YarKo69/e5-base-retrievers

SentenceTransformer based on intfloat/multilingual-e5-small

This is a sentence-transformers model finetuned from intfloat/multilingual-e5-small. It maps sentences & paragraphs to a 384-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-small
• Maximum Sequence Length: 512 tokens
• Output Dimensionality: 384 dimensions
• Similarity Function: Cosine Similarity

Model Sources

• Documentation: Sentence Transformers Documentation
• Repository: Sentence Transformers on GitHub
• Hugging Face: Sentence Transformers on Hugging Face

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 384, '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:

pip install -U sentence-transformers

Then you can load this model and run inference.

from sentence_transformers import SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("YarKo69/e5-base-retrievers")
# Run inference
sentences = [
    'query: 2Ea(∇θlog πθ(a|s) (Qπ(s,a) −b) −m)T (−∇θlog πθ(a|s)) = 0\nВыделяем норму градиента логарифма правдоподобия:\n−Ea∥∇θlog πθ(a|s)∥2\n2Qπ(s,a) + Ea∥∇θlog πθ(a|s)∥2\n2b+ EamT (∇θlog πθ(a|s)) = 0 (5.15)\nОсталось заметить, что третье слагаемое есть ноль. Это обобщение нашей теоремы о бэйзлайне (формулы\n(5.6)): условно, бэйзлайн может быть свой для каждой компоненты вектораθ, опять же, до тех пор, пока он\nне зависит от действий. В данном случаеm /emdash.cyr некоторый фиксированный вектор, одинаковый для всехa;\nпоэтому, еслиd/emdash.cyr размерность вектора параметровθ, то:\nEamT (∇θlog πθ(a|s)) = Ea\nd∑\ni=0\nmi∇θi log πθ(a|s) =\nd∑\ni=0\nmiEa∇θi log πθ(a|s)\ued19 \ued18\ued17 \ued1a\n0 по формуле (5.6)\n= 0\nУбирая это нулевое третье слагаемое из (5.15), получаем равенство между первыми двумя:\nbEa∥∇θlog πθ(a|s)∥2\n2 = Ea∥∇θlog πθ(a|s)∥2\n2Qπ(s,a)\nВыражая из негоb, получаем доказываемое.\n130',
    'passage: 2Ea(∇θlog πθ(a|s) (Qπ(s,a) −b) −m)T (−∇θlog πθ(a|s)) = 0\nВыделяем норму градиента логарифма правдоподобия:\n−Ea∥∇θlog πθ(a|s)∥2\n2Qπ(s,a) + Ea∥∇θlog πθ(a|s)∥2\n2b+ EamT (∇θlog πθ(a|s)) = 0 (5.15)\nОсталось заметить, что третье слагаемое есть ноль. Это обобщение нашей теоремы о бэйзлайне (формулы\n(5.6)): условно, бэйзлайн может быть свой для каждой компоненты вектораθ, опять же, до тех пор, пока он\nне зависит от действий. В данном случаеm /emdash.cyr некоторый фиксированный вектор, одинаковый для всехa;\nпоэтому, еслиd/emdash.cyr размерность вектора параметровθ, то:\nEamT (∇θlog πθ(a|s)) = Ea\nd∑\ni=0\nmi∇θi log πθ(a|s) =\nd∑\ni=0\nmiEa∇θi log πθ(a|s)\ued19 \ued18\ued17 \ued1a\n0 по формуле (5.6)\n= 0\nУбирая это нулевое третье слагаемое из (5.15), получаем равенство между первыми двумя:\nbEa∥∇θlog πθ(a|s)∥2\n2 = Ea∥∇θlog πθ(a|s)∥2\n2Qπ(s,a)\nВыражая из негоb, получаем доказываемое.\n130',
    'passage: с подмешанным эксплорейшном. Это различие было для нас принципиально: оптимальны детерминированные\nстратегии, а взаимодействовать со средой мы готовы лишь стохастичными стратегиями. У этого /guillemotleft.cyrнесовпадения/guillemotright.cyr\nесть следующий эффект.\nПример 59 /emdash.cyr Cliff World: Рассмотрим MDP с рисунка с детерминированной функцией переходов, действиями\nвверх-вниз-вправо-влево иγ <1; за попадание в лаву начисляется огромный штраф, а эпизод прерывается.\nЗа попадание в целевое состояние агент получает +1, и эпизод также завершается; соответственно, задача\nагента /emdash.cyr как можно быстрее добраться до цели, не угодив в лаву.\nQ-learning, тем не менее, постепенно сойдётся к оптимальной стра-\nтегии: кратчайшим маршрутом агент может добраться до терминаль-\nного состояния с положительной наградой. Однако даже после того,\nкак оптимальная стратегия уже выучилась, Q-learning продолжает\nпрыгать в лаву! Почему? Проходя прямо возле лавы, агент каждый',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 384]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]

