Add new SentenceTransformer model

.gitattributes

@@ -33,3 +33,4 @@ saved_model/**/* filter=lfs diff=lfs merge=lfs -text
 *.zip filter=lfs diff=lfs merge=lfs -text
 *.zst filter=lfs diff=lfs merge=lfs -text
 *tfevents* filter=lfs diff=lfs merge=lfs -text
+tokenizer.json filter=lfs diff=lfs merge=lfs -text

1_Pooling/config.json

@@ -0,0 +1,10 @@
+{
+  "word_embedding_dimension": 1024,
+  "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
+}

README.md

@@ -0,0 +1,502 @@
+---
+base_model: intfloat/multilingual-e5-large-instruct
+library_name: sentence-transformers
+metrics:
+- cosine_accuracy
+- dot_accuracy
+- manhattan_accuracy
+- euclidean_accuracy
+- max_accuracy
+pipeline_tag: sentence-similarity
+tags:
+- sentence-transformers
+- sentence-similarity
+- feature-extraction
+- generated_from_trainer
+- dataset_size:10190
+- loss:TripletLoss
+widget:
+- source_sentence: безглютеновый хлеб
+  sentences:
+  - 'Instruct: Найти похожие продукты на основе деталей
+
+    Query: Баклажаны по-сычуаньски баклажаны, азиатская кухня, закуска, терияки, сладкий
+    соус, пряный вкус, овощное блюдо, вегетарианское, пикантное, жареное, замаринованное,
+    кунжут, чеснок, имбирь, рыба, рисовый уксус Жареные баклажаны, замаринованные
+    в терияки с рыбным соусом, рисовым уксусом, луком и имбирём. Тот самый пикантно-сладко-пряный
+    вкус, характерный для азиатской кухни. Идеальная закуска к рису и мясным блюдам.'
+  - 'Instruct: Найти похожие продукты на основе деталей
+
+    Query: Печенье протеиновое в шоколаде без доб. сахара протеин, белок, порционная
+    упаковка, тренировка, здоровое питание, сладости без сахара, молочный шоколад,
+    снек Печенье в порционной упаковке с высоким содержанием белка — более 14 г на
+    100 г продукта! Изготовлено без добавления сахара. Обладает мягким вкусом с нотами
+    нежного молочного шоколада. Такое печенье удобно брать с собой. Например, чтобы
+    восполнить запас сил после хорошей тренировки.'
+  - 'Instruct: Найти похожие продукты на основе деталей
+
+    Query: Изделие х/б без глютена с семенами безглютеновый, хлеб, рисовая мука, семена,
+    клетчатка, полезный, сытный, ароматный, выпечка, гастрономия Ароматный безглютеновый
+    хлеб из рисовой муки и псиллиума, испечённый на дрожжах. Семена тыквы, льна и
+    подсолнечника придают его вкусу насыщенные маслянисто-ореховые нотки, а яблочный
+    порошок — ненавязчивую кислинку.
+
+    Псиллиум и пищевые волокна не только помогают хлебу сохранять упругую структуру,
+    но и делают его полезнее, ведь клетчатка необходима для поддержания здоровья ЖКТ.
+
+    Хлеб отлично подойдёт для приготовления сытных бутербродов, изысканных канапе,
+    а также подачи с основными блюдами.'
+- source_sentence: арома саше
+  sentences:
+  - 'Instruct: Найти похожие продукты на основе деталей
+
+    Query: Сыр творожный Almette с зеленью 150 г None, сыр, творожный, закуски, бутерброды,
+    сливочный, зелень Нежный сливочный вкус сыра с зеленью для бутербродов и закусок'
+  - 'Instruct: Найти похожие продукты на основе деталей
+
+    Query: Арома-саше "№13 Warm Tobacco" Aroma Garmony, 10 гр аромат, саше, натуральный,
+    древесный, табачный, освежитель, упаковка, автомобиль, комод, шкафчик Саше с согревающим
+    древесно-табачным ароматом. Для освежения помещения или устранения запаха.'
+  - 'Instruct: Найти похожие продукты на основе деталей
+
+    Query: Творог зерненый Карат Домашний 4% 200 г творог, домашний, зерненый, натуральный,
+    без консервантов, без добавок, полезный завтрак, продукт из молока, умеренная
+    жирность, Россия Зерненый творог из натурального молока, сливок и закваски. Мягкая
+    текстура, без консервантов. Хранить 17 дней.'
+- source_sentence: мойнез
+  sentences:
+  - 'Instruct: Найти похожие продукты на основе деталей
+
+    Query: Масло оливковое Extra Virgin, Греция, 0.5 л None, оливковое масло, нерафинированное,
+    холодный отжим, первичный отжим, аромат, цветочный, горчинка, золотистый, зеленоватый,
+    Греция, 0.5 л, None Нерафинированное масло первого холодного отжима из ранних
+    оливок. Богатый вкус с цветочными нотками и лёгкой горчинкой. Золотистый цвет
+    с зеленоватым отливом.'
+  - 'Instruct: Найти похожие продукты на основе деталей
+
+    Query: Соус майонезный "Сырный" сырный, соус, веганский, бутерброды, сэндвичи,
+    гарниры, закуски, салаты, бургер, соевое мясо, аллергены, подсластители, консервант,
+    пребиотик Густой соус с насыщенным сливочно-сырным вкусом, веганский'
+  - 'Instruct: Найти похожие продукты на основе деталей
+
+    Query: Майонез "Домашний провансаль" майонез, провансаль, натуральный состав,
+    домашний, без ароматизаторов, нежная консистенция, короткий срок хранения, яичный
+    желток, подсолнечное масло Натуральный майонез из подсолнечного масла и яиц, без
+    ароматизаторов и загустителей'
+- source_sentence: сладкие десерты без сахара, которые можно подать на день рождения
+  sentences:
+  - 'Instruct: Найти похожие продукты на основе деталей
+
+    Query: Большая порция куриных шариков с пряным соусом "Цезарь" куриные шарики,
+    соус, закуски, фастфуд, горячее блюдо, сырная начинка, хрустящая корочка, пряный
+    соус, порция Сочные куриные шарики с хрустящей корочкой и тягучей сырной начинкой.
+    Приедут к вам горячими с порцией соуса "Цезарь"'
+  - 'Instruct: Найти похожие продукты на основе деталей
+
+    Query: Конфеты Scandic Лесные ягоды без сахара 14 г без сахара, низкий гликемический
+    индекс, очищение зубов, свежесть, ягодные конфеты, Россия Ягодный вкус лета в
+    каждой конфете. Освежает дыхание и способствует профилактике кариеса зубов. Подходят
+    тем, кого интересуют продукты с низким гликемическим индексом. В составе измельченные
+    ягоды черники и малины, не содержат сахара, дарят ощущение свежести, не портят
+    зубную эмаль. Произведено в России.'
+  - 'Instruct: Найти похожие продукты на основе деталей
+
+    Query: Творог мягкий высокобелковый 6% высокобелковый, натуральный, нежный, десерт,
+    мусс, пудинг, полезный, завтрак, молочный, консистенция Мягкий натуральный творог
+    с повышенным содержанием белка — это не только завтрак чемпионов, но и замечтальный
+    компаньон для хрустящих тостов, блинчиков и полезных сэндвичей. Он обладает нежной
+    однородной консистенцией и деликатным молочным вкусом практически без кислинки.
+    Такой творог можно превратить в десерт, дополнив его ягодами, орехами и мёдом,
+    а можно использовать для приготовления творожных муссов и пудингов.'
+- source_sentence: сладости без сахара и глютена подойдут для летнего пикника
+  sentences:
+  - 'Instruct: Найти похожие продукты на основе деталей
+
+    Query: Сорбет "Манго- Маракуйя" без доб. сахара сладость, десерт, веганский, без
+    сахара, низкокалорийный, охлаждающий, тропические фрукты, натуральный, диетический,
+    сахарозаменитель, фруктовый, без добавок, здоровье Охлаждающий десерт с сочными
+    тропическими фруктами — это возможность почувствовать вкус лета даже в холодное
+    время года.
+
+    В основе сорбета — натуральное пюре из манго и маракуйи, никаких ароматизаторов
+    и красителей в составе нет. Как нет и сахара — вместо него добавлен подсластитель
+    мальтит.
+
+    Лакомство подойдёт веганам, постящимся, тем, кто считает калории, и всем ценителям
+    полезных сладостей.'
+  - 'Instruct: Найти похожие продукты на основе деталей
+
+    Query: Чипсы картофельные Pringles Сметана и Лук 165 г чипсы, закуска, пряности,
+    вкус, герметичная упаковка, удобство, классика, детство Ничем не повторимый, знакомый
