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("sentence_transformers_model_id")
# Run inference
sentences = [
    'query: Как определяется размер арендной платы согласно договору аренды лесного участка?',
    'passage:  было установлено неверное применение поправочных коэффициентов при расчете арендной платы по договорам аренды на лесных участках в части коэффициентов, учитывающих приближенность арендуемого участка к дорогам общего пользования, в связи с чем обществу было предложено в срок до 31.12.14 произвести доплату в размере 4 791 166 рублей 45 копеек за период с 2012 года по 2014 год (т. 1, л.д. 33). Письмом от 22.12.14 ООО "Юнион-Тур" отказалось производить доплату, сославшись на нарушение Арендодателем условий договора аренды (т. 1, л.д. 39-40). Указанные обстоятельства послужили основанием для обращения в арбитражный суд с настоящим иском. Отказывая в удовлетворении заявленных требований, суд первой инстанции указал, что истцом не представлено доказательств в подтверждение заявленных требований. Апелляционный суд не может согласиться с выводами суда первой инстанции по следующим основаниям. Отказывая в удовлетворении заявленных требований, суд первой инстанции указал, что оснований для перерасчета арендной платы не имелось. Апелляционный суд считает выводы суда первой инстанции законными и обоснованными, доводы апелляционной жалобы подлежащими отклонению. В силу статьи 606 Гражданского кодекса Российской Федерации по договору аренды (имущественного найма) арендодатель (наймодатель) обязуется предоставить арендатору (нанимателю) имущество за плату во временное владение и пользование или во временное пользование. В соответствии с пунктом 1 статьи 614 Гражданского кодекса Российской Федерации арендатор обязан своевременно вносить плату за пользование имуществом (арендную плату). Порядок, условия и сроки внесения арендной платы определяются договором аренды. Пунктом 5 договора N 50-0336-04-03-0304 аренды лесного участка от 02.09.08 закреплено, что арендная плата составляет 7 258 829 рублей в год. При этом размер арендной платы подлежит изменению пропорционально изменению ставок платы за единицу объема лесных ресурсов или единицу площади лесного участка, устанавливаемых статьей 73 Лесного кодекса российской Федерации ( п. 7 договора ). В соответствии с пунктом 1 статьи 73 Лесного кодекса Российской Федерации размер арендной платы определяется на основе минимального размера арендной платы, ',
    'passage: ТРИНАДЦАТЫЙ АРБИТРАЖНЫЙ АПЕЛЛЯЦИОННЫЙ СУД ПОСТАНОВЛЕНИЕ от 30 ноября 2010 года Дело N А56-30346/2010 Резолютивная часть постановления объявлена 25 ноября 2010 года Постановление изготовлено в полном объеме 30 ноября 2010 года Тринадцатый арбитражный апелляционный суд в составе: председательствующего Марченко Л.Н., судей Герасимовой М.М., Лариной Т.С., при ведении протокола судебного заседания помощником судьи Матюхиной Н.Р., рассмотрев в открытом судебном заседании апелляционную жалобу (регистрационный номер 13АП-18315/2010) Сусловой Анжеллы Валерьевны на решение Арбитражного суда города Санкт-Петербурга и Ленинградской области от 09.09.2010 по делу N А56-30346/2010 (судья Боровая А.А.), принятое по заявлению Суслова Анжела Валерьевна к Межрайонной инспекции Федеральной налоговой службы N15 по Санкт-Петербургу 3-е лицо: ООО "ВОСТОК-ТРЕЙД" о признании недействительным решения при участии: от заявителя: Мерзликин А.В. - представитель, доверенность от 02.09.2010; от ответчика: Белик А.С. - заместитель начальника отдела, доверенность от 11.01.2010 N03-09/0039; от 3-го лица: Кириченко Н.Н. - представитель, доверенность от 29.09.2010; установил: Суслова Анжелла Валерьевна обратилась в Арбитражный суд города Санкт-Петербурга и Ленинградской области с заявлением о признании недействительным решения Межрайонной инспекции Федеральной налоговой службы N 15 по Санкт-Петербургу (далее - Инспекция) от 30.12.2009 о государственной регистрации изменений в сведения о юридическом лице, содержащиеся в Едином государственном реестре юридических лиц (далее - ЕГРЮЛ), не связанных с внесением изменений в учредительные документы общества с ограниченной ответственностью «ВОСТОК-ТРЕЙД» (далее - ООО «ВОСТОК-ТРЕЙД», Общество), признании недействительной записи в ЕГРЮЛ за государственным регистрационным номером 6099847471180 (с учетом уточнения требований). В качестве третьего лица, не ',
]
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,  0.5358, -0.0920],
#         [ 0.5358,  1.0000, -0.0481],
#         [-0.0920, -0.0481,  1.0000]])

