--- base_model: intfloat/multilingual-e5-large library_name: sentence-transformers pipeline_tag: sentence-similarity tags: - sentence-transformers - sentence-similarity - feature-extraction - generated_from_trainer - dataset_size:278 - loss:MultipleNegativesRankingLoss widget: - source_sentence: Ученик средней школы к услугам обществу примешал доброту. sentences: - 'Склизкий гад в сливном бачке; мохнатый зверь; похожий на чудовище из «Аленького цветочка»; гигантские мокрицы под кроватью — все они существуют на самом деле. Все; что им нужно — пугать детей; потому что из детских криков они получают электричество.Полнометражный мультфильм рассказывает о кризисах в мире монстров; их жизни. Но однажды вся мирная жизнь монстров оказывается под угрозой: в их мир попадает ребенок. А с детьми столько хлопот; что они могут довести даже монстров.' - В Нью-Йорк по приглашению главы крупного юридического концерна прибывает Кевин Ломакс; молодой адвокат. До этого он был известен тем; что защищал исключительно негодяев и притом не проиграл ни одного процесса. На новом месте работы он вполне счастлив; он живет в роскошной квартире с любящей женой; его окружают интересные люди. - Представьте себе — Вы оказываете кому-либо существенную услугу и просите этого человека отблагодарить не Вас; а трёх других людей; которые; в свою очередь; отблагодарят ещё троих; и так далее; распространяя тепло и доброту в мировом масштабе. Насколько действенной может оказаться подобная сердечная идея? Ученик седьмого класса Тревор МакКинни решил это проверить; начав цепочку добра. - source_sentence: У тебя никакой информации нет. Выложи нормальную информацию, чтобы я мог сделать краткое описание. sentences: - Июль 1942 года. На подступах к Сталинграду обескровленные; измотанные советские войска ведут тяжелые оборонительные бои; неся огромные потери… Фильм рассказывает о подвиге рядовых солдат; любви к родной земле; об истинной цене победы… - Инженер Бен отправляется в необычное путешествие. В ходе своей поездки он встречает семерых незнакомцев; включая смертельно больную Эмили; которая называет себя девушкой с подбитыми крыльями. Бен неожиданно влюбляется в нее; что сильно усложняет его первоначальный план. Сможет ли он разгадать послание судьбы? - Рассказ о нелегких буднях учительницы английского языка; преподающей в одной из школ калифорнийского городка Лонг-Бич. Ее ученики — почти сплошь субъекты; для которых английский совсем не является родным языком. Ко всему прочему; Лонг-Бич славится своими бандитскими традициями. - source_sentence: Таким образом, я описал фильм «Восьмая нервная речь» (другие названия «Нервная речь» или «Бездомный». Хотя фильм и относится к произведениям кинематографа, его можно назвать наиболее короткой повестью с цитатами о собаке и о существе человека. sentences: - Трогательная лирическая киноповесть о судьбе собаки; теряющей любимого хозяина; об отношении людей к «братьям меньшим»; которое как рентгеном просвечивает души; выявляя в одних низость и мелочную подлость; а в других — благородство; способность сострадать и любить… - Закон и преступление; порядок и беспредел; защитник и жертва — неизбежное противостояние и столкновение. Полицейские — порядок; законопослушные граждане — закон. Но все ли граждане; слывущие добропорядочными; соблюдают законы; и всем ли представителям закона стоит доверять? Прикрываясь значком полицейского; они вершат беззаконие и из праведников превращаются в изощренных насильников. - Когда засуха; пыльные бури и вымирание растений приводят человечество к продовольственному кризису; коллектив исследователей и учёных отправляется сквозь червоточину (которая предположительно соединяет области пространства-времени через большое расстояние) в путешествие; чтобы превзойти прежние ограничения для космических путешествий человека и найти планету с подходящими для