This is a sentence-transformers model finetuned from intfloat/multilingual-e5-large. 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
Maximum Sequence Length: 512 tokens
Output Dimensionality: 1024 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: 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.

python

from sentence_transformers import SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("George2002/sledopyt_embedder")
# Run inference
sentences = [
    'query: Какие шаги нужно предпринять после отрицательного решения по запросу на открытие счета?',
    'passage: Выбрать возраст ребенка\n\nребенку от 14 до 18 лет\n\nЕсли представитель ребенку от 14 до 18 лет является приемным родителем\n\nЗапросите следующие документы удостоверяющую личность или нотариально заверенную копию и один из документов, подтверждающие полномочия:\n\nДоговор о приемной семье\n\nДокумент органов опеки и попечительства \n\nПроставить галочку "Документы предъявлены" и нажать кнопку "Продолжить"',
    'q2p',
]
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]

Training Details

Training Dataset

Unnamed Dataset

Size: 1,541 training samples
Columns: anchor, positive, and task_type
Approximate statistics based on the first 1000 samples:
anchor positive task_type
type string string string
details
min: 11 tokens
mean: 21.95 tokens
max: 40 tokens
min: 12 tokens
mean: 162.56 tokens
max: 512 tokens
min: 5 tokens
mean: 5.0 tokens
max: 5 tokens

Samples:

anchor	positive	task_type
`query: Какие последствия, если родитель отключит показ карты ребенка в приложении?`	passage: Существуют следующие возможности:[object Object][object Object]08. Разблокировать карту:[object Object][object Object]Если ребенок заблокировал карту с причиной «Ее захватил банкомат» или «Я так хочу», то законный представитель сможет ее самостоятельно разблокировать, если с причиной «Украли или потерялось», то законный представитель сможет ее самостоятельно разблокировать только в случае, если с картой ничего не было утеряно (в остальных случаях не сможет разблокировать). Ребенок при разблокировке не получит уведомлений об этом, но увидит в своем МП СБОЛ, что карта разблокирована. При этом, ребенку также будет доступна возможность снова заблокировать карту.	`q2p`
`query: С какого момента ФУ начинают получать обслуживание в СБОЛ через ФП 'Представители и правопреемники'?`	passage: Описание функционала во вложении ниже.[object Object][object Object]Типичные вопросы по отображению молодёжных карт в МП СБОЛ родителя и ответы на них:[object Object][object Object]01. Кто может получить доступ к картам ребенка 14-17 лет ?[object Object][object Object]Установившие в Банке связь со своим ребенком 14-17 лет законные представители: Родитель/Усыновитель, Приемный родитель, Опекун (связь отображается в СБОЛ.Про - ФП «Подопечные и представители», а также в системе SmartCare. В CRM связь законного представителя и ребенка 14-17 лет НЕ отображается), по которым выполняется одно из следующих условий: [object Object][object Object]- СберКарта ребенка 14-17 лет была открыта и активирована до 16.11.2022 включительно, и ребенку исполнилось 14 лет до 16.11.2022 включительно.[object Object][object Object]- Законный представитель до пилота видел детскую СберКарту своего ребенка 13 лет в своем МП СберБанк Онлайн, и этому ребенку исполнилось 14 лет 17.11.2022 или позднее.	`q2p`
`query: Что отобразится в МП СБОЛ у ребенка после начала процесса закрытия карты?`	`passage: Заявление-анкета[object Object]Заявление-анкета`	`q2p`

Loss: MultipleNegativesRankingLoss with these parameters:
json
1{ 2 "scale": 20.0, 3 "similarity_fct": "cos_sim" 4}

Evaluation Dataset

Unnamed Dataset

Size: 82 evaluation samples
Columns: anchor, positive, and task_type
Approximate statistics based on the first 82 samples:
anchor positive task_type
type string string string
details
min: 16 tokens
mean: 21.44 tokens
max: 31 tokens
min: 15 tokens
mean: 144.37 tokens
max: 512 tokens
min: 5 tokens
mean: 5.0 tokens
max: 5 tokens

