You can deploy this model and start earning money today!

HZeroxium/
paraphrase-multilingual-MiniLM-L12-v2-job-cv-multi-dataset

Name: paraphrase-multilingual-MiniLM-L12-v2-job-cv-multi-dataset
Availability: InStock

Views

No views yet

SentenceTransformer based on sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2

This is a sentence-transformers model finetuned from sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 on the binary, triplet, similarity, job_paraphrase and cv_paraphrase datasets. 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: sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2
Maximum Sequence Length: 128 tokens
Output Dimensionality: 384 dimensions
Similarity Function: Cosine Similarity
Training Datasets:

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': 128, '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})
)

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("paraphrase-multilingual-MiniLM-L12-v2-job-cv-multi-dataset")
# Run inference
sentences = [
    'Mobile Developer, kinh nghiệm lập trình ứng dụng iOS với Swift.',
    'Tuyển iOS Developer thành thạo Swift.',
    'Tuyển kỹ sư cơ khí giám sát dây chuyền sản xuất.',
]
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]

Evaluation

Metrics

Binary Classification

Evaluated with BinaryClassificationEvaluator

Metric	Value
cosine_accuracy	0.9755
cosine_accuracy_threshold	0.5809
cosine_f1	0.9779
cosine_f1_threshold	0.5644
cosine_precision	0.9833
cosine_recall	0.9725
cosine_ap	0.9956

Triplet

Evaluated with TripletEvaluator

Metric	Value
cosine_accuracy	1.0

Semantic Similarity

Evaluated with EmbeddingSimilarityEvaluator

Metric	Value
pearson_cosine	0.97
spearman_cosine	0.9431

Binary Classification

Evaluated with BinaryClassificationEvaluator

Metric	Value
cosine_accuracy	0.9968
cosine_accuracy_threshold	0.765
cosine_f1	0.9984
cosine_f1_threshold	0.765
cosine_precision	1.0
cosine_recall	0.9968
cosine_ap	1.0

Binary Classification

Evaluated with BinaryClassificationEvaluator

Metric	Value
cosine_accuracy	0.9936
cosine_accuracy_threshold	0.8211
cosine_f1	0.9968
cosine_f1_threshold	0.8211
cosine_precision	1.0
cosine_recall	0.9936
cosine_ap	1.0

Training Details

Training Datasets

binary

Dataset: binary at 8c79343
Size: 6,197 training samples
Columns: text1, text2, and label
Approximate statistics based on the first 1000 samples:
text1 text2 label
type string string int
details
min: 10 tokens
mean: 19.5 tokens
max: 38 tokens
min: 6 tokens
mean: 15.91 tokens
max: 27 tokens
0: ~43.70%
1: ~56.30%

Samples:

text1	text2	label
`Lập trình viên backend, 3 năm kinh nghiệm với Node.js và xây dựng API.`	`Tuyển Backend Developer có kinh nghiệm với Node.js.`	`1`
`Kỹ sư mạng với 6 năm kinh nghiệm quản lý hệ thống mạng lớn.`	`Cần System Administrator với kinh nghiệm quản lý hệ thống.`	`0`
`Lập trình viên JavaScript với 4 năm kinh nghiệm, thành thạo Node.js và Express.`	`Cần tuyển Backend Developer biết sử dụng PHP và Laravel.`	`0`

Loss: ContrastiveLoss with these parameters:
json
1{ 2 "distance_metric": "SiameseDistanceMetric.COSINE_DISTANCE", 3 "margin": 0.5, 4 "size_average": true 5}

triplet

Dataset: triplet at 3100410
Size: 2,981 training samples
Columns: anchor, positive, and negative
Approximate statistics based on the first 1000 samples:
anchor positive negative
type string string string
details
min: 10 tokens
mean: 19.51 tokens
max: 36 tokens
min: 10 tokens
mean: 15.88 tokens
max: 25 tokens
min: 6 tokens
mean: 14.47 tokens
max: 22 tokens

Samples:

anchor	positive	negative
`Account Manager, chuyên quản lý khách hàng B2B và xây dựng mối quan hệ lâu dài.`	`Tuyển Account Manager có kinh nghiệm quản lý khách hàng doanh nghiệp.`	`Tuyển chuyên viên pháp lý tư vấn doanh nghiệp.`
`Chuyên viên tư vấn giáo dục với 10 năm kinh nghiệm định hướng nghề nghiệp.`	`Cần chuyên viên tư vấn giáo dục có kinh nghiệm định hướng nghề nghiệp.`	`Nhân viên tổ chức sự kiện giáo dục hỗ trợ triển khai hội thảo.`
`Actor với nhiều năm kinh nghiệm diễn xuất trên sân khấu và phim truyền hình.`	`Diễn viên cần có khả năng hóa thân vào các vai diễn phức tạp.`	`Nhà sản xuất phim cần quản lý và tổ chức các dự án phim tài liệu.`