Evaluation

Metrics

Information Retrieval

Datasets: court_law, other_law, reg_law, court_law, other_law and reg_law
Evaluated with InformationRetrievalEvaluator

Metric	court_law	other_law	reg_law
cos_sim_accuracy@1	0.5538	0.8607	0.6366
cos_sim_accuracy@5	0.839	0.9714	0.9014
cos_sim_accuracy@10	0.9069	0.9893	0.9604
cos_sim_precision@1	0.5538	0.8607	0.6366
cos_sim_precision@5	0.1678	0.1943	0.1803
cos_sim_precision@10	0.0907	0.0989	0.096
cos_sim_recall@1	0.5538	0.8607	0.6366
cos_sim_recall@5	0.839	0.9714	0.9014
cos_sim_recall@10	0.9069	0.9893	0.9604
cos_sim_ndcg@10	0.7305	0.9288	0.8051
cos_sim_mrr@10	0.6738	0.909	0.7547
cos_sim_map@100	0.6782	0.9096	0.7566

Training Details

Training Dataset

Unnamed Dataset

Size: 87,886 training samples
Columns: anchor and positive
Approximate statistics based on the first 1000 samples:
anchor positive
type string string
details
min: 15 tokens
mean: 25.01 tokens
max: 49 tokens
min: 199 tokens
mean: 471.86 tokens
max: 512 tokens

Samples:

anchor	positive
`query: Какое наказание было назначено Исхакову Р.М. за совершение административного правонарушения?`	passage: Мировой судья Карнаухов A.M.[object Object]Судья районного суда Сыров С.В.[object Object]№ 44-а- 540[object Object]ПОСТАНОВЛЕНИЕ[object Object]г. Пермь 08 августа 2014 года[object Object]Заместитель председателя Пермского краевого суда Гилёва М.Б., рассмотрев жалобу Исхакова Р.М. на постановление мирового судьи судебного участка №20 Ленинского района г. Перми от 12.05.2014 года, решение судьи Ленинского районного суда г. Перми от 04.06.2014 года, вынесенные в отношении Исхакова Р.М. по делу об административном правонарушении, предусмотренном ч.1 ст. 12.8 Кодекса Российской Федерации об административных правонарушениях,[object Object]УСТАНОВИЛ:[object Object]Постановлением мирового судьи судебного участка №20 Ленинского района г. Перми от 12.05.2014 года Исхаков P.M. признан виновным в совершении административного правонарушения, предусмотренного ч. 1 ст. 12.8 Кодекса Российской Федерации об административных правонарушениях (далее - КоАП РФ), ему назначено наказание в виде административного штрафа в размере тридцати тысяч рублей с лишением права управления транспортными сре...
`query: Какой вопрос был поставлен заявителем в жалобе, поданной в порядке административного законодательства?`	passage: Мировой судья Карнаухов A.M.[object Object]Судья районного суда Сыров С.В.[object Object]№ 44-а- 540[object Object]ПОСТАНОВЛЕНИЕ[object Object]г. Пермь 08 августа 2014 года[object Object]Заместитель председателя Пермского краевого суда Гилёва М.Б., рассмотрев жалобу Исхакова Р.М. на постановление мирового судьи судебного участка №20 Ленинского района г. Перми от 12.05.2014 года, решение судьи Ленинского районного суда г. Перми от 04.06.2014 года, вынесенные в отношении Исхакова Р.М. по делу об административном правонарушении, предусмотренном ч.1 ст. 12.8 Кодекса Российской Федерации об административных правонарушениях,[object Object]УСТАНОВИЛ:[object Object]Постановлением мирового судьи судебного участка №20 Ленинского района г. Перми от 12.05.2014 года Исхаков P.M. признан виновным в совершении административного правонарушения, предусмотренного ч. 1 ст. 12.8 Кодекса Российской Федерации об административных правонарушениях (далее - КоАП РФ), ему назначено наказание в виде административного штрафа в размере тридцати тысяч рублей с лишением права управления транспортными сре...
`query: Какое основание для административной ответственности указано в части 1 статьи, касающейся управления транспортным средством?`	passage: Мировой судья Карнаухов A.M.[object Object]Судья районного суда Сыров С.В.[object Object]№ 44-а- 540[object Object]ПОСТАНОВЛЕНИЕ[object Object]г. Пермь 08 августа 2014 года[object Object]Заместитель председателя Пермского краевого суда Гилёва М.Б., рассмотрев жалобу Исхакова Р.М. на постановление мирового судьи судебного участка №20 Ленинского района г. Перми от 12.05.2014 года, решение судьи Ленинского районного суда г. Перми от 04.06.2014 года, вынесенные в отношении Исхакова Р.М. по делу об административном правонарушении, предусмотренном ч.1 ст. 12.8 Кодекса Российской Федерации об административных правонарушениях,[object Object]УСТАНОВИЛ:[object Object]Постановлением мирового судьи судебного участка №20 Ленинского района г. Перми от 12.05.2014 года Исхаков P.M. признан виновным в совершении административного правонарушения, предусмотренного ч. 1 ст. 12.8 Кодекса Российской Федерации об административных правонарушениях (далее - КоАП РФ), ему назначено наказание в виде административного штрафа в размере тридцати тысяч рублей с лишением права управления транспортными сре...

Loss: MultipleNegativesRankingLoss with these parameters:
json
1{ 2 "scale": 20.0, 3 "similarity_fct": "cos_sim", 4 "gather_across_devices": false 5}

Training Hyperparameters

Non-Default Hyperparameters

eval_strategy: steps
per_device_train_batch_size: 128
per_device_eval_batch_size: 128
learning_rate: 2e-05
num_train_epochs: 5
warmup_ratio: 0.1
bf16: True
load_best_model_at_end: True
batch_sampler: no_duplicates

All Hyperparameters

Click to expand

overwrite_output_dir: False
do_predict: False
eval_strategy: steps
prediction_loss_only: True
per_device_train_batch_size: 128
per_device_eval_batch_size: 128
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
bf16: True
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: False
dataloader_num_workers: 0
dataloader_prefetch_factor: None
past_index: -1
disable_tqdm: False
remove_unused_columns: True
label_names: None
load_best_model_at_end: True
ignore_data_skip: False
fsdp: []
fsdp_min_num_params: 0
fsdp_config: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
fsdp_transformer_layer_cls_to_wrap: None
accelerator_config: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
parallelism_config: None
deepspeed: None
label_smoothing_factor: 0.0
optim: adamw_torch_fused
optim_args: None
adafactor: False
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
use_legacy_prediction_loop: False
push_to_hub: False
resume_from_checkpoint: None
hub_model_id: None
hub_strategy: every_save
hub_private_repo: None
hub_always_push: False
hub_revision: None
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: 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
prompts: None
batch_sampler: no_duplicates
multi_dataset_batch_sampler: proportional
router_mapping: {}
learning_rate_mapping: {}