Training Details

Training Dataset

Unnamed Dataset

• Size: 935 training samples
• Columns: anchor and positive
• Approximate statistics based on the first 935 samples:

  	anchor	positive
  type	string	string
  details	min: 106 tokens mean: 300.47 tokens max: 512 tokens	min: 105 tokens mean: 299.51 tokens max: 512 tokens

• Samples:

  anchor	positive
  query: прошлом/guillemotright.cyr. Наша внутренняя мотивация тоже есть такая добавка, только теперь она должна оценивать новизну посещаемых областей в среде. Попробуем исходить из схожих соображений: будем награждать агента за посещения тех состояний, в кото- рых он был редко. Мы можем это сделать двумя способами. Определение 103: Пустьh(s): S→{ 0,1 ...N }/emdash.cyr некоторая хэш-функция состояний, называемаяораку- лом(oracle), иn(i) /emdash.cyr счётчик, сколько раз за время всего обучения нам встретились состояния с хэшемi. Тогда rintr(s,a) := 1 n(h(s)) называетсянестационарнымисследовательским бонусом; награда rintr(st,at) := I[∀t′то есть награждение +1, если мы попали в состояние, хэш для которогоh(st) не встречался до этого в течение данного эпизода, называетсяэпизодичнымисследовательским бонусом. Нестационарные исследовательские бонусы затухают с ходом обучения; в пределе мы, надеемся, посетим	passage: прошлом/guillemotright.cyr. Наша внутренняя мотивация тоже есть такая добавка, только теперь она должна оценивать новизну посещаемых областей в среде. Попробуем исходить из схожих соображений: будем награждать агента за посещения тех состояний, в кото- рых он был редко. Мы можем это сделать двумя способами. Определение 103: Пустьh(s): S→{ 0,1 ...N }/emdash.cyr некоторая хэш-функция состояний, называемаяораку- лом(oracle), иn(i) /emdash.cyr счётчик, сколько раз за время всего обучения нам встретились состояния с хэшемi. Тогда rintr(s,a) := 1 n(h(s)) называетсянестационарнымисследовательским бонусом; награда rintr(st,at) := I[∀t′то есть награждение +1, если мы попали в состояние, хэш для которогоh(st) не встречался до этого в течение данного эпизода, называетсяэпизодичнымисследовательским бонусом. Нестационарные исследовательские бонусы затухают с ходом обучения; в пределе мы, надеемся, посетим
  query: ]  = {перегруппируем слагаемые}= ET∼π2	s0=s ∑ t≥0 γt(rt + γVπ1(st+1) −Vπ1(st)) = {фокусExf(x) = ExExf(x)}= ET∼π2
  query: Теорема 55: Для произвольного распределенияπθ(a) с параметрамиθ, верно: Ea∼πθ(a)∇θlog πθ(a) = 0 (5.6) Доказательство. Ea∼πθ(a)∇θlog πθ(a) = {производная логарифма}= Ea∼πθ(a) ∇θπθ(a) πθ(a) = = ∫ A ∇θπθ(a) da= ∇θ ∫ A πθ(a) da= ∇θ1 = 0 ■ Следующееутверждениеформализуетэтоттезисотом,что/guillemotleft.cyrбудущееневлияетнапрошлое/guillemotright.cyr:выбордействий в некоторый момент времени никак не влияет на те слагаемые из награды, которые были получены в прошлом. Теорема 56 /emdash.cyr Принцип причинности (causality): При t> ˆt: ET∼π∇θlog πθ(at	st)γˆtrˆt = 0 122

• Loss: MultipleNegativesRankingLoss with these parameters:

  {
      "scale": 20.0,
      "similarity_fct": "cos_sim"
  }
  

Evaluation Dataset

Unnamed Dataset

• Size: 400 evaluation samples
• Columns: anchor and positive
• Approximate statistics based on the first 400 samples:

  	anchor	positive
  type	string	string
  details	min: 125 tokens mean: 297.33 tokens max: 512 tokens	min: 124 tokens mean: 296.36 tokens max: 512 tokens

• Samples:

