--- base_model: intfloat/multilingual-e5-large-instruct library_name: sentence-transformers metrics: - cosine_accuracy - dot_accuracy - manhattan_accuracy - euclidean_accuracy - max_accuracy pipeline_tag: sentence-similarity tags: - sentence-transformers - sentence-similarity - feature-extraction - generated_from_trainer - dataset_size:10190 - loss:TripletLoss widget: - source_sentence: безглютеновый хлеб sentences: - 'Instruct: Найти похожие продукты на основе деталей Query: Баклажаны по-сычуаньски баклажаны, азиатская кухня, закуска, терияки, сладкий соус, пряный вкус, овощное блюдо, вегетарианское, пикантное, жареное, замаринованное, кунжут, чеснок, имбирь, рыба, рисовый уксус' - 'Instruct: Найти похожие продукты на основе деталей Query: Сорбет "Манго- Маракуйя" без доб. сахара сладость, десерт, веганский, без сахара, низкокалорийный, охлаждающий, тропические фрукты, натуральный, диетический, сахарозаменитель, фруктовый, без добавок, здоровье' - 'Instruct: Найти похожие продукты на основе деталей Query: Изделие х/б без глютена с семенами безглютеновый, хлеб, рисовая мука, семена, клетчатка, полезный, сытный, ароматный, выпечка, гастрономия' - source_sentence: арома саше sentences: - 'Instruct: Найти похожие продукты на основе деталей Query: Мандарины Хатайские сладкие мандарины, Хатай, сладкие, сорта, Надоркотт, цитрусовые, фрукты, свежие' - 'Instruct: Найти похожие продукты на основе деталей Query: Арома-саше "№13 Warm Tobacco" Aroma Garmony, 10 гр аромат, саше, натуральный, древесный, табачный, освежитель, упаковка, автомобиль, комод, шкафчик' - 'Instruct: Найти похожие продукты на основе деталей Query: Творог зерненый Карат Домашний 4% 200 г творог, домашний, зерненый, натуральный, без консервантов, без добавок, полезный завтрак, продукт из молока, умеренная жирность, Россия' - source_sentence: almette sentences: - 'Instruct: Найти похожие продукты на основе деталей Query: Конфеты Scandic Лесные ягоды без сахара 14 г без сахара, низкий гликемический индекс, очищение зубов, свежесть, ягодные конфеты, Россия' - 'Instruct: Найти похожие продукты на основе деталей Query: Жареный рис с креветками жареный рис, морепродукты, азиатская кухня, яйцо, овощи, жасминный рис, креветки' - 'Instruct: Найти похожие продукты на основе деталей Query: Сыр творожный Almette с зеленью 150 г None, сыр, творожный, закуски, бутерброды, сливочный, зелень' - source_sentence: низкокалорийная закуска без сахара для семьи без орехов с высоким содержанием белка sentences: - 'Instruct: Найти похожие продукты на основе деталей Query: Чебурек с телятиной чебурек, телятина, фарш, кинза, хрустящий, мясо, закуска, фритюр' - 'Instruct: Найти похожие продукты на основе деталей Query: Печенье протеиновое в шоколаде без доб. сахара протеин, белок, порционная упаковка, тренировка, здоровое питание, сладости без сахара, молочный шоколад, снек' - 'Instruct: Найти похожие продукты на основе деталей Query: Суп "Куриный" с домашней лапшой, 1 кг куриный суп, домашняя лапша, свежие овощи, зелень, специи, сытное блюдо, семейный обед, пищевая безопасность, аллергены' - source_sentence: паста томатная sentences: - 'Instruct: Найти похожие продукты на основе деталей Query: Паста томатная, 250 г томатная паста, кулинария, свежие ингредиенты, насыщенный вкус, универсальное применение, консистенция' - 'Instruct: Найти похожие продукты на основе деталей Query: Сыр ''Страчателла'' 150 г None, сыр, сливки, закуски, салаты, пицца, паста, гастрономия, итальянская кухня' - 'Instruct: Найти похожие продукты на основе деталей Query: Соус Filippo Berio томатный Арраббьята 340 г соус, итальянская кухня, без консервантов, для пасты, острый, натуральные ингредиенты, высокое качество, томатный соус, органические продукты' model-index: - name: SentenceTransformer based on intfloat/multilingual-e5-large-instruct results: - task: type: triplet name: Triplet dataset: name: dev type: dev metrics: - type: cosine_accuracy value: 0.9285083848190644 name: Cosine Accuracy - type: dot_accuracy value: 0.07149161518093557 name: Dot Accuracy - type: manhattan_accuracy value: 0.9285083848190644 name: Manhattan Accuracy - type: euclidean_accuracy value: 0.9285083848190644 name: Euclidean Accuracy - type: max_accuracy value: 0.9285083848190644 name: Max Accuracy --- # SentenceTransformer based on intfloat/multilingual-e5-large-instruct This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [intfloat/multilingual-e5-large-instruct](https://huggingface.co/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](https://huggingface.co/intfloat/multilingual-e5-large-instruct) - **Maximum Sequence Length:** 512 tokens - **Output Dimensionality:** 1024 tokens - **Similarity Function:** Cosine Similarity ### Model Sources - **Documentation:** [Sentence Transformers Documentation](https://sbert.net) - **Repository:** [Sentence Transformers