You can deploy this model and start earning money today!

SentenceTransformer

Name: e5-dhivehi-combined-mnr
Availability: InStock

This is a sentence-transformers model trained. It maps sentences & paragraphs to a 768-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

Maximum Sequence Length: 256 tokens
Output Dimensionality: 768 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': 256, 'do_lower_case': False, 'architecture': 'XLMRobertaModel'})
  (1): Pooling({'word_embedding_dimension': 768, '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("alakxender/e5-dhivehi-combined-trained-mnr-mx")
# Run inference
sentences = [
    'query: ޔުމްނުގެ ބަޔާން ނަގަން ރަސްމީކޮށް ފުލުހުން އެދިފައެއް ނުވޭ: އާއިލާ',
    'passage: އެ ސިޓީގައި، ފުލުހުން ނެރުނު ބަޔާނުގައި ހުރީ ހަގީގަތާ ހިލާފު ވާހަކަތަކެއް ކަމަށް ބުނެފައިވެ އެވެ. އަދި އެ މައްސަލައާ ގުޅިގެން މީގެ ކުރިން ވެސް ހަގީގަތާ ހިލާފު މައުލޫމާތު ފުލުހުން ހާމަކޮށްފައިވާ ކަމަށް ތުހުމަތުކޮށްފައިވެ އެވެ.\n\nހ. ފެންޓެނޯއީ ގޭގެ ނުވަވަނަ ފަންގިފިލާއިން ގުދަނެއްގެ ފުރާޅު މައްޗަށް ހައްވާ ޔުމްނު ރަޝީދުގެ ބަޔާން ނެގުމަށް ރަސްމީކޮށް ފުލުހުން އެދިފައި ނުވާ ކަމަށް އާއިލާއިން ބުނެފި އެވެ.\n\nމި މައްސަލައާ ގުޅިގެން ފުލުހުން މިދިޔަ ބުރާސްފަތި ދުވަހު ނެރުނު ބަޔާނެއްގައި ބުނެފައި ވަނީ ޔުމްނުގެ ބަޔާން ނެގުމަށް މަސައްކަތް ކުރަމުންދާ ކަމަށާއި ނަމަވެސް އާއިލާގެ އެއްބާރުލުން ނުލިބޭ ކަމަށެވެ. ޔުމްނު މެލޭޝިއާއަށް އިތުރު ފަރުވާއަށް ގެންދިޔަ ދުވަހުން ފެށިގެން ދެ ފުލުހުން އެ ގައުމުގައި ތިބި ކަމަށް ވެސް ފުލުހުން ބުންޏެވެ.ފުލުހުން ނެރުނު ބަޔާނާ ގުޅިގެން ޔުމްނުގެ އާއިލާއިން މިއަދު ވަނީ\xa0އެކްޓިން ޕޮލިސް ކޮމިޝަނަރު އިސްމާއީލް ނަވީނަށް ސިޓީއެއް ފޮނުވައިފަ އެވެ. އެ ސިޓީގައި، ފުލުހުން ނެރުނު ބަޔާނުގައި ހުރީ ހަގީގަތާ ހިލާފު ވާހަކަތަކެއް ކަމަށް ބުނެފައިވެ އެވެ. އަދި އެ މައްސަލައާ ގުޅިގެން މީގެ ކުރިން ވެސް ހަގީގަތާ ހިލާފު މައުލޫމާތު ފުލުހުން ހާމަކޮށްފައިވާ ކަމަށް ތުހުމަތުކޮށްފައިވެ އެވެ.