Upload README.md with huggingface_hub

README.md

@@ -1,554 +1,117 @@
 ---
-tags:
-- sentence-transformers
-- sentence-similarity
-- feature-extraction
-- dense
-- generated_from_trainer
-- dataset_size:92081
-- loss:MatryoshkaLoss
-- loss:MultipleNegativesRankingLoss
+language:
+- ta
+- en
+license: apache-2.0
 base_model: intfloat/multilingual-e5-base
-widget:
-- source_sentence: அவர் வீட்டுக்கு திரும்பினார்.அவர் தனது குரங்குக்கு உணவு கொடுத்து
-    சென்றார்.அவரின் குரங்கு எங்கும் காணப்படவில்லை.அவரின் குரங்கு எல்லையில் தேடி வந்தார்.அவருக்கு
-    அடுத்த நாள் தனது குரங்கு கண்டுபிடிக்க முடிந்தது.
-  sentences:
-  - Here Comes Santa Claus ஒரு இடத்தில் ஒரு முதல் 10 ஹெட்டாக இருந்தது
-  - சாம் ஒரு Pet Cat
-  - இது ஒரு ergonomic office chair.
-- source_sentence: 'Topics: ஏகத்துவத்தைக் கொண்டே பிரச்சாரத்தை ஆரம்பிக்க வேண்டும் and
-    தாயத்து கட்டுவது ஷிர்க்கை சார்ந்தது Begin propagation with Monotheism, and Using
-    amulets is Shirk Speaker: மவ்லவி கே.எல்.எம்.'
-  sentences:
-  - பிரெஞ்சுக்குத் தேவையான அளவு பிரெஞ்சு தேவை.
-  - அமெரிக்கா தான் மற்ற நாடுகள் கவனித்து வருகின்றன.
-  - ரஜினிகாந்த் ராகுல் ஒரு ராகுலக் காட்சியை வெளியிட்டிருக்கிறார்.
-- source_sentence: Karl & Co is a Norwegian situation comedy created by Tore Ryen,
-    starring Nils Vogt reprising his role as Karl Reverud from the popular sitcom
-    "Mot i brøstet".It aired on TV 2, run for three seasons from 1998 to 2001, a total
-    of 63 episodes.
-  sentences:
-  - ஆங்கிலத்தில் இதை Single Orgasm, Multiple Orgasm என்றும் கூறுகிறார்கள்.
-  - Hamvention 2018 Xenia இல் நடைபெறுகிறது.
-  - ஜூனியர் ஒப்பந்தங்கள்
-- source_sentence: There is only one temple in the village, no amman etc. The temple
-    to Sri Narayanan.கீழ்தட்டு மக்களே இராமனுஜரை, இவர்களுக்கு இருக்கும் பற்று எனக்கில்லையே
-    என நினைக்கவைத்த கதையும் உண்டு.ஒருநாள், நம்மாழ்வார் அவதரித்த ஊருக்குச் செல்லும்காலை,
-    அவருக்கு வழிதெரியவில்லை.
-  sentences:
-  - Wenham Parva ஒரு ஊர் மட்டுமே அல்ல, மேலும் ஒரு குடியரசு குடியரசு.
-  - பேச்சுவார்த்தை நிராகரிக்கப்படவில்லை.
-  - Zazie Beetz, Vanessa on Atlanta படத்தில் நடிக்கிறார்.
-- source_sentence: ஒரு முதியவன் பாதாளங்களைத் தாண்டும் தன் மந்திரக்கோலால் சாய்த்தபடியிருக்கிறான்
-    நாட்சத்திரங்களை...............................................................................................................................................................................
-    இது எத்தனையாவது [...]
-  sentences:
-  - விமானங்கள் போக்குவரத்துக்காக காவல்துறையில் அனுமதிக்கப்பட்டுள்ளன.
-  - தந்தைக்குக் கடினமான பரிசுகளைக் கொடுத்துக் கொண்டிருந்தார்.
-  - பிக்பாஸைப் பிடித்த போது எந்தப் படமும் நடக்கவில்லை.
-pipeline_tag: sentence-similarity
 library_name: sentence-transformers
+pipeline_tag: sentence-similarity
+tags:
+- tamil
+- embedding
+- sentence-transformers
+- matryoshka
+- dravidian
+- cross-lingual
+model-index:
+- name: Tamil-Embed-Base
+  results:
+  - task:
+      type: STS
+    dataset:
+      name: IndicCrosslingualSTS (en-ta)
+      type: mteb/IndicCrosslingualSTS
+    metrics:
+    - type: spearman
+      value: 0.489
+      name: Spearman (en-ta)
 ---
 
