This is a sentence-transformers model finetuned from intfloat/multilingual-e5-small. 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: intfloat/multilingual-e5-small
Maximum Sequence Length: 512 tokens
Output Dimensionality: 384 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': '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})
  (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("mzuama/E5-sampel-law")
# Run inference
sentences = [
    'query: Apa bedanya hasutan tidak beragama (pasal 302 ayat 1) dengan pemaksaan berpindah agama (pasal 302 ayat 2)?',
    'passage: Pasal 302 membedakan dua perbuatan: ayat (1) mengatur hasutan di muka umum agar seseorang menjadi tidak beragama tanpa unsur kekerasan, diancam penjara paling lama 2 tahun; sedangkan ayat (2) mengatur pemaksaan berpindah agama atau menjadi tidak beragama yang disertai kekerasan atau ancaman kekerasan, diancam lebih berat yaitu penjara paling lama 4 tahun.',
    'passage: Pasal 300 mengatur hasutan untuk melakukan permusuhan terhadap agama/kepercayaan di muka umum, dipidana penjara paling lama 3 tahun, berbeda dari Pasal 302 yang mengatur hasutan agar individu meninggalkan agamanya.',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 384]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities)
# tensor([[1.0000, 0.6511, 0.4119],
#         [0.6511, 1.0000, 0.6556],
#         [0.4119, 0.6556, 1.0000]])

Evaluation

Metrics

Triplet

Datasets: val and test
Evaluated with TripletEvaluator

Metric	val	test
cosine_accuracy	1.0	1.0

Training Details

Training Dataset

Unnamed Dataset

Size: 108 training samples
Columns: anchor, positive, and negative
Approximate statistics based on the first 108 samples:
anchor positive negative
type string string string
details
min: 14 tokens
mean: 23.7 tokens
max: 37 tokens
min: 32 tokens
mean: 64.53 tokens
max: 103 tokens
min: 27 tokens
mean: 47.58 tokens
max: 77 tokens

Samples:

anchor	positive	negative
`query: Seseorang membuat dan menjual video porno, pasal apa yang berlaku?`	`passage: Pasal 407 ayat (1) berlaku dalam kasus ini karena mengatur bahwa setiap orang yang memproduksi, membuat, memperbanyak, menggandakan, atau memperjualbelikan Pornografi dipidana dengan pidana penjara paling singkat 6 bulan dan paling lama 10 tahun atau pidana denda paling sedikit kategori IV dan paling banyak kategori VI.`	`passage: Pasal 482 ayat (1) mengatur tindak pidana pemerasan, yaitu setiap orang yang dengan maksud menguntungkan diri sendiri atau orang lain secara melawan hukum, memaksa orang dengan kekerasan atau ancaman kekerasan untuk memberikan suatu barang atau membuat pengakuan utang, dipidana dengan pidana penjara paling lama 9 tahun.`
`query: Berapa hukuman bagi orang yang menyebarkan konten pornografi?`	`passage: Pasal 407 ayat (1) menyebutkan bahwa pelaku yang menyebarluaskan atau menyiarkan pornografi diancam pidana penjara paling singkat 6 bulan dan paling lama 10 tahun, atau pidana denda paling sedikit kategori IV dan paling banyak kategori VI.`	`passage: Pasal 288 ayat (2) mengatur bahwa setiap orang yang menyiarkan atau menyebarluaskan hasil pembicaraan atau perekaman informasi/dokumen elektronik yang tidak bersifat publik secara melawan hukum, dipidana dengan pidana penjara paling lama 10 tahun atau pidana denda paling banyak kategori M.`
`query: Apa saja perbuatan yang termasuk tindak pidana pornografi menurut pasal 407?`	`passage: Pasal 407 ayat (1) menyebutkan unsur-unsur perbuatan yang termasuk tindak pidana pornografi, yaitu: memproduksi, membuat, memperbanyak, menggandakan, menyebarluaskan, menyiarkan, mengimpor, mengekspor, menawarkan, memperjualbelikan, menyewakan, atau menyediakan Pornografi.`	`passage: Pasal 301 ayat (1) mengatur bahwa setiap orang yang menyiarkan, mempertunjukkan, menempelkan tulisan atau gambar, atau memperdengarkan suatu rekaman berisi tindak pidana ujaran kebencian terhadap agama/kepercayaan dengan maksud agar diketahui umum, dipidana dengan pidana penjara paling lama 5 tahun atau pidana denda paling banyak kategori V.`

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

Evaluation Dataset

Unnamed Dataset

Size: 27 evaluation samples
Columns: anchor, positive, and negative
Approximate statistics based on the first 27 samples:
anchor positive negative
type string string string
details
min: 16 tokens
mean: 22.93 tokens
max: 32 tokens
min: 38 tokens
mean: 64.37 tokens
max: 109 tokens
min: 29 tokens
mean: 47.93 tokens
max: 79 tokens