އޭގެ އިތުރުން، ތަހުގީގަށް އެންމެ ނާޒުކު ދަނޑިވަޅުގައި ފުލުހުން އަމަލުކޮށްފައިވާ ގޮތުން، އިންސާފުވެރިކަމާއެކު ތަހުގީގު ކުރިއަށް ގެންދާނެ ކަމުގެ ޔަގީންކަން މިހާރު ނެތް ކަމަށާއި، ނަމަވެސް ރާއްޖޭގެ ގާނޫނުތަކާއި ގަވައިދުތަކަށް ތަބާވުމުގެ ގޮތުން ފުލުހުން ކުރިއަށް ގެންދާ އެއްވެސް ތަހުގީގަކަށް އާއިލާއިން ހުރަސް ނާޅާނެ ކަމަށް ސިޓީގައިވެ އެވެ.ޔުމްނުގެ ދައްތަ، އާއިޝަތު ނާއިޝާ އަހުމަދު ރަޝީދު ސޮއިކޮށް ފޮނުވި އެ ސިޓީގައި ވަނީ ޔުމްނުގެ ބަޔާން ނަގަން ފުލުހުން ރަސްމީކޮށް އެދިފައި ނުވާ ކަމަށާއި، ބަޔާނެއް ނަގަން ރަސްމީކޮށް ލިޔުމުން އަންގައިފިނަމަ، އެކަމަށް އާއިލާއިން ޖަވާބުދާރީވާނެ ކަމަށެވެ.\xa0\n\n"ހައްވާ ޔުމްނު ރަޝީދަށް ލިބިފައިވާ އަނިޔާތަކާ ގުޅިގެން އޭނާ މިވަގުުތު އޮތީ ތަހުގީގަށް ބަޔާން ދެވޭ ފަދަ ހާލަތެއްގައި ނޫންކަން ޑޮކްޓަރުންގެ ރަސްމީ ލިޔުންތަކުން ވެސް އެނގެން އޮތްކަމުގައި ދަންނަވަމެވެ." އެ ސިޓީގައިވެ އެވެ.ސިޓީގައި ބުނެފައި ވަނީ ޔުމްނުގެ ހާލަތާ ގުޅޭ އެއްވެސް މައުލޫމާތެއް އާއިލާއިން ފުލުހުންނާ ހިއްސާ ނުކުރާ ކަމަށް ފުލުހުން ބުނި ނަމަވެސް، އެފަދަ މައުލޫމާތެއް ހޯދަން ފުލުހުންގެ ފަރާތުން އެދިފައިވެސް ނުވާ ކަމަށެވެ. އަދި، ފުލުހުންގެ ތަހުގީގަށް އާއިލާއިން އެއްބާރުލުން ނުދޭ ކަމަށް ބުނާ ވާހަކަ ވެސް ދޮގުކޮށްފައިވެ އެވެ. އެގޮތުން، ޔުމްނުގެ އާއިލާއާ ޗީފް އިންސްޕެކްޓާ އޮފް ޕޮލިސް ޑރ. ހަސަން އުމައިރު، މެލޭޝިއާގައި ދޮޅުގަޑިއެއްހާއިރު ބައްދަލުވުމެއް ބާއްވައިފައިވާކަން އެ ސިޓީގައި ބަޔާންކޮށްފައިވެ އެވެ."އާއިލާގެ އެންމެ ބޮޑު މަސްލަހަތެއް މިވަގުތު އޮތީ އޭނާއަށް އެކަށީގެންވާ ފަރުވާ ލިބިދިނުމާއެކު، އޭނާއަށް އިންސާފު ހޯދުމަށް މަސައްކަތް ކުރުމުގައެވެ. އެކަމުގައި ގާނޫނުތަކާއި ގަވައިދުތަކާ އެއްގޮތްވާ ގޮތުގެ މަތީން ފުލުހުންނަށް ދޭން ޖެހޭ އެންމެހާ އެއްބާރުލުމެއް އާއިލާގެ ފަރާތުން ދޭނެކަމުގައި ދަންނަވަމެވެ." އެ ސިޓީގައިވެ އެވެ.\n\nމި މަސައްކަތުގައި އަހަރެމެން ހަމަ ހަމަ ވާނެ، އިންސާފުވެރި ވާނެ، އިތުބާރު ދަމަހައްޓާނެ',
    'query: ޖެނުއަރީ 2008 ގައި ކޭބީޖީވައި އިން ވަނީ އެމްއެންގެ އަލްބަނީގައި ހުންނަ ކޭއެލްސީއައި 106.1 އާއި އެމްއެންގެ އެލްކް ރިވަރގައި ހުންނަ ކޭޑީޑީޖީ 105.5 އިން ހެނދުނުގެ ޝޯ އެއްފަހަރާ ކާސްޓް ކުރަން ފަށާފައެވެ .',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 768]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities)
# tensor([[ 1.0000,  0.7517, -0.0737],
#         [ 0.7517,  1.0000, -0.0515],
#         [-0.0737, -0.0515,  1.0000]])