-# SentenceTransformer based on intfloat/multilingual-e5-base
+# Tamil-Embed-Base
 
-This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [intfloat/multilingual-e5-base](https://huggingface.co/intfloat/multilingual-e5-base). It maps sentences & paragraphs to a 768-dimensional dense vector space and can be used for semantic textual similarity, semantic search, paraphrase mining, text classification, clustering, and more.
+A Tamil-specialized sentence embedding model fine-tuned from multilingual-e5-base (278M parameters) using Matryoshka representation learning.
 
-## Model Details
+**Paper:** *"A Thousand Language Problem: Morphological Understanding in Linguistic AI"*
 
-### Model Description
-- **Model Type:** Sentence Transformer
-- **Base model:** [intfloat/multilingual-e5-base](https://huggingface.co/intfloat/multilingual-e5-base) <!-- at revision 835193815a3936a24a0ee7dc9e3d48c1fbb19c55 -->
-- **Maximum Sequence Length:** 512 tokens
-- **Output Dimensionality:** 768 dimensions
-- **Similarity Function:** Cosine Similarity
-<!-- - **Training Dataset:** Unknown -->
-<!-- - **Language:** Unknown -->
-<!-- - **License:** Unknown -->
+## Model Details
 
-### Model Sources
+| Property | Value |
+|----------|-------|
+| Base model | [intfloat/multilingual-e5-base](https://huggingface.co/intfloat/multilingual-e5-base) |
+| Parameters | 278M |
+| Embedding dimensions | 768 (supports Matryoshka: 768, 512, 256, 128, 64) |
+| Training data | NLI entailment pairs (ta) + Samanantar parallel corpus (~50K pairs) |
+| Loss function | MatryoshkaLoss + MultipleNegativesRankingLoss |
 
-- **Documentation:** [Sentence Transformers Documentation](https://sbert.net)
-- **Repository:** [Sentence Transformers on GitHub](https://github.com/huggingface/sentence-transformers)
-- **Hugging Face:** [Sentence Transformers on Hugging Face](https://huggingface.co/models?library=sentence-transformers)
+## Training
 
-### Full Model Architecture
+Two-stage training pipeline:
 
-```
-SentenceTransformer(
-  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False, 'architecture': 'XLMRobertaModel'})
-  (1): Pooling({'word_embedding_dimension': 768, '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()
-)
-```
+1. **Stage 1 (NLI Warm-up):** Fine-tune on Tamil NLI entailment pairs (ANLI, FEVER, LING, MNLI, WANLI) with MatryoshkaLoss wrapping MultipleNegativesRankingLoss
+2. **Stage 2 (Retrieval):** Fine-tune on Samanantar English-Tamil parallel corpus with hard negatives
 
-## Usage
+## MTEB Results
 
-### Direct Usage (Sentence Transformers)
+IndicCrosslingualSTS benchmark (Spearman correlation):
 
-First install the Sentence Transformers library:
+| Language Pair | Score |
+|---------------|-------|
+| en-hi (Hindi) | 0.640 |
+| en-kn (Kannada) | 0.584 |
+| en-ml (Malayalam) | 0.582 |
+| en-bn (Bengali) | 0.537 |
+| en-pa (Punjabi) | 0.536 |
+| en-gu (Gujarati) | 0.533 |
+| en-as (Assamese) | 0.512 |
+| **en-ta (Tamil)** | **0.489** |
+| en-mr (Marathi) | 0.485 |
+| en-te (Telugu) | 0.468 |
 