человечества условиями. - source_sentence: Фильм — о борьбе женщины за справедливость в поисках убийцы ее дочери, когда полиция seemingly не заинтересована в расследовании. Произошедшее побудило ее нанять монтажиста, который закрепляет 3 большого плаката со своеобразным обращением к начальнику полиции, принимающему расстановку сил и власти над престарелыми гражданами. sentences: - Трогательная и захватывающая история сближения двух абсолютно разных собак — породистой комнатной неженки и обычной дворняги. Изящная и пушистая как игрушка; коккер-спаниельша Леди была любимицей хозяев; пока в их семье не появился младенец. Надетый намордник стал последней каплей; подтолкнувшей обиженную героиню к бегству. Но на улице ее поджидала целая куча опасностей; о существовании которых она даже не подозревала. И тогда на помощь миниатюрной черноглазой красотке пришел пес Бродяга; благородство которого было не в породе; а в душе. - Идёт третий год Войн клонов. Галактическая Республика; некогда бывшая спокойным и гармоничным государством; превратилась в поле битвы между армиями клонов; возглавляемых канцлером Палпатином; и армадами дроидов; которых ведёт граф Дуку; тёмный лорд ситхов. Республика медленно погружается во тьму. Лишь рыцари-джедаи; защитники мира и справедливости; могут противостоять злу; которое вскоре поглотит галактику. Но настоящая битва идёт в душе у молодого рыцаря-джедая Энакина; который разрывается между долгом джедая и любовью к своей жене; сенатору Падме Амидале. И от того; какое чувство в нём победит; зависит будущее всего мира. - Спустя несколько месяцев после убийства дочери Милдред Хейс преступники так и не найдены. Отчаявшаяся женщина решается на смелый шаг; арендуя на въезде в город три билборда с посланием к авторитетному главе полиции Уильяму Уиллоуби. Когда в ситуацию оказывается втянут ещё и заместитель шерифа; инфантильный маменькин сынок со склонностью к насилию; офицер Диксон; борьба между Милдред и властями города только усугубляется. - source_sentence: В отдаленном волшебном королевстве живут заколдованная принцесса Фиона и ее семья. Фиону превратили в козла, а ее семью осудили на вечную охоту за глупыми носителями ее образа. sentences: - В первом и последнем плавании шикарного «Титаника» встречаются двое. Пассажир нижней палубы Джек выиграл билет в карты; а богатая наследница Роза отправляется в Америку; чтобы выйти замуж по расчёту. Чувства молодых людей только успевают расцвести; и даже не классовые различия создадут испытания влюблённым; а айсберг; вставший на пути считавшегося непотопляемым лайнера. - Двое бандитов Винсент Вега и Джулс Винфилд ведут философские беседы в перерывах между разборками и решением проблем с должниками криминального босса Марселласа Уоллеса.В первой истории Винсент проводит незабываемый вечер с женой Марселласа Мией. Во второй рассказывается о боксёре Бутче Кулидже; купленном Уоллесом; чтобы сдать бой. В третьей истории Винсент и Джулс по нелепой случайности попадают в неприятности. - Жил да был в сказочном государстве большой зеленый великан по имени Шрек. Жил он в гордом одиночестве в лесу; на болоте; которое считал своим. Но однажды злобный коротышка — лорд Фаркуад; правитель волшебного королевства; безжалостно согнал на Шреково болото всех сказочных обитателей.И беспечной жизни зеленого великана пришел конец. Но лорд Фаркуад пообещал вернуть Шреку болото; если великан добудет ему прекрасную принцессу Фиону; которая томится в неприступной башне; охраняемой огнедышащим драконом… --- # SentenceTransformer based on intfloat/multilingual-e5-large This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [intfloat/multilingual-e5-large](https://huggingface.co/intfloat/multilingual-e5-large) on the train dataset. 