SentenceTransformer based on sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2

This is a sentence-transformers model finetuned from sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. It maps inputs to a 384-dimensional dense vector space and can be used for semantic textual similarity, semantic search, paraphrase mining, classification, clustering, and more.

Model Details

Model Description

Model Type: Sentence Transformer
Base model: sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2
Maximum Sequence Length: 128 tokens
Output Dimensionality: 384 dimensions
Similarity Function: Cosine Similarity
Supported Modality: Text

Model Sources

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

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'transformer_task': 'feature-extraction', 'modality_config': {'text': {'method': 'forward', 'method_output_name': 'last_hidden_state'}}, 'module_output_name': 'token_embeddings', 'architecture': 'BertModel'})
  (1): Pooling({'embedding_dimension': 384, 'pooling_mode': 'mean', 'include_prompt': True})
)

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("sentence_transformers_model_id")
# Run inference
sentences = [
    "Jean Rakoto\nDéveloppeur Full Stack\nCompétences : Python, React, Docker, PostgreSQL, Git\n3 ans d'expérience en développement web",
    'Nous recherchons un comptable expérimenté maîtrisant la fiscalité et les normes IFRS.',
    'Nous recherchons un développeur Python avec expérience en React et Docker pour rejoindre notre équipe technique.',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 384]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities)
# tensor([[1.0000, 0.0007, 0.9697],
#         [0.0007, 1.0000, 0.0110],
#         [0.9697, 0.0110, 1.0000]])

Training Details

Training Dataset

Unnamed Dataset

Size: 1,120 training samples
Columns: sentence1, sentence2, and score

Approximate statistics based on the first 100 samples:

	sentence1	sentence2	score
type	string	string	float
modality	text	text
details	min: 38 tokens mean: 61.25 tokens max: 128 tokens	min: 21 tokens mean: 32.88 tokens max: 66 tokens	min: 0.0 mean: 0.56 max: 1.0

Samples:

sentence1	sentence2	score
SACHA DUBOIS CHARGÉE DE PROJET FORMATION Master en Management 2016 - 2018 Really Great School - Any City COORDONNÉES Licence en Gestion Administrative 2013 - 2016 123-456-7890 Really Great School - Any City hello@reallygreatsite.com EXPÉRIENCE PROFESSIONNELLE 123 Anywhere St., Any City Chargée de Projet Depuis janvier 2020 Really Great Company - Any CityLANGUES Anglais Elaboration du plan de projet et gestion des Allemand calendriers Gestion des ressources et du budget Gestion des risques (identification des risques, réaction aux imprévus)COMPÉTENCES Gestion du temps Assistante Chargée de Projet Septembre 2018- Janvier 2020 Capacités d’organisation Really Great Company - Any City Communication Rédaction des rapports de progressionLeadership Participation aux réunions de suivi de projet Logiciels de gestion de Suivi de l’avancement des projets en projet collaboration avec les équipes concernées Gestion de budget Stagiaire Chargée de Projet Février 2018- Juin 2018 Rea...	`Nous recherchons un(e) chargé(e) de projet pour piloter nos projets de A à Z : élaboration des plannings, gestion du budget et des ressources, identification et suivi des risques, rédaction de rapports d'avancement réguliers.`	`0.0`
Audrey Moreau Architecte d'intérieur passionnée par la création d'espaces uniques et fonctionnels. Expérience dans la conception résidentielle et commerciale, axée sur la satisfaction client et la réalisation de projets innovants. Expérience professionnelle Coordonnées Architecte d'Intérieur Agence du Roi René, 2021 à 2023 123-456-7890 hello@reallygreatsite.com Gestion de projets, de la conception à la livraison 123 Anywhere St., Any City Supervision d'une équipe de conception, coordination @reallygreatsite des aspects techniques Création de concepts de design pour des projets résidentiels Centres d’intérêt Designer d'Intérieur Junior Classique Immo, 2019 à 2021 Mode Voyage Support à la gestion de projets et communication Sport Consultation avec les clients Design Collaboration étroite avec des équipes de production Formation Langues École Amédé Autran Espagnol Master en Architecture d'Intérieur Anglais Français École Amédé Autran Bachelor en Architecture d'Int...	`Nous recherchons un(e) architecte d'intérieur passionné(e) pour concevoir des espaces résidentiels et commerciaux innovants. Vous gérerez vos projets de la conception à la livraison, en supervisant une équipe et en coordonnant les aspects techniques avec les clients.`	`1.0`
`Jean Rakoto Développeur Full Stack Compétences : Python, React, Docker, PostgreSQL, Git 3 ans d'expérience en développement web`	`Nous recherchons un développeur Python avec expérience en React et Docker pour rejoindre notre équipe technique.`	`1.0`

Loss: CosineSimilarityLoss with these parameters:

{
    "loss_fct": "torch.nn.modules.loss.MSELoss",
    "cos_score_transformation": "torch.nn.modules.linear.Identity"
}

Training Hyperparameters

Non-Default Hyperparameters

per_device_train_batch_size: 16
num_train_epochs: 4
warmup_steps: 50

All Hyperparameters

Click to expand

per_device_train_batch_size: 16
num_train_epochs: 4
max_steps: -1
learning_rate: 5e-05
lr_scheduler_type: linear
lr_scheduler_kwargs: None
warmup_steps: 50
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: False
bf16_full_eval: False
fp16_full_eval: False
tf32: None
gradient_checkpointing: False
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: None
trackio_bucket_id: None
trackio_static_space_id: None
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
dataloader_multiprocessing_context: None
dataloader_in_order: True
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_static_graph: None
ddp_backend: None
ddp_timeout: 1800
fsdp: None
fsdp_config: None
deepspeed: None
debug: []
skip_memory_metrics: True
do_predict: False
resume_from_checkpoint: None
local_rank: -1
prompts: None
batch_sampler: batch_sampler
multi_dataset_batch_sampler: proportional
router_mapping: {}
learning_rate_mapping: {}
warmup_ratio: None

Training Time

Training: 1.0 hours

Framework Versions

Python: 3.13.15
Sentence Transformers: 6.1.0
Transformers: 5.18.0
PyTorch: 2.14.1+cpu
Accelerate: 1.15.0
Datasets: 5.0.1
Tokenizers: 0.23.2

Additional Resources

Training and Finetuning Embedding Models with Sentence Transformers: the end-to-end guide for training or finetuning Sentence Transformer models.
Introduction to Matryoshka Embedding Models: variable-size embeddings that can be truncated with minimal quality loss.
Binary and Scalar Embedding Quantization for Significantly Faster & Cheaper Retrieval: post-training compression of embedding vectors.
Multimodal Embedding & Reranker Models with Sentence Transformers: use text, image, audio, and video models through the same API.
Training and Finetuning Multimodal Embedding & Reranker Models with Sentence Transformers: train multimodal embedding models, with a Visual Document Retrieval walkthrough.

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",
}

Downloads last month: 14

Safetensors

Model size

0.1B params

Tensor type

F32

Model tree for Didier2005/cv-ai-embedding-model-didier

Base model

sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2

Finetuned

(349)

this model

Paper for Didier2005/cv-ai-embedding-model-didier

Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks

Paper • 1908.10084 • Published Aug 27, 2019 • 19