Sentence Similarity
sentence-transformers
Safetensors
gemma3_text
feature-extraction
dense
Generated from Trainer
dataset_size:2609
loss:MultipleNegativesRankingLoss
Eval Results (legacy)
text-embeddings-inference
Instructions to use TextModel/Embedding-crime-indo with libraries, inference providers, notebooks, and local apps. Follow these links to get started.
- Libraries
- sentence-transformers
How to use TextModel/Embedding-crime-indo with sentence-transformers:
from sentence_transformers import SentenceTransformer model = SentenceTransformer("TextModel/Embedding-crime-indo") sentences = [ "query: Kalau si koruptor ternyata udah nggak punya harta lagi buat bayar uang pengganti, apa konsekuensinya?", "passage: Hukumnya adalah tindak pidana yang diancam dengan pidana penjara paling lama 4 tahun atau pidana denda paling banyak kategori IV karena menggunakan ancaman kekerasan. (Pasal 302 KUHP)", "passage: Kalau harta bendanya tidak mencukupi, terpidana bisa dipidana penjara yang lamanya tidak melebihi ancaman maksimum pidana pokoknya dan sudah ditentukan langsung di dalam putusan pengadilan.", "passage: Penyitaan dan pelelangan harta bila uang pengganti tidak dibayar." ] embeddings = model.encode(sentences) similarities = model.similarity(embeddings, embeddings) print(similarities.shape) # [4, 4] - Notebooks
- Google Colab
- Kaggle
- Xet hash:
- 508c323ee3c141e061d6a77f2af59dce4fb1ac044a0daf12eea2c67af9079e20
- Size of remote file:
- 1.21 GB
- SHA256:
- b06c1283581cb3ba0c854f909f1470fdfbbea8f0eb9c7ee34d460fc307e1ecd2
·
Xet efficiently stores Large Files inside Git, intelligently splitting files into unique chunks and accelerating uploads and downloads. More info.