+    с детства вкус.'
+  - 'Instruct: Найти похожие продукты на основе деталей
+
+    Query: Филе камбалы с пряными травами и чесноком камбала, морепродукты, филе,
+    пряные травы, чеснок, розмарин, тимьян'
+model-index:
+- name: SentenceTransformer based on intfloat/multilingual-e5-large-instruct
+  results:
+  - task:
+      type: triplet
+      name: Triplet
+    dataset:
+      name: dev
+      type: dev
+    metrics:
+    - type: cosine_accuracy
+      value: 0.9205648720211828
+      name: Cosine Accuracy
+    - type: dot_accuracy
+      value: 0.0794351279788173
+      name: Dot Accuracy
+    - type: manhattan_accuracy
+      value: 0.9205648720211828
+      name: Manhattan Accuracy
+    - type: euclidean_accuracy
+      value: 0.9205648720211828
+      name: Euclidean Accuracy
+    - type: max_accuracy
+      value: 0.9205648720211828
+      name: Max Accuracy
+---
+
+# SentenceTransformer based on intfloat/multilingual-e5-large-instruct
+
+This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [intfloat/multilingual-e5-large-instruct](https://huggingface.co/intfloat/multilingual-e5-large-instruct). It maps sentences & paragraphs to a 1024-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-large-instruct](https://huggingface.co/intfloat/multilingual-e5-large-instruct) <!-- at revision c9e87c786ffac96aeaeb42863276930883923ecb -->
+- **Maximum Sequence Length:** 512 tokens
+- **Output Dimensionality:** 1024 tokens
+- **Similarity Function:** Cosine Similarity
+<!-- - **Training Dataset:** Unknown -->
+<!-- - **Language:** Unknown -->
+<!-- - **License:** Unknown -->
+
+### Model Sources
+
+- **Documentation:** [Sentence Transformers Documentation](https://sbert.net)
+- **Repository:** [Sentence Transformers on GitHub](https://github.com/UKPLab/sentence-transformers)
+- **Hugging Face:** [Sentence Transformers on Hugging Face](https://huggingface.co/models?library=sentence-transformers)
+
+### Full Model Architecture
+
+```
+SentenceTransformer(
+  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: XLMRobertaModel 
+  (1): Pooling({'word_embedding_dimension': 1024, '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:
+
+```bash
+pip install -U sentence-transformers
+```
+
+Then you can load this model and run inference.
+```python
+from sentence_transformers import SentenceTransformer
+
+# Download from the 🤗 Hub
+model = SentenceTransformer("Data-Lab/multilingual-e5-large-instruct-embedder-tgd")
+# Run inference
+sentences = [
+    'сладости без сахара и глютена подойдут для летнего пикника',
+    'Instruct: Найти похожие продукты на основе деталей\nQuery: Сорбет "Манго- Маракуйя" без доб. сахара сладость, десерт, веганский, без сахара, низкокалорийный, охлаждающий, тропические фрукты, натуральный, диетический, сахарозаменитель, фруктовый, без добавок, здоровье Охлаждающий десерт с сочными тропическими фруктами — это возможность почувствовать вкус лета даже в холодное время года.\nВ основе сорбета — натуральное пюре из манго и маракуйи, никаких ароматизаторов и красителей в составе нет. Как нет и сахара — вместо него добавлен подсластитель мальтит.\nЛакомство подойдёт веганам, постящимся, тем, кто считает калории, и всем ценителям полезных сладостей.',
+    'Instruct: Найти похожие продукты на основе деталей\nQuery: Филе камбалы с пряными травами и чесноком камбала, морепродукты, филе, пряные травы, чеснок, розмарин, тимьян',
+]
+embeddings = model.encode(sentences)
+print(embeddings.shape)
+# [3, 1024]
+
+# Get the similarity scores for the embeddings
+similarities = model.similarity(embeddings, embeddings)
+print(similarities.shape)
+# [3, 3]
+```
+
+<!--
+### 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.*
+-->
+
+## Evaluation
+
+### Metrics