Samples:

anchor	positive	negative
`query: Apa yang dimaksud dengan tindak pidana pornografi menurut KUHP?`	`passage: Pasal 407 mengatur bahwa setiap orang yang memproduksi, membuat, memperbanyak, menggandakan, menyebarluaskan, menyiarkan, mengimpor, mengekspor, menawarkan, memperjualbelikan, menyewakan, atau menyediakan Pornografi, dipidana dengan pidana penjara paling singkat 6 bulan dan paling lama 10 tahun atau pidana denda paling sedikit kategori IV dan paling banyak kategori VI. Perbuatan tersebut tidak dipidana jika merupakan karya seni, budaya, olahraga, kesehatan, dan/atau ilmu pengetahuan.`	`passage: Pasal 242 mengatur bahwa setiap orang yang di muka umum menyatakan perasaan permusuhan, kebencian, atau penghinaan terhadap satu atau beberapa golongan atau kelompok penduduk Indonesia berdasarkan ras, kebangsaan, etnis, warna kulit, jenis kelamin, disabilitas mental, atau disabilitas fisik, dipidana dengan pidana penjara paling lama 3 tahun atau pidana denda paling banyak kategori IV.`
`query: Apakah seseorang yang meneliti paham komunisme untuk kepentingan akademik bisa dipidana?`	`passage: Pasal 188 ayat (6) menegaskan bahwa tidak dipidana orang yang melakukan kajian terhadap ajaran komunisme/marxisme-leninisme atau paham lain yang bertentangan dengan Pancasila untuk kepentingan ilmu pengetahuan.`	`passage: Pasal 407 ayat (2) menyatakan bahwa perbuatan memproduksi atau menyebarluaskan pornografi tidak dipidana jika merupakan karya seni, budaya, olahraga, kesehatan, dan/atau ilmu pengetahuan.`
`query: Apa bedanya penyadapan biasa dengan penyebaran hasil sadapan menurut pasal 288?`	`passage: Pasal 288 membedakan dua perbuatan: ayat (1) mengatur penyadapan itu sendiri yaitu mendengarkan, merekam, atau mencatat transmisi informasi elektronik tidak publik secara melawan hukum, sedangkan ayat (2) mengatur penyebaran hasil sadapan tersebut. Keduanya diancam pidana penjara paling lama 10 tahun atau denda paling banyak kategori M.`	`passage: Pasal 434 mengatur tindak pidana fitnah, yaitu jika seseorang yang melakukan pencemaran diberi kesempatan membuktikan kebenaran tuduhannya tetapi tidak dapat membuktikannya dan tuduhan bertentangan dengan yang diketahuinya, dipidana dengan pidana penjara paling lama 3 tahun atau pidana denda paling banyak kategori IV.`

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: 16
per_device_eval_batch_size: 16
learning_rate: 2e-05
num_train_epochs: 10
warmup_ratio: 0.1
warmup_steps: 0.1
fp16: True
batch_sampler: no_duplicates

All Hyperparameters

Click to expand

do_predict: False
eval_strategy: steps
prediction_loss_only: True
per_device_train_batch_size: 16
per_device_eval_batch_size: 16
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: 10
max_steps: -1
lr_scheduler_type: linear
lr_scheduler_kwargs: None
warmup_ratio: 0.1
warmup_steps: 0.1
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: no_duplicates
multi_dataset_batch_sampler: proportional
router_mapping: {}
learning_rate_mapping: {}

Training Logs

Epoch	Step	Training Loss	Validation Loss	val_cosine_accuracy	test_cosine_accuracy
-1	-1	-	-	0.9630	-
1.4286	10	2.2660	1.2204	0.9259	-
2.8571	20	1.2168	0.6739	0.9630	-
4.2857	30	0.5079	0.4612	0.9630	-
5.7143	40	0.3407	0.3541	1.0	-
7.1429	50	0.2258	0.3036	1.0	-
8.5714	60	0.1868	0.2836	1.0	-
10.0	70	0.1629	0.2788	1.0	-
-1	-1	-	-	1.0	1.0

Framework Versions

Python: 3.12.12
Sentence Transformers: 5.2.3
Transformers: 5.0.0
PyTorch: 2.10.0+cpu
Accelerate: 1.12.0
Datasets: 4.8.3
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{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	negative
type	string	string	string
details	min: 14 tokens mean: 23.7 tokens max: 37 tokens	min: 32 tokens mean: 64.53 tokens max: 103 tokens	min: 27 tokens mean: 47.58 tokens max: 77 tokens