Sentence Similarity
sentence-transformers
Safetensors
multilingual
xlm-roberta
feature-extraction
Generated from Trainer
dataset_size:10590
loss:Matryoshka2dLoss
loss:MatryoshkaLoss
loss:MultipleNegativesRankingLoss
Eval Results (legacy)
text-embeddings-inference
Instructions to use RamsesDIIP/me5-large-construction-esp-cat with libraries, inference providers, notebooks, and local apps. Follow these links to get started.
- Libraries
- sentence-transformers
How to use RamsesDIIP/me5-large-construction-esp-cat with sentence-transformers:
from sentence_transformers import SentenceTransformer model = SentenceTransformer("RamsesDIIP/me5-large-construction-esp-cat") sentences = [ "query: Terraplenada i piconatge per a fonament de terraplè amb material seleccionat de la pròpia excavació, en tongades de fins a 25 cm, amb una compactació del 95% del PM, en entorn urbà amb dificultat de mobilitat, en voreres > 3 i <= 5 m d'amplària o calçada/plataforma única > 7 i <= 12 m d'amplària, amb afectació per serveis o elements de mobiliari urbà, en actuacions de més de 2 m3", "passage: Terraplenada i piconatge per a fonament de terraplè amb material no seleccionat de la pròpia excavació, en tongades de fins a 30 cm, amb una compactació del 90% del PM, en entorn rural amb facilitat de mobilitat, en voreres > 2 i <= 4 m d'amplària o calçada/plataforma única > 5 i <= 10 m d'amplària, sense afectació per serveis o elements de mobiliari urbà, en actuacions de menys de 3 m3.", "passage: Colocación de losas de cimentación utilizando hormigón armado, incorporando un 20% de áridos reciclados, con aditivo hidrófugo HRA - 30 / B / 10 / XC4 + XS1, y una dosificación de cemento de 400 kg/m3 y relación agua-cemento ≤ 0.5, vertido mediante cubilote.", "passage: Terraplenat i col·locació de grava per a fonament de terraplè utilitzant material seleccionat de l'excavació, en capes de fins a 25 cm, amb una compactació del 95% del pes màxim, en un entorn urbà amb dificultats de trànsit, en voreres d'amplada entre 3 i 5 m o calçades/plataformes d'amplada entre 7 i 12 m, amb afectacions a serveis o elements de mobiliari urbà, en projectes de més de 2 m3." ] embeddings = model.encode(sentences) similarities = model.similarity(embeddings, embeddings) print(similarities.shape) # [4, 4] - Notebooks
- Google Colab
- Kaggle
File size: 1,147 Bytes
29afbcc | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 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
}
},
"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>"
}
|