-```bash
-pip install -U sentence-transformers
-```
+## Usage
 
-Then you can load this model and run inference.
 ```python
 from sentence_transformers import SentenceTransformer
 
-# Download from the 🤗 Hub
 model = SentenceTransformer("Tamil-ai/tamil-embed-base")
-# Run inference
+
 sentences = [
-    'ஒரு முதியவன் பாதாளங்களைத் தாண்டும் தன் மந்திரக்கோலால் சாய்த்தபடியிருக்கிறான் நாட்சத்திரங்களை............................................................................................................................................................................... இது எத்தனையாவது [...]',
-    'தந்தைக்குக் கடினமான பரிசுகளைக் கொடுத்துக் கொண்டிருந்தார்.',
-    'பிக்பாஸைப் பிடித்த போது எந்தப் படமும் நடக்கவில்லை.',
+    "query: தமிழ் மொழியின் வரலாறு என்ன?",
+    "passage: தமிழ் மொழி 2000 ஆண்டுகளுக்கும் மேலான வரலாற்றைக் கொண்ட செம்மொழியாகும்.",
+    "passage: Python is a popular programming language.",
 ]
+
 embeddings = model.encode(sentences)
-print(embeddings.shape)
-# [3, 768]
+print(embeddings.shape)  # (3, 768)
 
-# Get the similarity scores for the embeddings
-similarities = model.similarity(embeddings, embeddings)
-print(similarities)
-# tensor([[1.0000, 0.4205, 0.4317],
-#         [0.4205, 1.0000, 0.3737],
-#         [0.4317, 0.3737, 1.0000]])
+# Compute similarity
+from sentence_transformers.util import cos_sim
+similarities = cos_sim(embeddings[0], embeddings[1:])
+print(similarities)  # Tamil passage should score higher
 ```
 
-<!--
-### Direct Usage (Transformers)
-
-<details><summary>Click to see the direct usage in Transformers</summary>
-
-</details>
--->
-
-<!--
-### Downstream Usage (Sentence Transformers)
-
-You can finetune this model on your own dataset.
-
-<details><summary>Click to expand</summary>
-
-</details>
--->
-
-<!--
-### Out-of-Scope Use
-
-*List how the model may foreseeably be misused and address what users ought not to do with the model.*
--->
-
-<!--
-## Bias, Risks and Limitations
-
-*What are the known or foreseeable issues stemming from this model? You could also flag here known failure cases or weaknesses of the model.*
--->
-
-<!--
-### Recommendations
-
-*What are recommendations with respect to the foreseeable issues? For example, filtering explicit content.*
--->
+### Matryoshka (variable dimensions)
 