Training Details

Training Dataset

Size: 184,780 training samples
Columns: sentence_0 and sentence_1
Approximate statistics based on the first 1000 samples:
sentence_0 sentence_1
type string string
details
min: 8 tokens
mean: 31.39 tokens
max: 175 tokens
min: 16 tokens
mean: 164.09 tokens
max: 256 tokens

Samples:

sentence_0	sentence_1
`query: މި މެހެމާންދާރީއަކީ ދިވެހި ޓޫރިޒަމްގެ ހާއްސަ ސިފައެއް، އެކަމަށް ހުރަސް އެޅުން ގޯސް`	passage: ދިވެހި ޓޫރިޒަމްގެ ތަޖުރިބާކާރަކަށް 'ދައުރު'ން ސުވާލުކުރީމެވެ.[object Object][object Object]އެއާޕޯޓް ރެޕުންނަކީ ޓޫރިޒަމްގެ ކިހާ މުހިންމު ބައެއް ހެއްޔެވެ؟[object Object][object Object]"އެއީ ދިވެހިންގެ ފުރަތަމަ މަރުހަބާ. ރާއްޖޭގެ ޓޫރިޒަމްގެ މެހެމާންދާރީ ފެށިގެން އަންނަނީ އެ ރެޕުންގެ ފަރާތުން،" އޭނާ ވިދާޅުވި އެވެ.[object Object][object Object]އެއާޕޯޓް ރެޕުންނަށް ޓޫރިސްޓުން ގޮވައިގެން ޗެކިން ކައުންޓަރުތަކާ ހަމައަށް ނުދެވޭ ގޮތެއް ހަދައިފިއްޔާ ވާނީ ކިހިނެއް ހެއްޔެވެ؟[object Object][object Object]"ފުރަތަމަ ވިސްނާލާ، ރާއްޖޭގެ ޓޫރިޒަމަކީ އެހާ މަތީ ފެންވަރުގައި ވެސް އޮތް ދާއިރާއެއް. އެހެންވީމާ އެހެން ގައުމުތަކުގެ އެއާޕޯޓްގައި ހަދާހެން، ދޫކޮށްލައިގެން ކަމަކުނުދާނެ. އެ މީހުންނަށް އެހީތެރިވާނެ ގޮތްތައް އަހަރެމެންގެ ޓޫރިޒަމުން އުފަންކުރުވީ. އެހެންވެއެއްނު މެހެމާންދާރީ ރަނގަޅޭ ބުނަނީ."[object Object][object Object]ދިވެހި ޓޫރިޒަމާ ގުޅިފައި ހުރި ތިޔަ ކަހަލަ ތަފާތު ސިފަތައް އެމްއޭސީއެލްގެ ވެރިންނަށް އެނގިވަޑައިނުގަންނަވާނެ ހެއްޔެވެ؟[object Object][object Object]"ސިޔާސީ ގޮތުން މަގާމު ދޭ މީހުން ނުވިސްނާނެ އެކަންކަމަކަށް. އެ މީހުންގެ ނޯވޭ ގިނަ ބަޔަކާ ގުޅިގެން މަސައްކަތްކުރުމުގެ ރޫހެއް. އެމީހުންނަށް ފެންނަ ގޮތް އެއީ ރަނގަޅު ގޮތް."[object Object][object Object]އެ ތަޖުރިބާކާރުގެ ނަން ޖަހާނެ ކަ...
`query: ރާއްޖެއަށް އެތެރެކުރަން އުޅުނު 3 ކިލޯގެ މަސްތުވާތަކެތި އަތުލައިގެންފި ވައިގެމަގުން ރާއްޖެ އެތެރެކުރަން އުޅުނު 2.4 ކިލޯގެ މަސްތުވާތަކެތި އަތުލައިގެންފި ރާއްޖެ އައި އިންޑިއާ ރައްޔިތެއްގެ ލަގެޖުން 235 ގްރާމްގެ މަސްތުވާތަކެތި އަތުލައިގެންފި ރާއްޖެއަށް އެތެރެކ`	passage: ވައިގެ މަގުން ރާއްޖެ އެތެރެކުރަން އުޅުނު 18 ކިލޯގެ މަސްތުވާތަކެތީގެ މައްސަލައިގައި، އެތަކެތި ބަލައިދިޔަ 35 އަހަރުގެ ބަންގްލަދޭޝް މީހަކު ހައްޔަރުކޮށްފިއެވެ.[object Object][object Object]ފުލުހުން ބުނީ މި މައްސަލައާ ގުޅުގެން ކާގޯ ކްލިއާ ކުރަން ދިޔަ ބަންގްލަދޭޝަށް ނިސްބަތްވާ 35 އަހަރުގެ ބިދޭސީއެއް ފުލުހުންގެ ބެލުމުގެ ދަށަށް ގެނެސްފައިވާ ކަމަށެވެ.[object Object][object Object]ކަސްޓަމްސްއިން ބުނީ 33 ޕެކެޓެގައިހުރި މިތަކެތި ފުރަތަމަ މަރުހަލާގެ ތަހުގީގުން މަސްތުވާތަކެތީގެ ބާވަތެއްކަމުގައިވާ ކެނަބިނޮއިޑް އޮއިލްއަށް ޕޮޒިޓިވްވެފައިވާކަމަށެވެ. މިތަކެތި ރާއްޖެ ގެނެސްފައިވަނީ ބެންގަލޫރު މަގުން ރާއްޖެއައި ފްލައިޓެއްގައެވެ.