on GitHub](https://github.com/UKPLab/sentence-transformers) - **Hugging Face:** [Sentence Transformers on Hugging Face](https://huggingface.co/models?library=sentence-transformers) ### 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: ```bash 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("Data-Lab/multilingual-e5-large-instruct-embedder-tg") # Run inference sentences = [ 'паста томатная', 'Instruct: Найти похожие продукты на основе деталей\nQuery: Паста томатная, 250 г томатная паста, кулинария, свежие ингредиенты, насыщенный вкус, универсальное применение, консистенция', 'Instruct: Найти похожие продукты на основе деталей\nQuery: Соус Filippo Berio томатный Арраббьята 340 г соус, итальянская кухня, без консервантов, для пасты, острый, натуральные ингредиенты, высокое качество, томатный соус, органические продукты', ] 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 #### Triplet * Dataset: `dev` * Evaluated with [TripletEvaluator](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.TripletEvaluator) | Metric | Value | |:-------------------|:-----------| | cosine_accuracy | 0.9285 | | dot_accuracy | 0.0715 | | manhattan_accuracy | 0.9285 | | euclidean_accuracy | 0.9285 | | **max_accuracy** | **0.9285** | ## Training Details ### Training Dataset #### Unnamed Dataset * Size: 10,190 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 | | | | * Samples: | sentence_0 | sentence_1 | sentence_2 | |:-------------------------------------|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------| | хурма | Instruct: Найти похожие продукты на основе деталей
Query: Чипсы из хурмы, 25 г чипсы, натуральные, фрукты, перекус, сладкий вкус, десерт | Instruct: Найти похожие продукты на основе деталей
Query: Салат мимоза, 300 г салат, праздничный стол, обед, горбуша, отварные овощи, куриные желтки, классический рецепт, нежный вкус, закуска | | жареное мясо | Instruct: Найти похожие продукты на основе деталей
Query: Жареная говядина с черным перцем жареное мясо, приготовление, специи, соусы, овощи | Instruct: Найти похожие продукты на основе деталей
Query: Каша рисовая на безлактозном молоке безлактозное молоко, рисовая каша, завтрак на ходу, низкое содержание жира, альтернативное молоко, легкая сладость, удобная упаковка, подходящий для аллергиков | | бедро цыпленка бройлера | Instruct: Найти похожие продукты на основе деталей
Query: Бедро цыплят-бройлеров Халяль 1 кг None, цыпленок, мясо, бройлер, халяль, бедро, маринование, тушение, запекание, None | Instruct: Найти похожие продукты на основе деталей
Query: Мясо бедра (Филе бедра) индейки в маринаде "Чесночный" 1 кг None, мясо, индейка, филе, маринад, чеснок, диетическое, нежирное, острое, травы, 1 кг, None | * Loss: [TripletLoss](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#tripletloss) with these parameters: ```json { "distance_metric": "TripletDistanceMetric.COSINE", "triplet_margin": 0.5 } ``` ### Training Hyperparameters #### Non-Default Hyperparameters - `eval_strategy`: steps - `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 - `overwrite_output_dir`: False - `do_predict`: False - `eval_strategy`: steps - `prediction_loss_only`: True - `per_device_train_batch_size`: 4 - `per_device_eval_batch_size`: 4 - `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`: 3 - `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`: 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`: True - `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`: False - `hub_always_push`: False - `gradient_checkpointing`: False - `gradient_checkpointing_kwargs`: None - `include_inputs_for_metrics`: False - `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 - `dispatch_batches`: None - `split_batches`: 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 - `eval_use_gather_object`: False - `batch_sampler`: batch_sampler - `multi_dataset_batch_sampler`: round_robin
### Training Logs | Epoch | Step | Training Loss | dev_max_accuracy | |:------:|:----:|:-------------:|:----------------:| | 0.3928 | 500 | 0.2652 | - | | 0.7855 | 1000 | 0.1742 | 0.9241 | | 1.0 | 1273 | - | 0.9179 | | 1.1783 | 1500 | 0.1526 | - | | 1.5711 | 2000 | 0.1237 | 0.9197 | | 1.9639 | 2500 | 0.0983 | - | | 2.0 | 2546 | - | 0.9197 | | 2.3566 | 3000 | 0.0881 | 0.9294 | | 2.7494 | 3500 | 0.0711 | - | | 3.0 | 3819 | - | 0.9285 | ### Framework Versions - Python: 3.10.12 - Sentence Transformers: 3.2.0 - Transformers: 4.44.0 - PyTorch: 2.3.1+cu121 - Accelerate: 0.31.0 - Datasets: 2.20.0 - Tokenizers: 0.19.1 ## 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", } ``` #### TripletLoss ```bibtex @misc{hermans2017defense, title={In Defense of the Triplet Loss for Person Re-Identification}, author={Alexander Hermans and Lucas Beyer and Bastian Leibe}, year={2017}, eprint={1703.07737}, archivePrefix={arXiv}, primaryClass={cs.CV} } ```