Sentence Similarity
sentence-transformers
Safetensors
xlm-roberta
feature-extraction
Generated from Trainer
dataset_size:4000
loss:CosineSimilarityLoss
Eval Results (legacy)
text-embeddings-inference
Instructions to use Romaniox/paraphrase-multilingual-mpnet-base-v2-sts with libraries, inference providers, notebooks, and local apps. Follow these links to get started.
- Libraries
- sentence-transformers
How to use Romaniox/paraphrase-multilingual-mpnet-base-v2-sts with sentence-transformers:
from sentence_transformers import SentenceTransformer model = SentenceTransformer("Romaniox/paraphrase-multilingual-mpnet-base-v2-sts") sentences = [ "Мы сейчас прописываем новый стандарт для нового продукта - пирожное бисквитное с начинкой. В составе нашего продукта есть спирт, содержание которого в продукте составляет примерно 1%. Во всех наших стандартах мы прописываем, для какой категории граждан предназначено наше изделие. Есть ли какой-то нормативный документ, где будет прописано, с какого возраста можно давать детям кондитерское изделие с содержанием спирта (менее 1%)?", "88. Порядок регистрации проведенного инструктажа по охране труда и форма его документирования утверждаются работодателем.", "5. В территориальных аттестационных комиссиях проходят первичную и периодическую аттестацию: а) члены аттестационных комиссий организаций и иные указанные в подпунктах \"а\", \"б\" и \"е\" пункта 2 настоящего Положения работники (за исключением работников организаций, обеспечивающих безопасность государства); б) указанные в подпункте \"в\" пункта 2 настоящего Положения работники (за исключением работников организаций, обеспечивающих безопасность государства) - в случаях, если в организациях не сформированы аттестационные комиссии организаций.", "5. Пищевая продукция для детского питания не должна содержать: этилового спирта более 0,2 процента; кофе натурального; ядер абрикосовой косточки; уксуса; подсластителей, за исключением специализированной пищевой продукции для диетического лечебного и диетического профилактического питания." ] embeddings = model.encode(sentences) similarities = model.similarity(embeddings, embeddings) print(similarities.shape) # [4, 4] - Notebooks
- Google Colab
- Kaggle