Loss: TripletLoss with these parameters:
json
1{ 2 "distance_metric": "TripletDistanceMetric.EUCLIDEAN", 3 "triplet_margin": 5 4}

similarity

Dataset: similarity at c810681
Size: 4,568 training samples
Columns: text1, text2, and score
Approximate statistics based on the first 1000 samples:
text1 text2 score
type string string float
details
min: 10 tokens
mean: 18.86 tokens
max: 38 tokens
min: 7 tokens
mean: 16.12 tokens
max: 27 tokens
min: 0.19
mean: 0.68
max: 0.96

Samples:

text1	text2	score
`Hardware Engineer có khả năng thiết kế hệ thống nhúng.`	`Embedded Engineer cần có kỹ năng phát triển phần mềm nhúng.`	`0.74`
`Kỹ sư phần mềm, chuyên môn trong phát triển hệ thống thời gian thực, 4 năm kinh nghiệm.`	`Yêu cầu Embedded Software Engineer với kinh nghiệm tối thiểu 3 năm.`	`0.88`
`Cần Software Engineer với kinh nghiệm phát triển web.`	`Frontend Developer cần thành thạo React và JavaScript.`	`0.34`

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

job_paraphrase

Dataset: job_paraphrase at 6872029
Size: 5,939 training samples
Columns: text1 and text2
Approximate statistics based on the first 1000 samples:
text1 text2
type string string
details
min: 6 tokens
mean: 16.25 tokens
max: 25 tokens
min: 6 tokens
mean: 15.78 tokens
max: 25 tokens

Samples:

text1	text2
`Nhân viên hỗ trợ kho thuốc cần kỹ năng quản lý.`	`Nhân viên kho thuốc cần kỹ năng kiểm kê.`
`Nhân viên bán hàng cần có kỹ năng giao tiếp và xử lý tình huống.`	`Salesperson chuyên xử lý đơn hàng và giữ mối quan hệ với khách hàng.`
`Tuyển kỹ sư cơ khí chuyên thiết kế máy móc công nghiệp.`	`Kỹ sư cơ khí cần thiết kế hệ thống sản xuất tiên tiến.`

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

cv_paraphrase

Dataset: cv_paraphrase at 22ce02f
Size: 2,969 training samples
Columns: text1 and text2
Approximate statistics based on the first 1000 samples:
text1 text2
type string string
details
min: 10 tokens
mean: 20.6 tokens
max: 38 tokens
min: 10 tokens
mean: 19.52 tokens
max: 32 tokens

Samples:

text1	text2
`Chuyên viên quản lý danh mục đầu tư với 8 năm kinh nghiệm tối ưu hóa tài sản và phân tích lợi nhuận.`	`8 năm kinh nghiệm quản lý danh mục đầu tư và phân tích tài chính.`
`Hotel Manager with strong leadership skills and 5 years of experience.`	`Hotel manager skilled in optimizing hotel operations and guest services.`
`7 năm kinh nghiệm phát triển backend và cơ sở dữ liệu.`	`Backend Developer chuyên về API và cơ sở dữ liệu.`

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

Evaluation Datasets

binary

Dataset: binary at 8c79343
Size: 327 evaluation samples
Columns: text1, text2, and label
Approximate statistics based on the first 327 samples:
text1 text2 label
type string string int
details
min: 11 tokens
mean: 19.36 tokens
max: 31 tokens
min: 7 tokens
mean: 16.01 tokens
max: 26 tokens
0: ~44.34%
1: ~55.66%

Samples:

text1	text2	label
`Tuyển kỹ sư phần mềm nhúng có kinh nghiệm 3 năm trở lên.`	`Software Developer, yêu cầu hiểu biết về hệ thống nhúng.`	`0`
`Tư vấn môi trường hỗ trợ kiểm soát ô nhiễm môi trường đô thị.`	`Quản lý chất thải có kinh nghiệm xử lý và tái chế nước.`	`1`
`DevOps Engineer với khả năng triển khai trên AWS, Azure.`	`Cloud Engineer cần quản lý hạ tầng.`	`1`

Loss: ContrastiveLoss with these parameters:
json
1{ 2 "distance_metric": "SiameseDistanceMetric.COSINE_DISTANCE", 3 "margin": 0.5, 4 "size_average": true 5}

triplet

Dataset: triplet at 3100410
Size: 157 evaluation samples
Columns: anchor, positive, and negative
Approximate statistics based on the first 157 samples:
anchor positive negative
type string string string
details
min: 13 tokens
mean: 19.6 tokens
max: 32 tokens
min: 10 tokens
mean: 15.66 tokens
max: 23 tokens
min: 7 tokens
mean: 14.06 tokens
max: 20 tokens