  anchor	positive
  query: прошлом/guillemotright.cyr. Наша внутренняя мотивация тоже есть такая добавка, только теперь она должна оценивать новизну посещаемых областей в среде. Попробуем исходить из схожих соображений: будем награждать агента за посещения тех состояний, в кото- рых он был редко. Мы можем это сделать двумя способами. Определение 103: Пустьh(s): S→{ 0,1 ...N }/emdash.cyr некоторая хэш-функция состояний, называемаяораку- лом(oracle), иn(i) /emdash.cyr счётчик, сколько раз за время всего обучения нам встретились состояния с хэшемi. Тогда rintr(s,a) := 1 n(h(s)) называетсянестационарнымисследовательским бонусом; награда rintr(st,at) := I[∀t′то есть награждение +1, если мы попали в состояние, хэш для которогоh(st) не встречался до этого в течение данного эпизода, называетсяэпизодичнымисследовательским бонусом. Нестационарные исследовательские бонусы затухают с ходом обучения; в пределе мы, надеемся, посетим	passage: прошлом/guillemotright.cyr. Наша внутренняя мотивация тоже есть такая добавка, только теперь она должна оценивать новизну посещаемых областей в среде. Попробуем исходить из схожих соображений: будем награждать агента за посещения тех состояний, в кото- рых он был редко. Мы можем это сделать двумя способами. Определение 103: Пустьh(s): S→{ 0,1 ...N }/emdash.cyr некоторая хэш-функция состояний, называемаяораку- лом(oracle), иn(i) /emdash.cyr счётчик, сколько раз за время всего обучения нам встретились состояния с хэшемi. Тогда rintr(s,a) := 1 n(h(s)) называетсянестационарнымисследовательским бонусом; награда rintr(st,at) := I[∀t′то есть награждение +1, если мы попали в состояние, хэш для которогоh(st) не встречался до этого в течение данного эпизода, называетсяэпизодичнымисследовательским бонусом. Нестационарные исследовательские бонусы затухают с ходом обучения; в пределе мы, надеемся, посетим
  query: ]  = {перегруппируем слагаемые}= ET∼π2	s0=s ∑ t≥0 γt(rt + γVπ1(st+1) −Vπ1(st)) = {фокусExf(x) = ExExf(x)}= ET∼π2
  query: Теорема 55: Для произвольного распределенияπθ(a) с параметрамиθ, верно: Ea∼πθ(a)∇θlog πθ(a) = 0 (5.6) Доказательство. Ea∼πθ(a)∇θlog πθ(a) = {производная логарифма}= Ea∼πθ(a) ∇θπθ(a) πθ(a) = = ∫ A ∇θπθ(a) da= ∇θ ∫ A πθ(a) da= ∇θ1 = 0 ■ Следующееутверждениеформализуетэтоттезисотом,что/guillemotleft.cyrбудущееневлияетнапрошлое/guillemotright.cyr:выбордействий в некоторый момент времени никак не влияет на те слагаемые из награды, которые были получены в прошлом. Теорема 56 /emdash.cyr Принцип причинности (causality): При t> ˆt: ET∼π∇θlog πθ(at	st)γˆtrˆt = 0 122

• Loss: MultipleNegativesRankingLoss with these parameters:

  {
      "scale": 20.0,
      "similarity_fct": "cos_sim"
  }
  

Training Hyperparameters

Non-Default Hyperparameters

• eval_strategy: steps
• per_device_train_batch_size: 16
• per_device_eval_batch_size: 16
• learning_rate: 2e-05
• num_train_epochs: 6
• warmup_ratio: 0.1
• fp16: True
• load_best_model_at_end: True
• batch_sampler: no_duplicates

All Hyperparameters

Click to expand

• overwrite_output_dir: False
• do_predict: False
• eval_strategy: steps
• prediction_loss_only: True
• per_device_train_batch_size: 16
• per_device_eval_batch_size: 16
• 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: 2e-05
• weight_decay: 0.0
• adam_beta1: 0.9
• adam_beta2: 0.999
• adam_epsilon: 1e-08
• max_grad_norm: 1.0
• num_train_epochs: 6
• max_steps: -1
• lr_scheduler_type: linear
• lr_scheduler_kwargs: {}
• warmup_ratio: 0.1
• 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: False
• 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: True
• 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: None
• hub_always_push: False
• gradient_checkpointing: False
• gradient_checkpointing_kwargs: None
• include_inputs_for_metrics: False
• include_for_metrics: []
• 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
• use_liger_kernel: False
• eval_use_gather_object: False
• average_tokens_across_devices: False
• prompts: None
• batch_sampler: no_duplicates
• multi_dataset_batch_sampler: proportional

Training Logs

Epoch	Step	Training Loss	Validation Loss
0.6780	40	-	0.0001
1.3559	80	-	0.0001
1.6949	100	0.1619	-
2.0339	120	-	0.0001
2.7119	160	-	0.0000
3.3898	200	0.0	0.0000
4.0678	240	-	0.0000
4.7458	280	-	0.0000
5.0847	300	0.0	-
5.4237	320	-	0.0

• The bold row denotes the saved checkpoint.

Framework Versions

• Python: 3.11.5
• Sentence Transformers: 4.0.1
• Transformers: 4.48.3
• PyTorch: 2.6.0+cu126
• Accelerate: 1.5.2
• Datasets: 3.5.0
• Tokenizers: 0.21.1

Citation

BibTeX

Sentence Transformers

@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",
}

MultipleNegativesRankingLoss

@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}
}