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, 'architecture': '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("bewrkay/multilingual-e5-large-tr-legal")
# Run inference
sentences = [
    'query: Ehliyetsiz ve alkollü araç kullanmanın sonuçları nelerdir?',
    'passage: Ehliyetsiz ve alkollü araç kullanmanın sonuçları, her iki fiil için ayrı ayrı idari para cezası verilmesidir.',
    'passage: Kullanma zimmeti suçu, kamu görevlisinin kendisine verilen malı geçici bir süre kullanıp iade etme düşüncesiyle uhdesinde tutması durumudur. Bu suçun oluşabilmesi için, failin malı geçici olarak kullanma amacıyla zimmetine geçirdiği ve iade etme imkanına sahip olduğu gözlemlenmelidir.',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 1024]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities)
# tensor([[1.0000, 0.9049, 0.0862],
#         [0.9049, 1.0000, 0.1353],
#         [0.0862, 0.1353, 1.0000]])

Training Details

Training Dataset

Unnamed Dataset

Size: 61,330 training samples
Columns: sentence_0, sentence_1, and sentence_2
Approximate statistics based on the first 1000 samples:
sentence_0 sentence_1 sentence_2
type string string string
details
min: 9 tokens
mean: 24.36 tokens
max: 55 tokens
min: 14 tokens
mean: 43.84 tokens
max: 399 tokens
min: 15 tokens
mean: 44.81 tokens
max: 399 tokens

Samples:

sentence_0	sentence_1	sentence_2
`query: Anayasa madde 175'e göre, anayasa'nın değiştirilmesinin ihlali hangi durumlarda söz konusu olur`	`passage: Anayasa madde 175'e göre, anayasa'nın değiştirilmesinin ihlali, türkiye büyük millet meclisi üyelerinin en az üçte biri tarafından yazılı olarak teklif edilmemesi, meclis üye tam sayısının beşte üç çoğunluğunun gizli oyu ile kabul edilmemesi veya cumhurbaşkanı'nın halkoyuna sunma yetkisinin kullanılmaması durumunda söz konusu olur. devlet, bu tür ihlalleri önlemek ve anayasa'nın değiştirilmesini sağlamakla yükümlüdür.`	`passage: Taşınmaz rehni, bir borcun teminatı olarak taşınmazın rehin edilmesidir. taşınmaz rehni, tapu siciline tescil edilerek kurulur. rehin alacaklısı, borç ödenmediği takdirde taşınmazı icra yoluyla sattırarak alacağını tahsil edebilir. rehin işlemi, tarafların anlaşması ve resmi senet düzenlenmesi ile gerçekleşir.`
`query: Olağan kullanım dışında meydana gelen zararlar için depozito nasıl kullanılabilir?`	`passage: Olağan kullanım dışında meydana gelen bir zarar söz konusuysa, ödenen depozitodan bunun karşılanması sağlanabilecektir.`	`passage: Sayıştay'ın denetim raporları, yapılan denetimlerin sonuçlarını, tespit edilen eksiklikleri ve önerileri içerir. raporlar, tbmm'ye sunulmadan önce ilgili kamu idarelerine iletilir.`
`query: Banka, depozitonun iadesini hangi durumda gerçekleştirebilir?`	`passage: Banka, iki tarafın rızasının bulunduğu durumda depozitonun iadesini gerçekleştirebilir.`	`passage: Kanun, senette vade yazılmadığında senedi görüldüğünde vadeli bir senet olarak değerlendirir.`

Loss: MultipleNegativesRankingLoss with these parameters:
json
1{ 2 "scale": 20.0, 3 "similarity_fct": "cos_sim", 4 "gather_across_devices": false, 5 "directions": [ 6 "query_to_doc" 7 ], 8 "partition_mode": "joint", 9 "hardness_mode": null, 10 "hardness_strength": 0.0 11}

Training Hyperparameters

Non-Default Hyperparameters

per_device_train_batch_size: 4
per_device_eval_batch_size: 4
fp16: True
multi_dataset_batch_sampler: round_robin

