tugskh/multilingual-e5-large-instruct-5k

SentenceTransformer based on intfloat/multilingual-e5-large-instruct

This is a sentence-transformers model finetuned from 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
• Maximum Sequence Length: 512 tokens
• Output Dimensionality: 1024 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: 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:

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("tugskh/multilingual-e5-large-instruct-5k")
# Run inference
sentences = [
    'Нийслэлийн Иргэдийн Төлөөлөгчдийн Хурлын сонгуулийн тойргийг байгуулахдаа ямар нөхцлийг хангасан байх ёстой вэ? Аймаг, Нийслэл, Сум, Дүүргийн Иргэдийн Төлөөлөгчдийн Хурлын сонгуулийн тухай хууль?',
    'Аймаг, Нийслэл, Сум, Дүүргийн Иргэдийн Төлөөлөгчдийн Хурлын сонгуулийн тухай хуулийн зүйл нь Нийслэлийн иргэдийн Төлөөлөгчдийн Хурал-ын сонгуулийг явуулахад хоёр буюу хэд хэдэн хороог нэгтгэн нэг тойрог болгон зохион байгуулж болно гэж тодорхойлсон бөгөөд энэ нь тойргийн байгуулалтын нөхцлийг заана.',
    'Авлигын эсрэг хуульд зааснаар Монгол Улсын Ерөнхийлөгч олон нийтийн зөвлөлийн ажиллах журмыг батална. Ерөнхийлөгчийн эрх хэмжээ нь хуулийн дагуу зөвлөлийн үйл ажиллагааг зохицуулах, хууль ёсны дагуу ажиллах нөхцөлийг хангах явдал юм.',
]
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]

Evaluation

Metrics

Information Retrieval

• Dataset: e5-eval
• Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.8463
cosine_accuracy@3	0.9747
cosine_accuracy@5	0.9855
cosine_accuracy@10	0.9964
cosine_precision@1	0.8463
cosine_precision@3	0.3249
cosine_precision@5	0.1971
cosine_precision@10	0.0996
cosine_recall@1	0.8463
cosine_recall@3	0.9747
cosine_recall@5	0.9855
cosine_recall@10	0.9964
cosine_ndcg@10	0.9314
cosine_mrr@10	0.9095
cosine_map@100	0.9098

Information Retrieval

• Dataset: e5-eval
• Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.8427
cosine_accuracy@3	0.9765
cosine_accuracy@5	0.9892
cosine_accuracy@10	0.9964
cosine_precision@1	0.8427
cosine_precision@3	0.3255
cosine_precision@5	0.1978
cosine_precision@10	0.0996
cosine_recall@1	0.8427
cosine_recall@3	0.9765
cosine_recall@5	0.9892
cosine_recall@10	0.9964
cosine_ndcg@10	0.9322
cosine_mrr@10	0.9103
cosine_map@100	0.9105

Training Details

Training Dataset

Unnamed Dataset

• Size: 4,421 training samples
• Columns: query and passage
• Approximate statistics based on the first 1000 samples:

  	query	passage
  type	string	string
  details	min: 12 tokens mean: 30.96 tokens max: 111 tokens	min: 26 tokens mean: 64.05 tokens max: 206 tokens

• Samples:

  query	passage
  Арбитрын тухай хуулийн дагуу арбитрын зардлыг хэн тогтооно?	Арбитрын тухай хуулийн Арбитрын зардал зүйл нь талууд өөрөөр тохиролцоогүй бол арбитрын зардлын хэмжээ, төлөх этгээд, төлбөрийн журмыг арбитрын бүрэлдэхүүн тогтооно гэж заасан байна.
  Амьтны тухай хуулийг зөрчсөн тохиолдолд ямар хариуцлага хүлээлгэх вэ?	Амьтны тухай хуулийг зөрчсөн хүн, хуулийн этгээдэд Эрүүгийн хууль, эсхүл Зөрчлийн тухай хуульд заасан хариуцлага хүлээлгэнэ. Монгол Улсын Их Хурлын дарга Д.Дэмбэрэл.
  Иргэний нисэхийн тухай хуулийн 8.1.7 дугаар зүйл нь Агаарын зайн нисэхэд ашиглах тухай хуульд ямар хамааралтай вэ?	Агаарын зайн нисэхэд ашиглах тухай хуулийн зүйл Нисэхэд ашиглах агаарын зайг тогтоох-ын заалт нь Монгол Улсын агаарын зайд иргэний нисэхийн зориулалтаар ашиглах агаарын зам, агаарын хаалгыг орох, гарах цэгийг тогтоохдоо Иргэний нисэхийн тухай хуулийн 8.1.7 дугаар зүйлийг үндэслэл болгоно.

• Loss: MultipleNegativesRankingLoss with these parameters:

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

Evaluation Dataset

Unnamed Dataset

• Size: 553 evaluation samples
• Columns: query and passage
• Approximate statistics based on the first 553 samples:

  	query	passage
  type	string	string
  details	min: 12 tokens mean: 31.54 tokens max: 103 tokens	min: 32 tokens mean: 65.72 tokens max: 250 tokens

• Samples:

  query	passage
  Хуулийн этгээд хандивлагчийн хувьд оролцох боломжийг Аймаг, нийслэл, сум, дүүргийн иргэдийн төлөөлөгчдийн хуралын сонгуулийн тухай хууль хэрхэн зохицуулж байна?	Аймаг, нийслэл, сум, дүүргийн иргэдийн төлөөлөгчдийн хуралын сонгуулийн тухай хуулийн Сонгуулийн хандив зүйлийн заалт нь хуулийн этгээдийн хандивлагчийн статус нь хуулиар хориглоогүй болон тухайн этгээдийн дүрмээр зөвшөөрөгдсөн тохиолдолд зөвшөөрөгдөнө гэж тодорхойлсон байна.
  Аудитын тухай хуульд зааснаар, үйлчлүүлэгч томилогдсон аудитороос татгалзах саналыг хэзээ гаргаж болно?	Аудитын тухай хуулийн Үйлчлүүлэгчийн эрх, үүрэг тухай зүйл нь үйлчлүүлэгч аудитын шалгалт, нягтлах ажил, бусад баталгаажуулах ажил хийлгэх, санхүүгийн үйлчилгээ авах, хуулийн дагуу заавал магадлан шинжилгээ, баталгаажуулалт хийх тохиолдолд энэ хуульд заасан үндэслэл байвал томилогдсон аудитороос татгалзах саналыг аудитын хуулийн этгээдэд гаргах эрхийг олгодог.
  Аймаг, нийслэл, сум, дүүргийн иргэдийн төлөөлөгчдийн хуралын сонгуулийн тухай хуулийн дагуу санал авах ажиллагаа хэзээ эхэлнэ?	Аймаг, нийслэл, сум, дүүргийн иргэдийн төлөөлөгчдийн хуралын сонгуулийн тухай хуулийн санал авах байранд санал авах ажиллагаа санал авах өдрийн 07:00 цагт эхэлнэ.

• 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
• num_train_epochs: 1
• warmup_ratio: 0.1
• fp16: 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: 5e-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: 1
• 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: 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: 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
• 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	e5-eval_cosine_ndcg@10
-1	-1	-	-	0.8866
0.3610	100	0.1756	0.0322	0.9240
0.7220	200	0.0343	0.0178	0.9314
-1	-1	-	-	0.9322

Framework Versions

• Python: 3.11.13
• Sentence Transformers: 4.1.0
• Transformers: 4.52.4
• PyTorch: 2.6.0+cu124
• Accelerate: 1.7.0
• Datasets: 2.14.4
• 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}
}