+
+#### Triplet
+* Dataset: `dev`
+* Evaluated with [<code>TripletEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.TripletEvaluator)
+
+| Metric             | Value      |
+|:-------------------|:-----------|
+| cosine_accuracy    | 0.9206     |
+| dot_accuracy       | 0.0794     |
+| manhattan_accuracy | 0.9206     |
+| euclidean_accuracy | 0.9206     |
+| **max_accuracy**   | **0.9206** |
+
+<!--
+## 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.*
+-->
+
+## Training Details
+
+### Training Dataset
+
+#### Unnamed Dataset
+
+
+* Size: 10,190 training samples
+* Columns: <code>sentence_0</code>, <code>sentence_1</code>, and <code>sentence_2</code>
+* Approximate statistics based on the first 1000 samples:
+  |         | sentence_0                                                                       | sentence_1                                                                           | sentence_2                                                                           |
+  |:--------|:---------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------|
+  | type    | string                                                                           | string                                                                               | string                                                                               |
+  | details | <ul><li>min: 3 tokens</li><li>mean: 7.77 tokens</li><li>max: 30 tokens</li></ul> | <ul><li>min: 35 tokens</li><li>mean: 115.09 tokens</li><li>max: 431 tokens</li></ul> | <ul><li>min: 41 tokens</li><li>mean: 120.37 tokens</li><li>max: 512 tokens</li></ul> |
+* Samples:
+  | sentence_0                           | sentence_1                                                                                                                                                                                                                                                            | sentence_2                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                        |
+  |:-------------------------------------|:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
+  | <code>хурма</code>                   | <code>Instruct: Найти похожие продукты на основе деталей<br>Query: Чипсы из хурмы, 25 г чипсы, натуральные, фрукты, перекус, сладкий вкус, десерт Натуральные чипсы из хурмы, без сахара. Мягкие, медово-фруктовые</code>                                             | <code>Instruct: Найти похожие продукты на основе деталей<br>Query: Салат мимоза, 300 г салат, праздничный стол, обед, горбуша, отварные овощи, куриные желтки, классический рецепт, нежный вкус, закуска Классический салат мимоза с горбушей, отварными овощами и куриными желтками.</code>                                                                                                                                                                                                                                                      |
+  | <code>жареное мясо</code>            | <code>Instruct: Найти похожие продукты на основе деталей<br>Query: Жареная говядина с черным перцем жареное мясо, приготовление, специи, соусы, овощи</code>                                                                                                          | <code>Instruct: Найти похожие продукты на основе деталей<br>Query: Каша рисовая на безлактозном молоке безлактозное молоко, рисовая каша, завтрак на ходу, низкое содержание жира, альтернативное молоко, легкая сладость, удобная упаковка, подходящий для аллергиков Питательный завтрак для тех, кто не переносит лактозу. Нежная, в меру густая, без лишней сладости, эта каша приготовлена на безлактозном маложирном молоке. И упакована в компактный стаканчик — его удобно захватить с собой, если не успеваете позавтракать дома.</code> |