[object Object][object Object]ހޯމް މިނިސްޓަރު އަލީ އިހުސާން ކުރެއްވި ޓްވީޓެއްގައި ވަނީ، ރޭ އަތުލައިގަތް މަސްތުވާތަކެތީގެ މަގުމަތީ އަގުން ބަލާނަމަ މިތަކެތީގެ އަގު ގާތްގަނޑަކަށް 26 މިލިއަން ރުފިޔާއަށް އަރާނެ ކަމަށެވެ. ރާއްޖޭގެ ބޯޑަރު ފުރިހަމަޔަށް ބެލެހެޓުމަށް ކަސްޓަމްސްގެ މުވައްޒަފުން ކުރައްވާ އަގުހުރި ބުރަ މަސައްކަތަށް ޝުކުރު އަދާކުރައްވަމުން އިހްސާން ވިދާޅުވީ މަސްތުވާތަކެތީގެ ވިޔަފާރިކުރާ ފަރާތްތަކަށް ފަހިކޮށް އޮތް މާހައުލު ނައްތާލައި އެފަރާތްތަކާ ގާނޫނު އ...
`query: ޝަމްއާން ވަކިކުރުމުގެ މަސައްކަތް ފެށީ އޭނާ އަތުގައި އިހުސާންގެ ވީޑިއޯއެއް އޮތްކަން އެނގިގެން: ޝަމްއާންގެ އާއިލާ ޝަމްއާން ވަކިކުރުމުގެ މަސައްކަތް ފެށީ އޭނާ އަތުގައި އިހުސާންގެ ވީޑިއޯއެއް އޮތްކަން އެނގިގެން: ޝަމްއާންގެ އާއިލާ`	passage: އިމިގްރޭޝަނުގެ ކުރީގެ ކޮންޓްރޯލަރު، ޝަމްއާން ވަހީދު ހައްޔަރުކުރުމުގެ މަސައްކަތް ފެށީ ހޯމް މިނިސްޓަރު، އަލީ އިހުސާންގެ ވީޑިއޯއެއް ޝަމްއާންގެ އަތުގައި އޮތް ކަމުގެ މައުލޫމާތު އިހުސާންއަށް ލިބުމުން ކަމަށް ޝަމްއާންގެ އާއިލާއިން ބުނެފި އެވެ.[object Object][object Object]ޝަމްއާންގެ އާއިލާއިން މިރޭ ނެރުނު ނޫސްބަޔާނެއްގައި ބުނީ ޝަމްއާން ހައްޔަރު ކުރީ އިހުސާންގެ ކޮރަޕްޝަންގެ މައްސަލަތައް ރައްޔިތުންނާ ހިއްސާ ކުރާނެ ކަމުގެ ބިރަށް އެ މައްސަލަތަކަށް ފަސް އެޅުމުގެ ގޮތުން ކަމަށެވެ.[object Object][object Object]"ޝަމްއާން ވަޒީފާއިން ދުރުކޮށް ޝަމްއާން ބަންދުކުރެވޭނެ ގޮތެއް ހޯދަން މިނިސްޓަރު އިހުސާން މަސައްކަތްކުރަން ފެށި އިތުރު ސަބަބަކީ ޝަމްއާންގެ އަތުގައި މިނިސްޓަރު އިހުސާންގެ "ވީޑިއޯއެއް" އޮތްކަމުގެ މަޢުލޫމާތު މިނިސްޓަރު އިޙުސާންއަށް އެކިގޮތްގޮތުން ލިބުނު ހިސާބުން ކަމަށް މައުލޫމާތު ލިބިފައިވޭ،" ޝަމްއާންގެ އާއިލާއިން ނެރުނު ނޫސްބަޔާނުގައި ބުންޏެވެ.[object Object][object Object]އޭގެ އިތުރުން އިމިގްރޭޝަން ކޮންޓްރޯލަރުގެ މަގާމުން ޝަމްއާން ވަކި ކުރީ އިހުސާންއާ ގާތް ގުޅުމެއް އޮންނަ ބިދޭސީއެއް ހައްޔަރު ކުރިތާ 24 ގަޑިއިރުގެ ތެރޭގައި ކަމަށް ވެސް ޝަމްއާންގެ އާއިލާއިން ބުންޏެވެ. އެ ބިދޭ...

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

Training Hyperparameters

Non-Default Hyperparameters

per_device_train_batch_size: 32
per_device_eval_batch_size: 32
num_train_epochs: 10
multi_dataset_batch_sampler: round_robin

All Hyperparameters

Click to expand

overwrite_output_dir: False
do_predict: False
eval_strategy: no
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: 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: 10
max_steps: -1
lr_scheduler_type: linear
lr_scheduler_kwargs: {}
warmup_ratio: 0.0
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: 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: 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: round_robin
router_mapping: {}
learning_rate_mapping: {}

Training Logs