All Hyperparameters

Click to expand

do_predict: False
eval_strategy: no
prediction_loss_only: True
per_device_train_batch_size: 4
per_device_eval_batch_size: 4
gradient_accumulation_steps: 1
eval_accumulation_steps: None
torch_empty_cache_steps: None
learning_rate: 5e-05
weight_decay: 0.0
adam_beta1: 0.9
adam_beta2: 0.999
adam_epsilon: 1e-08
max_grad_norm: 1
num_train_epochs: 3
max_steps: -1
lr_scheduler_type: linear
lr_scheduler_kwargs: None
warmup_ratio: None
warmup_steps: 0
log_level: passive
log_level_replica: warning
log_on_each_node: True
logging_nan_inf_filter: True
enable_jit_checkpoint: False
save_on_each_node: False
save_only_model: False
restore_callback_states_from_checkpoint: False
use_cpu: False
seed: 42
data_seed: None
bf16: False
fp16: True
bf16_full_eval: False
fp16_full_eval: False
tf32: None
local_rank: -1
ddp_backend: None
debug: []
dataloader_drop_last: False
dataloader_num_workers: 0
dataloader_prefetch_factor: None
disable_tqdm: False
remove_unused_columns: True
label_names: None
load_best_model_at_end: False
ignore_data_skip: False
fsdp: []
fsdp_config: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
accelerator_config: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
parallelism_config: None
deepspeed: None
label_smoothing_factor: 0.0
optim: adamw_torch_fused
optim_args: None
group_by_length: False
length_column_name: length
project: huggingface
trackio_space_id: trackio
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
push_to_hub: False
resume_from_checkpoint: None
hub_model_id: None
hub_strategy: every_save
hub_private_repo: None
hub_always_push: False
hub_revision: None
gradient_checkpointing: False
gradient_checkpointing_kwargs: None
include_for_metrics: []
eval_do_concat_batches: True
auto_find_batch_size: False
full_determinism: False
ddp_timeout: 1800
torch_compile: False
torch_compile_backend: None
torch_compile_mode: None
include_num_input_tokens_seen: no
neftune_noise_alpha: None
optim_target_modules: None
batch_eval_metrics: False
eval_on_start: False
use_liger_kernel: False
liger_kernel_config: None
eval_use_gather_object: False
average_tokens_across_devices: True
use_cache: False
prompts: None
batch_sampler: batch_sampler
multi_dataset_batch_sampler: round_robin
router_mapping: {}
learning_rate_mapping: {}

Training Logs

Epoch	Step	Training Loss
0.0326	500	0.1419
0.0652	1000	0.0274
0.0978	1500	0.0255
0.1304	2000	0.0387
0.1630	2500	0.0359
0.1957	3000	0.0173
0.2283	3500	0.0243
0.2609	4000	0.0259
0.2935	4500	0.0199
0.3261	5000	0.0186
0.3587	5500	0.0216
0.3913	6000	0.0168
0.4239	6500	0.0129
0.4565	7000	0.0201
0.4891	7500	0.0273
0.5218	8000	0.0114
0.5544	8500	0.0114
0.5870	9000	0.0244
0.6196	9500	0.0102
0.6522	10000	0.0193

Framework Versions

Python: 3.12.12
Sentence Transformers: 5.3.0
Transformers: 5.0.0
PyTorch: 2.10.0+cu128
Accelerate: 1.13.0
Datasets: 4.0.0
Tokenizers: 0.22.2

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{oord2019representationlearningcontrastivepredictive,
      title={Representation Learning with Contrastive Predictive Coding},
      author={Aaron van den Oord and Yazhe Li and Oriol Vinyals},
      year={2019},
      eprint={1807.03748},
      archivePrefix={arXiv},
      primaryClass={cs.LG},
      url={https://arxiv.org/abs/1807.03748},
}

	sentence_0	sentence_1	sentence_2
type	string	string	string
details	min: 9 tokens mean: 24.36 tokens max: 55 tokens	min: 14 tokens mean: 43.84 tokens max: 399 tokens	min: 15 tokens mean: 44.81 tokens max: 399 tokens