Samples:

anchor	positive	negative
`Quản lý danh mục đầu tư tài chính trong hơn 6 năm, chuyên gia phân tích đầu tư.`	`Investment Analyst cần kinh nghiệm quản lý danh mục đầu tư.`	`Kế toán chi phí phụ trách kiểm soát chi phí.`
`Chuyên viên quản lý chuỗi cung ứng, thành thạo SAP và tối ưu hóa quy trình.`	`Supply Chain Manager có kinh nghiệm tối ưu chuỗi cung ứng.`	`Tuyển lập trình viên Unity phát triển trò chơi 3D.`
`Nhà phân tích dữ liệu, kinh nghiệm trong lĩnh vực y tế và sinh học.`	`Data Analyst cần kỹ năng phân tích dữ liệu y tế.`	`Tuyển nhân viên kinh doanh bất động sản.`

Loss: TripletLoss with these parameters:
json
1{ 2 "distance_metric": "TripletDistanceMetric.EUCLIDEAN", 3 "triplet_margin": 5 4}

similarity

Dataset: similarity at c810681
Size: 241 evaluation samples
Columns: text1, text2, and score
Approximate statistics based on the first 241 samples:
text1 text2 score
type string string float
details
min: 11 tokens
mean: 18.69 tokens
max: 28 tokens
min: 8 tokens
mean: 15.93 tokens
max: 23 tokens
min: 0.2
mean: 0.67
max: 0.95

Samples:

text1	text2	score
`Cần Quản lý đội xe có khả năng giám sát hiệu suất và lập kế hoạch vận hành.`	`Điều phối viên vận tải yêu cầu giám sát và tối ưu hóa hoạt động vận tải.`	`0.83`
`Lập trình viên Python với kỹ năng xây dựng và tối ưu hóa hệ thống backend.`	`Hỗ trợ kỹ thuật viên IT xử lý lỗi mạng.`	`0.29`
`Nhà khoa học nghiên cứu các hệ thống nano tiên tiến cho y học hiện đại.`	`Kỹ thuật viên thí nghiệm tập trung vào phân tích vật liệu nano.`	`0.74`

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

job_paraphrase

Dataset: job_paraphrase at 6872029
Size: 313 evaluation samples
Columns: text1 and text2
Approximate statistics based on the first 313 samples:
text1 text2
type string string
details
min: 10 tokens
mean: 16.32 tokens
max: 23 tokens
min: 10 tokens
mean: 15.74 tokens
max: 25 tokens

Samples:

text1	text2
`Restaurant Manager chịu trách nhiệm giám sát và tối ưu hóa dịch vụ.`	`Restaurant Manager có khả năng điều hành và phát triển dịch vụ ăn uống.`
`Quản lý thương mại điện tử tối ưu hóa quy trình bán hàng.`	`Quản lý sàn thương mại điện tử cần tối ưu hóa vận hành.`
`Kỹ thuật viên kiểm tra cần kiểm tra chất lượng hệ thống sản xuất.`	`Kỹ thuật viên kiểm tra yêu cầu giám sát quy trình sản xuất.`

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

cv_paraphrase

Dataset: cv_paraphrase at 22ce02f
Size: 157 evaluation samples
Columns: text1 and text2
Approximate statistics based on the first 157 samples:
text1 text2
type string string
details
min: 12 tokens
mean: 20.28 tokens
max: 32 tokens
min: 13 tokens
mean: 19.34 tokens
max: 28 tokens

Samples:

text1	text2
`Producer với kinh nghiệm quản lý các dự án phim truyền hình và phim tài liệu.`	`Chuyên gia sản xuất phim với kỹ năng quản lý các dự án phim lớn.`
`Chuyên viên xử lý môi trường có kinh nghiệm trong xử lý nước thải và kiểm soát ô nhiễm.`	`Chuyên gia tư vấn môi trường với kinh nghiệm phát triển các dự án tái chế và xử lý nước thải.`
`Cybersecurity Expert, chuyên gia bảo mật với 3 năm kinh nghiệm.`	`Chuyên gia An ninh mạng, 3 năm kinh nghiệm bảo mật hệ thống.`

