Sentence Similarity
sentence-transformers
Safetensors
multilingual
xlm-roberta
feature-extraction
Generated from Trainer
dataset_size:1765
loss:TripletLoss
Eval Results (legacy)
text-embeddings-inference
Instructions to use RamsesDIIP/me5-large-construction-v2 with libraries, inference providers, notebooks, and local apps. Follow these links to get started.
- Libraries
- sentence-transformers
How to use RamsesDIIP/me5-large-construction-v2 with sentence-transformers:
from sentence_transformers import SentenceTransformer model = SentenceTransformer("RamsesDIIP/me5-large-construction-v2") sentences = [ "Pavimento de piedra calcárea nacional serrada y sin pulir, precio alto, de 40 mm de espesor con arista viva en los cuatro bordes 1251 a 2500 cm2, colocada a pique de maceta con mortero cemento 1:6", "Bordillo de hormigón recto con canaleta, de una sola capa, dimensiones 40x35 cm, instalado sobre una base de hormigón no estructural de 25 a 30 cm de altura y sellado con mortero.", "Pavimento de piedra caliza nacional, sin pulir y con un grosor de 40 mm, con bordes afilados, en un rango de 1251 a 2500 cm2, instalado en macetas utilizando mortero de cemento en una proporción de 1:6, a un precio elevado.", "Pavimento de cerámica esmaltada de importación, precio bajo, de 10 mm de espesor con bordes redondeados en los cuatro lados 500 a 1000 cm2, instalada en superficie plana con adhesivo flexible." ] embeddings = model.encode(sentences) similarities = model.similarity(embeddings, embeddings) print(similarities.shape) # [4, 4] - Notebooks
- Google Colab
- Kaggle