-## Training Details
-
-### Training Dataset
-
-#### Unnamed Dataset
-
-* Size: 92,081 training samples
-* Columns: <code>anchor</code> and <code>positive</code>
-* Approximate statistics based on the first 1000 samples:
-  |         | anchor                                                                              | positive                                                                          |
-  |:--------|:------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|
-  | type    | string                                                                              | string                                                                            |
-  | details | <ul><li>min: 15 tokens</li><li>mean: 57.89 tokens</li><li>max: 200 tokens</li></ul> | <ul><li>min: 4 tokens</li><li>mean: 16.06 tokens</li><li>max: 87 tokens</li></ul> |
-* Samples:
-  | anchor                                                                                                                                                                                                                                                                                                                       | positive                                              |
-  |:-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:------------------------------------------------------|
-  | <code>Jack and Jill: A Village Story by Louisa May Alcott, is a children's book originally published in 1880.It takes place in a small New England town after the Civil War.The story of two good friends named Jack and Janey, "Jack and Jill" tells of the aftermath of a serious sliding accident.</code>                 | <code>ஜாக் மற்றும் ஜானி இரு நல்ல நண்பர்கள்.</code>    |
-  | <code>SourceMedia ஒரு mid-size diversified business-to-business digital media company owned by Observer Capital, which acquired the company from Investcorp in August 2014.Thomson Corporation's former Thomson Media division, SourceMedia விழுந்து, Thomson 2004 இல் Investcorp க்கு விற்கப்பட்டது $ 350 மில்லியன்.</code> | <code>SourceMedia ஒரு Digital Media நிறுவனம்</code>   |
-  | <code>ஒரு முதியவன் பாதாளங்களைத் தாண்டும் தன் மந்திரக்கோலால் சாய்த்தபடியிருக்கிறான் நாட்சத்திரங்களை............................................................................................................................................................................... இது எத்தனையாவது [...]</code>               | <code>பல்வேறு மாநிலங்களில் அரசுக்கு எச்சரிக்கை</code> |
-* Loss: [<code>MatryoshkaLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#matryoshkaloss) with these parameters:
-  ```json
-  {
-      "loss": "MultipleNegativesRankingLoss",
-      "matryoshka_dims": [
-          768,
-          512,
-          256,
-          128
-      ],
-      "matryoshka_weights": [
-          1,
-          1,
-          1,
-          1
-      ],
-      "n_dims_per_step": -1
-  }
-  ```
-
-### Training Hyperparameters
-#### Non-Default Hyperparameters
-
-- `per_device_train_batch_size`: 64
-- `learning_rate`: 1e-06
-- `warmup_steps`: 144
-- `fp16`: True
-- `gradient_checkpointing`: True
-- `batch_sampler`: no_duplicates
-
-#### All Hyperparameters
-<details><summary>Click to expand</summary>
-
-- `per_device_train_batch_size`: 64
-- `num_train_epochs`: 3
-- `max_steps`: -1
-- `learning_rate`: 1e-06
-- `lr_scheduler_type`: linear
-- `lr_scheduler_kwargs`: None
-- `warmup_steps`: 144
-- `optim`: adamw_torch_fused
-- `optim_args`: None
-- `weight_decay`: 0.0
-- `adam_beta1`: 0.9
-- `adam_beta2`: 0.999
-- `adam_epsilon`: 1e-08
-- `optim_target_modules`: None
-- `gradient_accumulation_steps`: 1
-- `average_tokens_across_devices`: True
-- `max_grad_norm`: 1.0
-- `label_smoothing_factor`: 0.0
-- `bf16`: False
-- `fp16`: True
-- `bf16_full_eval`: False
-- `fp16_full_eval`: False
-- `tf32`: None
-- `gradient_checkpointing`: True
-- `gradient_checkpointing_kwargs`: None
-- `torch_compile`: False
-- `torch_compile_backend`: None
-- `torch_compile_mode`: None
-- `use_liger_kernel`: False
-- `liger_kernel_config`: None
-- `use_cache`: False
-- `neftune_noise_alpha`: None
-- `torch_empty_cache_steps`: None