+  | <code>бедро цыпленка бройлера</code> | <code>Instruct: Найти похожие продукты на основе деталей<br>Query: Бедро цыплят-бройлеров Халяль 1 кг None, цыпленок, мясо, бройлер, халяль, бедро, маринование, тушение, запекание, None Сочное бедро цыпленка, подходит для маринования, тушения и запекания</code> | <code>Instruct: Найти похожие продукты на основе деталей<br>Query: Мясо бедра (Филе бедра) индейки в маринаде "Чесночный" 1 кг None, мясо, индейка, филе, маринад, чеснок, диетическое, нежирное, острое, травы, 1 кг, None Диетическое, нежирное филе бедра индейки с деликатным вкусом и ароматом. В меру подсолено и приправлено острым чесночком и травами.</code>                                                                                                                                                                            |
+* Loss: [<code>TripletLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#tripletloss) with these parameters:
+  ```json
+  {
+      "distance_metric": "TripletDistanceMetric.COSINE",
+      "triplet_margin": 0.5
+  }
+  ```
+
+### Training Hyperparameters
+#### Non-Default Hyperparameters
+
+- `eval_strategy`: steps
+- `per_device_train_batch_size`: 4
+- `per_device_eval_batch_size`: 4
+- `fp16`: True
+- `multi_dataset_batch_sampler`: round_robin
+
+#### All Hyperparameters
+<details><summary>Click to expand</summary>
+
+- `overwrite_output_dir`: False
+- `do_predict`: False
+- `eval_strategy`: steps
+- `prediction_loss_only`: True
+- `per_device_train_batch_size`: 4
+- `per_device_eval_batch_size`: 4
+- `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`: 5e-05
+- `weight_decay`: 0.0
+- `adam_beta1`: 0.9
+- `adam_beta2`: 0.999
+- `adam_epsilon`: 1e-08
+- `max_grad_norm`: 1
+- `num_train_epochs`: 3
+- `max_steps`: -1
+- `lr_scheduler_type`: linear
+- `lr_scheduler_kwargs`: {}
+- `warmup_ratio`: 0.0
+- `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`: True
+- `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`: False
+- `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`: False
+- `hub_always_push`: False
+- `gradient_checkpointing`: False
+- `gradient_checkpointing_kwargs`: None
+- `include_inputs_for_metrics`: False
+- `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
+- `eval_use_gather_object`: False
+- `batch_sampler`: batch_sampler
+- `multi_dataset_batch_sampler`: round_robin
+
+</details>
+
+### Training Logs
+| Epoch  | Step | Training Loss | dev_max_accuracy |
+|:------:|:----:|:-------------:|:----------------:|
+| 0.3928 | 500  | 0.2635        | -                |
+| 0.7855 | 1000 | 0.1741        | 0.9144           |
+| 1.0    | 1273 | -             | 0.9162           |
+| 1.1783 | 1500 | 0.151         | -                |
+| 1.5711 | 2000 | 0.1335        | 0.9250           |
+| 1.9639 | 2500 | 0.0977        | -                |
+| 2.0    | 2546 | -             | 0.9162           |
+| 2.3566 | 3000 | 0.0916        | 0.9276           |
+| 2.7494 | 3500 | 0.0722        | -                |
+| 3.0    | 3819 | -             | 0.9206           |
+
+
+### Framework Versions
+- Python: 3.10.12
+- Sentence Transformers: 3.2.0
+- Transformers: 4.44.0
+- PyTorch: 2.3.1+cu121
+- Accelerate: 0.31.0
+- Datasets: 2.20.0
+- Tokenizers: 0.19.1
+
+## 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",
+}
+```
+
+#### TripletLoss
+```bibtex
+@misc{hermans2017defense,
+    title={In Defense of the Triplet Loss for Person Re-Identification},
+    author={Alexander Hermans and Lucas Beyer and Bastian Leibe},
+    year={2017},
+    eprint={1703.07737},
+    archivePrefix={arXiv},
+    primaryClass={cs.CV}
+}
+```
+
+<!--
+## 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.*
+-->

