This is a sentence-transformers model finetuned from intfloat/multilingual-e5-large-instruct. 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-instruct
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}) with Transformer model: 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("tugskh/multilingual-e5-large-instruct-5k")
# Run inference
sentences = [
    'Нийслэлийн Иргэдийн Төлөөлөгчдийн Хурлын сонгуулийн тойргийг байгуулахдаа ямар нөхцлийг хангасан байх ёстой вэ? Аймаг, Нийслэл, Сум, Дүүргийн Иргэдийн Төлөөлөгчдийн Хурлын сонгуулийн тухай хууль?',
    'Аймаг, Нийслэл, Сум, Дүүргийн Иргэдийн Төлөөлөгчдийн Хурлын сонгуулийн тухай хуулийн зүйл нь Нийслэлийн иргэдийн Төлөөлөгчдийн Хурал-ын сонгуулийг явуулахад хоёр буюу хэд хэдэн хороог нэгтгэн нэг тойрог болгон зохион байгуулж болно гэж тодорхойлсон бөгөөд энэ нь тойргийн байгуулалтын нөхцлийг заана.',
    'Авлигын эсрэг хуульд зааснаар Монгол Улсын Ерөнхийлөгч олон нийтийн зөвлөлийн ажиллах журмыг батална. Ерөнхийлөгчийн эрх хэмжээ нь хуулийн дагуу зөвлөлийн үйл ажиллагааг зохицуулах, хууль ёсны дагуу ажиллах нөхцөлийг хангах явдал юм.',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 1024]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]

Evaluation

Metrics

Information Retrieval

Dataset: e5-eval
Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.8463
cosine_accuracy@3	0.9747
cosine_accuracy@5	0.9855
cosine_accuracy@10	0.9964
cosine_precision@1	0.8463
cosine_precision@3	0.3249
cosine_precision@5	0.1971
cosine_precision@10	0.0996
cosine_recall@1	0.8463
cosine_recall@3	0.9747
cosine_recall@5	0.9855
cosine_recall@10	0.9964
cosine_ndcg@10	0.9314
cosine_mrr@10	0.9095
cosine_map@100	0.9098

Information Retrieval

Dataset: e5-eval
Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.8427
cosine_accuracy@3	0.9765
cosine_accuracy@5	0.9892
cosine_accuracy@10	0.9964
cosine_precision@1	0.8427
cosine_precision@3	0.3255
cosine_precision@5	0.1978
cosine_precision@10	0.0996
cosine_recall@1	0.8427
cosine_recall@3	0.9765
cosine_recall@5	0.9892
cosine_recall@10	0.9964
cosine_ndcg@10	0.9322
cosine_mrr@10	0.9103
cosine_map@100	0.9105

Training Details

Training Dataset

Unnamed Dataset

Size: 4,421 training samples
Columns: query and passage
Approximate statistics based on the first 1000 samples:
query passage
type string string
details
min: 12 tokens
mean: 30.96 tokens
max: 111 tokens
min: 26 tokens
mean: 64.05 tokens
max: 206 tokens

Samples:

query	passage
`Арбитрын тухай хуулийн дагуу арбитрын зардлыг хэн тогтооно?`	`Арбитрын тухай хуулийн Арбитрын зардал зүйл нь талууд өөрөөр тохиролцоогүй бол арбитрын зардлын хэмжээ, төлөх этгээд, төлбөрийн журмыг арбитрын бүрэлдэхүүн тогтооно гэж заасан байна.`
`Амьтны тухай хуулийг зөрчсөн тохиолдолд ямар хариуцлага хүлээлгэх вэ?`	`Амьтны тухай хуулийг зөрчсөн хүн, хуулийн этгээдэд Эрүүгийн хууль, эсхүл Зөрчлийн тухай хуульд заасан хариуцлага хүлээлгэнэ. Монгол Улсын Их Хурлын дарга Д.Дэмбэрэл.`
`Иргэний нисэхийн тухай хуулийн 8.1.7 дугаар зүйл нь Агаарын зайн нисэхэд ашиглах тухай хуульд ямар хамааралтай вэ?`	Агаарын зайн нисэхэд ашиглах тухай хуулийн зүйл Нисэхэд ашиглах агаарын зайг тогтоох-ын заалт нь Монгол Улсын агаарын зайд иргэний нисэхийн зориулалтаар ашиглах агаарын зам, агаарын хаалгыг орох, гарах цэгийг тогтоохдоо Иргэний нисэхийн тухай хуулийн 8.1.7 дугаар зүйлийг үндэслэл болгоно.