Samples:

anchor	positive	task_type
`query: Какая информация нужна работнику ВСП о Детской СберКарте?`	`passage: Возможные ошибки:[object Object][object Object]Связь не создана[object Object][object Object]Техническая ошибка. Повторите операцию позже.`	`q2p`
`query: Какое условие позволяет клиенту-банкрот распорядиться наследством в стадии "Реструктуризация долгов"?`	passage: В случае, если Клиент, обратившийся за получением наследства при идентификации обнаружен в Стоп-Листе банкротов: [object Object]- сообщить клиенту, что у Банка есть информация о его банкротстве и он может получить только Выплату на достойные похороны[object Object]- выплату наследства Банк осуществляет в зависимости от стадии банкротства:[object Object][object Object]!!! Получить наследство и распоряжаться им самостоятельно клиент банкрот может только после завершения процедуры банкротства. [object Object][object Object]Наследством банкрота в стадии реализация имущества распоряжается утвержденный для проведения процедуры финансовый управляющий.[object Object] [object Object]В этом случае [object Object][object Object]Наследником в заявке на выплату через ОЦ заводим банкрота, выплата наследства перевеодится ему на счет. [object Object]После выплаты, ФУ уже в рамках своих полномочий сможет этими ДС распорядиться.[object Object].[object Object][object Object]Стадия "Реструктуризация долгов"[object Object][object Object]В случае, если в отношении наследника умершего клиента - введена процедура "Реструктуризация долгов", клиент может распоряжаться наследством, только при предъявлении разрешения финан...	`q2p`
`query: Какие бумаги нужны, когда опекун ребенка выступает в роли представителя?`	passage: Право распоряжения средствами на счете согласно требованиям ГК РФ (п.2 ст. 26, п.1 ст.37)[object Object][object Object]суммы пенсии, пособий (за исключением пособий по безработице), алиментов, страховые, в том числе по потере кормильца, наследственные суммы и т.д., суммы, перечисленные третьими лицами, а также принятые наличными денежные средства от третьих лиц, в том числе от попечителя[object Object][object Object]Ограниченно дееспособный распоряжается только с:[object Object]письменного предварительного разрешения органа опеки и попечительства* и письменного согласия попечителя.[object Object](ниже по тексту во вложении Памятка по первичной проверке и передаче на хранение предварительного письменного разрешения органов опеки и попечительства сотрудником ВСП)[object Object][object Object]*Предварительное письменное разрешение органов опеки и попечительства на совершение операций по счетам ограниченно дееспособных может быть выдано через МФЦ в виде бумажного документа, заверенного печатью и подписью уполномоченного сотрудника МФЦ, и являющегося экземпляром электронного документа, подп...	`q2p`

Loss: MultipleNegativesRankingLoss with these parameters:
json
1{ 2 "scale": 20.0, 3 "similarity_fct": "cos_sim" 4}

Training Hyperparameters

Non-Default Hyperparameters

eval_strategy: steps
per_device_train_batch_size: 64
learning_rate: 1e-05
weight_decay: 0.01
num_train_epochs: 5
warmup_ratio: 0.1
load_best_model_at_end: True
push_to_hub: True
hub_model_id: George2002/sledopyt_embedder
hub_strategy: end

All Hyperparameters

Click to expand

overwrite_output_dir: False
do_predict: False
eval_strategy: steps
prediction_loss_only: True
per_device_train_batch_size: 64
per_device_eval_batch_size: 8
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: 1e-05
weight_decay: 0.01
adam_beta1: 0.9
adam_beta2: 0.999
adam_epsilon: 1e-08
max_grad_norm: 1.0
num_train_epochs: 5
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: False
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: True
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}
tp_size: 0
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: True
resume_from_checkpoint: None
hub_model_id: George2002/sledopyt_embedder
hub_strategy: end
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: batch_sampler
multi_dataset_batch_sampler: proportional

Training Logs

Epoch	Step	Training Loss	Validation Loss
0.8333	10	3.801	-
1.6667	20	3.4564	-
2.0833	25	-	1.7632
2.5	30	3.2725	-
3.3333	40	3.152	-
4.1667	50	3.0422	1.7122
5.0	60	2.9745	-

Framework Versions

Python: 3.10.12
Sentence Transformers: 4.1.0
Transformers: 4.51.3
PyTorch: 2.6.0+cu124
Accelerate: 1.6.0
Datasets: 3.5.0
Tokenizers: 0.21.1

Citation

BibTeX

Sentence Transformers

bibtex

@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

bibtex

@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}
}

	anchor	positive	task_type
type	string	string	string
details	min: 11 tokens mean: 21.95 tokens max: 40 tokens	min: 12 tokens mean: 162.56 tokens max: 512 tokens	min: 5 tokens mean: 5.0 tokens max: 5 tokens

George2002/sledopyt_embedder_train_on_test

SentenceTransformer based on intfloat/multilingual-e5-large

Model Details

Model Description

Model Sources

Full Model Architecture

Usage

Direct Usage (Sentence Transformers)

Training Details

Training Dataset

Unnamed Dataset

Evaluation Dataset

Unnamed Dataset

Training Hyperparameters

Non-Default Hyperparameters

All Hyperparameters

Training Logs

Framework Versions

Citation

BibTeX

Sentence Transformers

MultipleNegativesRankingLoss

George2002/
sledopyt_embedder_train_on_test