-- `auto_find_batch_size`: False
-- `log_on_each_node`: True
-- `logging_nan_inf_filter`: True
-- `include_num_input_tokens_seen`: no
-- `log_level`: passive
-- `log_level_replica`: warning
-- `disable_tqdm`: False
-- `project`: huggingface
-- `trackio_space_id`: trackio
-- `eval_strategy`: no
-- `per_device_eval_batch_size`: 8
-- `prediction_loss_only`: True
-- `eval_on_start`: False
-- `eval_do_concat_batches`: True
-- `eval_use_gather_object`: False
-- `eval_accumulation_steps`: None
-- `include_for_metrics`: []
-- `batch_eval_metrics`: False
-- `save_only_model`: False
-- `save_on_each_node`: False
-- `enable_jit_checkpoint`: False
-- `push_to_hub`: False
-- `hub_private_repo`: None
-- `hub_model_id`: None
-- `hub_strategy`: every_save
-- `hub_always_push`: False
-- `hub_revision`: None
-- `load_best_model_at_end`: False
-- `ignore_data_skip`: False
-- `restore_callback_states_from_checkpoint`: False
-- `full_determinism`: False
-- `seed`: 42
-- `data_seed`: None
-- `use_cpu`: 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
-- `dataloader_drop_last`: False
-- `dataloader_num_workers`: 0
-- `dataloader_pin_memory`: True
-- `dataloader_persistent_workers`: False
-- `dataloader_prefetch_factor`: None
-- `remove_unused_columns`: True
-- `label_names`: None
-- `train_sampling_strategy`: random
-- `length_column_name`: length
-- `ddp_find_unused_parameters`: None
-- `ddp_bucket_cap_mb`: None
-- `ddp_broadcast_buffers`: False
-- `ddp_backend`: None
-- `ddp_timeout`: 1800
-- `fsdp`: []
-- `fsdp_config`: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
-- `deepspeed`: None
-- `debug`: []
-- `skip_memory_metrics`: True
-- `do_predict`: False
-- `resume_from_checkpoint`: None
-- `warmup_ratio`: None
-- `local_rank`: -1
-- `prompts`: None
-- `batch_sampler`: no_duplicates
-- `multi_dataset_batch_sampler`: proportional
-- `router_mapping`: {}
-- `learning_rate_mapping`: {}
-
-</details>
-
-### Training Logs
-<details><summary>Click to expand</summary>
-
-| Epoch  | Step | Training Loss |
-|:------:|:----:|:-------------:|
-| 0.0174 | 25   | 9.5049        |
-| 0.0347 | 50   | 9.2988        |
-| 0.0521 | 75   | 8.7502        |
-| 0.0695 | 100  | 7.9748        |
-| 0.0869 | 125  | 7.1927        |
-| 0.1042 | 150  | 6.1935        |
-| 0.1216 | 175  | 5.3092        |
-| 0.1390 | 200  | 4.6630        |
-| 0.1564 | 225  | 4.1481        |
-| 0.1737 | 250  | 3.5569        |
-| 0.1911 | 275  | 3.5474        |
-| 0.2085 | 300  | 3.5098        |
-| 0.2259 | 325  | 3.2235        |
-| 0.2432 | 350  | 2.9600        |
-| 0.2606 | 375  | 3.0261        |
-| 0.2780 | 400  | 2.8874        |
-| 0.2953 | 425  | 2.9094        |
-| 0.3127 | 450  | 2.9079        |
-| 0.3301 | 475  | 2.6196        |
-| 0.3475 | 500  | 2.6887        |
-| 0.3648 | 525  | 3.0199        |
-| 0.3822 | 550  | 2.8014        |
-| 0.3996 | 575  | 2.8743        |
-| 0.4170 | 600  | 2.7243        |
-| 0.4343 | 625  | 2.7829        |
-| 0.4517 | 650  | 2.7898        |
-| 0.4691 | 675  | 2.7561        |
-| 0.4864 | 700  | 2.6587        |
-| 0.5038 | 725  | 2.6228        |
-| 0.5212 | 750  | 2.5352        |
-| 0.5386 | 775  | 2.6544        |
-| 0.5559 | 800  | 2.6122        |
-| 0.5733 | 825  | 2.6155        |
-| 0.5907 | 850  | 2.4361        |
-| 0.6081 | 875  | 2.6018        |
-| 0.6254 | 900  | 2.5225        |
-| 0.6428 | 925  | 2.5303        |
-| 0.6602 | 950  | 2.7318        |
-| 0.6776 | 975  | 2.5735        |
-| 0.6949 | 1000 | 2.5443        |
-| 0.7123 | 1025 | 2.3904        |
-| 0.7297 | 1050 | 2.4995        |
-| 0.7470 | 1075 | 2.5640        |
-| 0.7644 | 1100 | 2.6522        |
-| 0.7818 | 1125 | 2.5466        |
-| 0.7992 | 1150 | 2.4968        |
-| 0.8165 | 1175 | 2.3753        |
-| 0.8339 | 1200 | 2.4524        |
-| 0.8513 | 1225 | 2.3839        |
-| 0.8687 | 1250 | 2.6322        |
-| 0.8860 | 1275 | 2.5143        |
-| 0.9034 | 1300 | 2.6360        |
-| 0.9208 | 1325 | 2.3736        |
-| 0.9382 | 1350 | 3.3474        |
-| 0.9555 | 1375 | 4.2932        |
-| 0.9729 | 1400 | 3.8941        |
-| 0.9903 | 1425 | 4.0057        |
-| 1.0076 | 1450 | 3.2783        |
-| 1.0250 | 1475 | 2.6051        |
-| 1.0424 | 1500 | 2.8140        |