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

Evaluation Dataset

Unnamed Dataset

Size: 553 evaluation samples
Columns: query and passage
Approximate statistics based on the first 553 samples:
query passage
type string string
details
min: 12 tokens
mean: 31.54 tokens
max: 103 tokens
min: 32 tokens
mean: 65.72 tokens
max: 250 tokens

Samples:

query	passage
`Хуулийн этгээд хандивлагчийн хувьд оролцох боломжийг Аймаг, нийслэл, сум, дүүргийн иргэдийн төлөөлөгчдийн хуралын сонгуулийн тухай хууль хэрхэн зохицуулж байна?`	Аймаг, нийслэл, сум, дүүргийн иргэдийн төлөөлөгчдийн хуралын сонгуулийн тухай хуулийн Сонгуулийн хандив зүйлийн заалт нь хуулийн этгээдийн хандивлагчийн статус нь хуулиар хориглоогүй болон тухайн этгээдийн дүрмээр зөвшөөрөгдсөн тохиолдолд зөвшөөрөгдөнө гэж тодорхойлсон байна.
`Аудитын тухай хуульд зааснаар, үйлчлүүлэгч томилогдсон аудитороос татгалзах саналыг хэзээ гаргаж болно?`	Аудитын тухай хуулийн Үйлчлүүлэгчийн эрх, үүрэг тухай зүйл нь үйлчлүүлэгч аудитын шалгалт, нягтлах ажил, бусад баталгаажуулах ажил хийлгэх, санхүүгийн үйлчилгээ авах, хуулийн дагуу заавал магадлан шинжилгээ, баталгаажуулалт хийх тохиолдолд энэ хуульд заасан үндэслэл байвал томилогдсон аудитороос татгалзах саналыг аудитын хуулийн этгээдэд гаргах эрхийг олгодог.
`Аймаг, нийслэл, сум, дүүргийн иргэдийн төлөөлөгчдийн хуралын сонгуулийн тухай хуулийн дагуу санал авах ажиллагаа хэзээ эхэлнэ?`	`Аймаг, нийслэл, сум, дүүргийн иргэдийн төлөөлөгчдийн хуралын сонгуулийн тухай хуулийн санал авах байранд санал авах ажиллагаа санал авах өдрийн 07:00 цагт эхэлнэ.`

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: 16
per_device_eval_batch_size: 16
num_train_epochs: 1
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: 16
per_device_eval_batch_size: 16
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: 1.0
num_train_epochs: 1
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: 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: no_duplicates
multi_dataset_batch_sampler: proportional

Training Logs

Epoch	Step	Training Loss	Validation Loss	e5-eval_cosine_ndcg@10
-1	-1	-	-	0.8866
0.3610	100	0.1756	0.0322	0.9240
0.7220	200	0.0343	0.0178	0.9314
-1	-1	-	-	0.9322

Framework Versions

Python: 3.11.13
Sentence Transformers: 4.1.0
Transformers: 4.52.4
PyTorch: 2.6.0+cu124
Accelerate: 1.7.0
Datasets: 2.14.4
Tokenizers: 0.21.1

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

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}
}

	query	passage
type	string	string
details	min: 12 tokens mean: 30.96 tokens max: 111 tokens	min: 26 tokens mean: 64.05 tokens max: 206 tokens