+ "single_word": false,
17
+ "special": true
18
+ },
19
+ "2": {
20
+ "content": "</s>",
21
+ "lstrip": false,
22
+ "normalized": false,
23
+ "rstrip": false,
24
+ "single_word": false,
25
+ "special": true
26
+ },
27
+ "3": {
28
+ "content": "<unk>",
29
+ "lstrip": false,
30
+ "normalized": false,
31
+ "rstrip": false,
32
+ "single_word": false,
33
+ "special": true
34
+ },
35
+ "250001": {
36
+ "content": "<mask>",
37
+ "lstrip": true,
38
+ "normalized": false,
39
+ "rstrip": false,
40
+ "single_word": false,
41
+ "special": true
42
+ }
43
+ },
44
+ "bos_token": "<s>",
45
+ "clean_up_tokenization_spaces": true,
46
+ "cls_token": "<s>",
47
+ "eos_token": "</s>",
48
+ "mask_token": "<mask>",
49
+ "model_max_length": 512,
50
+ "pad_token": "<pad>",
51
+ "sep_token": "</s>",
52
+ "tokenizer_class": "XLMRobertaTokenizer",
53
+ "unk_token": "<unk>"
54
+ }