-| 1.0598 | 1525 | 2.4573        |
-| 1.0771 | 1550 | 2.5487        |
-| 1.0945 | 1575 | 2.5347        |
-| 1.1119 | 1600 | 2.3618        |
-| 1.1293 | 1625 | 2.3501        |
-| 1.1466 | 1650 | 2.4186        |
-| 1.1640 | 1675 | 2.3757        |
-| 1.1814 | 1700 | 2.6012        |
-| 1.1987 | 1725 | 2.3281        |
-| 1.2161 | 1750 | 2.4444        |
-| 1.2335 | 1775 | 2.5461        |
-| 1.2509 | 1800 | 2.5203        |
-| 1.2682 | 1825 | 2.4201        |
-| 1.2856 | 1850 | 2.6096        |
-| 1.3030 | 1875 | 2.4021        |
-| 1.3204 | 1900 | 2.4524        |
-| 1.3377 | 1925 | 2.3002        |
-| 1.3551 | 1950 | 2.4063        |
-| 1.3725 | 1975 | 2.1237        |
-| 1.3899 | 2000 | 2.3219        |
-| 1.4072 | 2025 | 2.3227        |
-| 1.4246 | 2050 | 2.3646        |
-| 1.4420 | 2075 | 2.4407        |
-| 1.4593 | 2100 | 2.2862        |
-| 1.4767 | 2125 | 2.2900        |
-| 1.4941 | 2150 | 2.2512        |
-| 1.5115 | 2175 | 2.3741        |
-| 1.5288 | 2200 | 2.6308        |
-| 1.5462 | 2225 | 2.5161        |
-| 1.5636 | 2250 | 2.4871        |
-| 1.5810 | 2275 | 2.5049        |
-| 1.5983 | 2300 | 2.6384        |
-| 1.6157 | 2325 | 2.4185        |
-| 1.6331 | 2350 | 2.4573        |
-| 1.6505 | 2375 | 2.2954        |
-| 1.6678 | 2400 | 2.2384        |
-| 1.6852 | 2425 | 2.3318        |
-| 1.7026 | 2450 | 2.2915        |
-| 1.7199 | 2475 | 2.2013        |
-| 1.7373 | 2500 | 2.4082        |
-| 1.7547 | 2525 | 2.5290        |
-| 1.7721 | 2550 | 2.4825        |
-| 1.7894 | 2575 | 2.4610        |
-| 1.8068 | 2600 | 2.3414        |
-| 1.8242 | 2625 | 2.3729        |
-| 1.8416 | 2650 | 2.5862        |
-| 1.8589 | 2675 | 2.4320        |
-| 1.8763 | 2700 | 2.2745        |
-| 1.8937 | 2725 | 2.3046        |
-| 1.9110 | 2750 | 2.3621        |
-| 1.9284 | 2775 | 2.3097        |
-| 1.9458 | 2800 | 4.1645        |
-| 1.9632 | 2825 | 4.5466        |
-| 1.9805 | 2850 | 4.6750        |
-| 1.9979 | 2875 | 2.8955        |
-| 2.0153 | 2900 | 2.9962        |
-| 2.0327 | 2925 | 2.3366        |
-| 2.0500 | 2950 | 2.2591        |
-| 2.0674 | 2975 | 2.3375        |
-| 2.0848 | 3000 | 2.4169        |
-| 2.1022 | 3025 | 2.2635        |
-| 2.1195 | 3050 | 2.1642        |
-| 2.1369 | 3075 | 2.4082        |
-| 2.1543 | 3100 | 2.3501        |
-| 2.1716 | 3125 | 2.4870        |
-| 2.1890 | 3150 | 2.7393        |
-| 2.2064 | 3175 | 2.3203        |
-| 2.2238 | 3200 | 2.2731        |
-| 2.2411 | 3225 | 2.1901        |
-| 2.2585 | 3250 | 2.3000        |
-| 2.2759 | 3275 | 2.3846        |
-| 2.2933 | 3300 | 2.2514        |
-| 2.3106 | 3325 | 2.2218        |
-| 2.3280 | 3350 | 2.5800        |
-| 2.3454 | 3375 | 2.4384        |
-| 2.3628 | 3400 | 2.4946        |
-| 2.3801 | 3425 | 2.2781        |
-| 2.3975 | 3450 | 2.2777        |
-| 2.4149 | 3475 | 2.2062        |
-| 2.4322 | 3500 | 2.3994        |
-| 2.4496 | 3525 | 2.5084        |
-| 2.4670 | 3550 | 2.1158        |
-| 2.4844 | 3575 | 2.0865        |
-| 2.5017 | 3600 | 2.3174        |
-| 2.5191 | 3625 | 2.3668        |
-| 2.5365 | 3650 | 2.3439        |
-| 2.5539 | 3675 | 2.4482        |
-| 2.5712 | 3700 | 2.3998        |
-| 2.5886 | 3725 | 2.2155        |
-| 2.6060 | 3750 | 2.0207        |
-| 2.6233 | 3775 | 2.2652        |
-| 2.6407 | 3800 | 2.4261        |
-| 2.6581 | 3825 | 2.2214        |
-| 2.6755 | 3850 | 2.2244        |
-| 2.6928 | 3875 | 2.2835        |
-| 2.7102 | 3900 | 2.4259        |
-| 2.7276 | 3925 | 2.3013        |
-| 2.7450 | 3950 | 2.1069        |
-| 2.7623 | 3975 | 2.4415        |
-| 2.7797 | 4000 | 2.3380        |
-| 2.7971 | 4025 | 2.3013        |
-| 2.8145 | 4050 | 2.4202        |
-| 2.8318 | 4075 | 2.2488        |
-| 2.8492 | 4100 | 2.1855        |
-| 2.8666 | 4125 | 2.3882        |
-| 2.8839 | 4150 | 2.5306        |
-| 2.9013 | 4175 | 2.3197        |
-| 2.9187 | 4200 | 2.3295        |
-| 2.9361 | 4225 | 3.2070        |
-| 2.9534 | 4250 | 3.9697        |
-| 2.9708 | 4275 | 4.2241        |
-| 2.9882 | 4300 | 3.5779        |
+```python
+# Use smaller dimensions for faster search with minimal quality loss
+embeddings_256 = model.encode(sentences, output_value="sentence_embedding")[:, :256]
+embeddings_128 = model.encode(sentences, output_value="sentence_embedding")[:, :128]
+```
 