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: 32
per_device_eval_batch_size: 32
learning_rate: 2e-05
num_train_epochs: 5
warmup_ratio: 0.1
fp16: 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: 32
per_device_eval_batch_size: 32
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: 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: 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: False
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	binary loss	triplet loss	similarity loss	job paraphrase loss	cv paraphrase loss	cosine_ap	cosine_accuracy	spearman_cosine
0	0	-	-	-	-	-	-	1.0	0.9682	0.5468
0.2817	200	2.401	-	-	-	-	-	-	-	-
0.5634	400	1.5659	-	-	-	-	-	-	-	-
0.7042	500	-	0.0088	0.2391	6.9067	0.1746	0.2689	1.0	0.9936	0.9123
0.8451	600	1.8501	-	-	-	-	-	-	-	-
1.1268	800	1.7318	-	-	-	-	-	-	-	-
1.4085	1000	1.3758	0.0079	0.0367	6.2019	0.1665	0.2657	1.0	1.0	0.9238
1.6901	1200	1.3554	-	-	-	-	-	-	-	-
1.9718	1400	1.5119	-	-	-	-	-	-	-	-
2.1127	1500	-	0.0081	0.0144	5.7135	0.1633	0.2295	1.0	1.0	0.9341
2.2535	1600	1.2886	-	-	-	-	-	-	-	-
2.5352	1800	1.1131	-	-	-	-	-	-	-	-
2.8169	2000	1.3962	0.0108	0.0191	6.0231	0.1540	0.2342	1.0	1.0	0.9396
3.0986	2200	1.2394	-	-	-	-	-	-	-	-
3.3803	2400	1.1392	-	-	-	-	-	-	-	-
3.5211	2500	-	0.0097	0.0025	5.6361	0.1580	0.2212	1.0	1.0	0.9410
3.6620	2600	1.1614	-	-	-	-	-	-	-	-
3.9437	2800	1.2351	-	-	-	-	-	-	-	-
4.2254	3000	1.1862	0.0100	0.0107	5.5943	0.1517	0.2158	1.0	1.0	0.9420
4.5070	3200	0.9371	-	-	-	-	-	-	-	-
4.7887	3400	1.3572	-	-	-	-	-	-	-	-
4.9296	3500	-	0.0104	0.0057	5.6213	0.1539	0.2141	1.0	1.0	0.9429
5.0	3550	-	-	-	-	-	-	1.0	1.0	0.9431

Framework Versions

Python: 3.12.4
Sentence Transformers: 3.3.0
Transformers: 4.46.2
PyTorch: 2.5.1+cu124
Accelerate: 1.1.1
Datasets: 3.1.0
Tokenizers: 0.20.3

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",
}

ContrastiveLoss

bibtex

@inproceedings{hadsell2006dimensionality,
    author={Hadsell, R. and Chopra, S. and LeCun, Y.},
    booktitle={2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'06)},
    title={Dimensionality Reduction by Learning an Invariant Mapping},
    year={2006},
    volume={2},
    number={},
    pages={1735-1742},
    doi={10.1109/CVPR.2006.100}
}

TripletLoss

bibtex

@misc{hermans2017defense,
    title={In Defense of the Triplet Loss for Person Re-Identification},
    author={Alexander Hermans and Lucas Beyer and Bastian Leibe},
    year={2017},
    eprint={1703.07737},
    archivePrefix={arXiv},
    primaryClass={cs.CV}
}

CoSENTLoss

bibtex

@online{kexuefm-8847,
    title={CoSENT: A more efficient sentence vector scheme than Sentence-BERT},
    author={Su Jianlin},
    year={2022},
    month={Jan},
    url={https://kexue.fm/archives/8847},
}

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}
}

	text1	text2	label
type	string	string	int
details	min: 10 tokens mean: 19.5 tokens max: 38 tokens	min: 6 tokens mean: 15.91 tokens max: 27 tokens	0: ~43.70% 1: ~56.30%

HZeroxium/paraphrase-multilingual-MiniLM-L12-v2-job-cv-multi-dataset

SentenceTransformer based on sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2

Model Details

Model Description

Model Sources

Full Model Architecture

Usage

Direct Usage (Sentence Transformers)

Evaluation

Metrics

Binary Classification

Triplet

Semantic Similarity

Binary Classification

Binary Classification

Training Details

Training Datasets

binary

triplet

similarity

job_paraphrase

cv_paraphrase

Evaluation Datasets

binary

triplet

similarity

job_paraphrase

cv_paraphrase

Training Hyperparameters

Non-Default Hyperparameters

All Hyperparameters

Training Logs

Framework Versions

Citation

BibTeX

Sentence Transformers

ContrastiveLoss

TripletLoss

CoSENTLoss

MultipleNegativesRankingLoss

HZeroxium/
paraphrase-multilingual-MiniLM-L12-v2-job-cv-multi-dataset