config.json

@@ -0,0 +1,28 @@
+{
+  "_name_or_path": "intfloat/multilingual-e5-large-instruct",
+  "architectures": [
+    "XLMRobertaModel"
+  ],
+  "attention_probs_dropout_prob": 0.1,
+  "bos_token_id": 0,
+  "classifier_dropout": null,
+  "eos_token_id": 2,
+  "hidden_act": "gelu",
+  "hidden_dropout_prob": 0.1,
+  "hidden_size": 1024,
+  "initializer_range": 0.02,
+  "intermediate_size": 4096,
+  "layer_norm_eps": 1e-05,
+  "max_position_embeddings": 514,
+  "model_type": "xlm-roberta",
+  "num_attention_heads": 16,
+  "num_hidden_layers": 24,
+  "output_past": true,
+  "pad_token_id": 1,
+  "position_embedding_type": "absolute",
+  "torch_dtype": "float32",
+  "transformers_version": "4.44.0",
+  "type_vocab_size": 1,
+  "use_cache": true,
+  "vocab_size": 250002
+}

config_sentence_transformers.json

@@ -0,0 +1,10 @@
+{
+  "__version__": {
+    "sentence_transformers": "3.2.0",
+    "transformers": "4.44.0",
+    "pytorch": "2.3.1+cu121"
+  },
+  "prompts": {},
+  "default_prompt_name": null,
+  "similarity_fn_name": null
+}

model.safetensors

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:eace27ea7d689cbcf1a2572166841e93ec93e4a0fcb653257b2af87f35f98517
+size 2239607176

modules.json

@@ -0,0 +1,20 @@
+[
+  {
+    "idx": 0,
+    "name": "0",
+    "path": "",
+    "type": "sentence_transformers.models.Transformer"
+  },
+  {
+    "idx": 1,
+    "name": "1",
+    "path": "1_Pooling",
+    "type": "sentence_transformers.models.Pooling"
+  },
+  {
+    "idx": 2,
+    "name": "2",
+    "path": "2_Normalize",
+    "type": "sentence_transformers.models.Normalize"
+  }
+]

sentence_bert_config.json

@@ -0,0 +1,4 @@
+{
+  "max_seq_length": 512,
+  "do_lower_case": false
+}

sentencepiece.bpe.model

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:cfc8146abe2a0488e9e2a0c56de7952f7c11ab059eca145a0a727afce0db2865
+size 5069051

special_tokens_map.json

@@ -0,0 +1,51 @@
+{
+  "bos_token": {
+    "content": "<s>",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "cls_token": {
+    "content": "<s>",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "eos_token": {
+    "content": "</s>",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "mask_token": {
+    "content": "<mask>",
+    "lstrip": true,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "pad_token": {
+    "content": "<pad>",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "sep_token": {
+    "content": "</s>",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "unk_token": {
+    "content": "<unk>",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  }
+}

tokenizer.json

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:883b037111086fd4dfebbbc9b7cee11e1517b5e0c0514879478661440f137085
+size 17082987

tokenizer_config.json

@@ -0,0 +1,55 @@
+{
+  "added_tokens_decoder": {
+    "0": {
+      "content": "<s>",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "1": {
+      "content": "<pad>",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "2": {
+      "content": "</s>",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "3": {
+      "content": "<unk>",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "250001": {
+      "content": "<mask>",
+      "lstrip": true,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    }
+  },
+  "additional_special_tokens": [],
+  "bos_token": "<s>",
+  "clean_up_tokenization_spaces": true,
+  "cls_token": "<s>",
+  "eos_token": "</s>",
+  "mask_token": "<mask>",
+  "model_max_length": 512,
+  "pad_token": "<pad>",
+  "sep_token": "</s>",
+  "tokenizer_class": "XLMRobertaTokenizer",
+  "unk_token": "<unk>"
+}