-</details>
+## Intended Use
 
-### Framework Versions
-- Python: 3.12.12
-- Sentence Transformers: 5.2.3
-- Transformers: 5.3.0
-- PyTorch: 2.9.0+cu126
-- Accelerate: 1.12.0
-- Datasets: 4.0.0
-- Tokenizers: 0.22.2
+- Tamil semantic search and retrieval
+- Cross-lingual English-Tamil similarity
+- Tamil document clustering
+- RAG (Retrieval Augmented Generation) for Tamil
 
 ## 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",
+@misc{tamilai2026embed,
+  title={A Thousand Language Problem: Morphological Understanding in Linguistic AI},
+  author={Tamil-AI},
+  year={2026},
+  publisher={HuggingFace},
+  url={https://huggingface.co/Tamil-ai/tamil-embed-base}
 }
 ```
-
-#### MatryoshkaLoss
-```bibtex
-@misc{kusupati2024matryoshka,
-    title={Matryoshka Representation Learning},
-    author={Aditya Kusupati and Gantavya Bhatt and Aniket Rege and Matthew Wallingford and Aditya Sinha and Vivek Ramanujan and William Howard-Snyder and Kaifeng Chen and Sham Kakade and Prateek Jain and Ali Farhadi},
-    year={2024},
-    eprint={2205.13147},
-    archivePrefix={arXiv},
-    primaryClass={cs.LG}
-}
-```
-
-#### 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}
-}
-```
-
-<!--
-## Glossary
-
-*Clearly define terms in order to be accessible across audiences.*
--->
-
-<!--
-## Model Card Authors
-
-*Lists the people who create the model card, providing recognition and accountability for the detailed work that goes into its construction.*
--->
-
-<!--
-## Model Card Contact
-
-*Provides a way for people who have updates to the Model Card, suggestions, or questions, to contact the Model Card authors.*
--->