Training Logs

Epoch	Step	Training Loss	court_law_cos_sim_ndcg@10	other_law_cos_sim_ndcg@10	reg_law_cos_sim_ndcg@10
0.0728	50	2.8768	-	-	-
0.1456	100	0.984	-	-	-
0.2183	150	0.5679	-	-	-
0.2911	200	0.4807	-	-	-
0.3639	250	0.4456	0.6425	0.9112	0.7879
0.4367	300	0.4126	-	-	-
0.5095	350	0.4011	-	-	-
0.5822	400	0.3882	-	-	-
0.6550	450	0.3681	-	-	-
0.7278	500	0.3515	0.6772	0.9176	0.8199
0.8006	550	0.3337	-	-	-
0.8734	600	0.3335	-	-	-
0.9461	650	0.3181	-	-	-
1.0189	700	0.3023	-	-	-
1.0917	750	0.2578	0.6799	0.9064	0.8126
1.1645	800	0.2544	-	-	-
1.2373	850	0.2499	-	-	-
1.3100	900	0.2546	-	-	-
1.3828	950	0.2632	-	-	-
1.4556	1000	0.2677	0.6814	0.9235	0.8111
1.5284	1050	0.2284	-	-	-
1.6012	1100	0.2468	-	-	-
1.6739	1150	0.2381	-	-	-
1.7467	1200	0.2497	-	-	-
1.8195	1250	0.2425	0.7061	0.9138	0.8190
1.8923	1300	0.2509	-	-	-
1.9651	1350	0.2506	-	-	-
2.0378	1400	0.2151	-	-	-
2.1106	1450	0.1793	-	-	-
2.1834	1500	0.1895	0.7269	0.9144	0.8383
2.2562	1550	0.1756	-	-	-
2.3290	1600	0.192	-	-	-
2.4017	1650	0.182	-	-	-
2.4745	1700	0.194	-	-	-
2.5473	1750	0.198	0.7190	0.9163	0.8313
2.6201	1800	0.1802	-	-	-
2.6929	1850	0.1854	-	-	-
2.7656	1900	0.1866	-	-	-
2.8384	1950	0.1774	-	-	-
2.9112	2000	0.1765	0.7229	0.9176	0.8252
2.9840	2050	0.1813	-	-	-
3.0568	2100	0.1509	-	-	-
3.1295	2150	0.1517	-	-	-
3.2023	2200	0.1563	-	-	-
3.2751	2250	0.1477	0.7329	0.9122	0.8292
3.3479	2300	0.1447	-	-	-
3.4207	2350	0.1549	-	-	-
3.4934	2400	0.1511	-	-	-
3.5662	2450	0.1514	-	-	-
3.6390	2500	0.1506	0.7400	0.9196	0.8384
3.7118	2550	0.1501	-	-	-
3.7846	2600	0.1427	-	-	-
3.8574	2650	0.1388	-	-	-
3.9301	2700	0.1375	-	-	-
4.0029	2750	0.1435	0.7432	0.914	0.8297
4.0757	2800	0.1276	-	-	-
4.1485	2850	0.1243	-	-	-
4.2213	2900	0.1287	-	-	-
4.2940	2950	0.1185	-	-	-
4.3668	3000	0.1225	0.7388	0.9144	0.8278
4.4396	3050	0.1264	-	-	-
4.5124	3100	0.1276	-	-	-
4.5852	3150	0.1251	-	-	-
4.6579	3200	0.1301	-	-	-
4.7307	3250	0.1183	0.7340	0.9149	0.8314
4.8035	3300	0.1279	-	-	-
4.8763	3350	0.1304	-	-	-
4.9491	3400	0.1177	-	-	-
-1	-1	-	0.7305	0.9288	0.8051

The bold row denotes the saved checkpoint.

Framework Versions

Python: 3.12.3
Sentence Transformers: 5.1.2
Transformers: 4.57.1
PyTorch: 2.8.0+cu128
Accelerate: 1.11.0
Datasets: 4.4.1
Tokenizers: 0.22.1

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