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](https://huggingface.co/intfloat/multilingual-e5-large) - **Maximum Sequence Length:** 512 tokens - **Output Dimensionality:** 1024 tokens - **Similarity Function:** Cosine Similarity - **Training Dataset:** - train ### 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("fombus/kinoguess_large") # Run inference sentences = [ 'В отдаленном волшебном королевстве живут заколдованная принцесса Фиона и ее семья. Фиону превратили в козла, а ее семью осудили на вечную охоту за глупыми носителями ее образа.', 'Жил да\xa0был в\xa0сказочном государстве большой зеленый великан по\xa0имени Шрек. Жил\xa0он в\xa0гордом одиночестве в\xa0лесу; на\xa0болоте; которое считал своим. Но\xa0однажды злобный коротышка\xa0—\xa0лорд Фаркуад; правитель волшебного королевства; безжалостно согнал на\xa0Шреково болото всех сказочных обитателей.И беспечной жизни зеленого великана пришел конец. Но\xa0лорд Фаркуад пообещал вернуть Шреку болото; если великан добудет ему\xa0прекрасную принцессу Фиону; которая томится в\xa0неприступной башне; охраняемой огнедышащим драконом…', 'В первом и\xa0последнем плавании шикарного «Титаника» встречаются двое. Пассажир нижней палубы Джек выиграл билет в\xa0карты; а\xa0богатая наследница Роза отправляется в\xa0Америку; чтобы выйти замуж по\xa0расчёту. Чувства молодых людей только успевают расцвести; и\xa0даже не\xa0классовые различия создадут испытания влюблённым; а\xa0айсберг; вставший на\xa0пути считавшегося непотопляемым лайнера.', ] 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] ``` ## Training Details ### Training Dataset #### train * Dataset: train * Size: 278 training samples * Columns: anchor, positive, and negative * Approximate statistics based on the first 278 samples: | | anchor | positive | negative | |:--------|:----------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------| | type | string | string | string | | details | | | | * Samples: | anchor | positive | negative | |:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------| | Один из самых знаменитых героев фэнтези-пародии легко сбивает с толку и обычных зрителей и самого себя. Энди Дюфрейн попадает в сверххищную тюрьму, где находятся представители высшего света, которым не нужны деньги. | Бухгалтер Энди Дюфрейн обвинён в убийстве собственной жены и её любовника. Оказавшись в тюрьме под названием Шоушенк; он сталкивается с жестокостью и беззаконием; царящими по обе стороны решётки. Каждый; кто попадает в эти стены; становится их рабом до конца жизни. Но Энди; обладающий живым умом и доброй душой; находит подход как к заключённым; так и к охранникам; добиваясь их особого к себе расположения. | Действие фильма разворачивается на бескрайних просторах Антарктики. Научная экспедиция; в состав которой входят Джерри Шепард; его лучший друг Купер и геолог; отправляется на поиски метеорита.Однако неожиданное происшествие и тяжелые погодные условия вынуждают их оставить свои собачьи упряжки и вернуться назад. И теперь восемь собак должны в течение шести месяцев бороться за выживание в ледяной пустыне и ждать; пока их спасут… | | В одной из тюрем находится отряд смертников, каждый из сотрудников которого смотрит за судьбами заключенных, разрабатывая такие методы воздействия, которые не должны применяться. Один из заключенных с титулом «Смертник номер один» вызывает беспокойство сотрудников. | Пол Эджкомб — начальник блока смертников в тюрьме «Холодная гора»; каждый из узников которого однажды проходит «зеленую милю» по пути к месту казни. Пол повидал много заключённых и надзирателей за время работы. Однако гигант Джон Коффи; обвинённый в страшном преступлении; стал одним из самых необычных обитателей блока. | Крыс Реми обладает уникальным вкусом. Он готов рисковать собственной жизнью; чтобы посмотреть любимое кулинарное шоу и раздобыть какую-нибудь приправку или просто свежий продукт. Реми живет со своими сородичами; которые его не понимают и не принимают его увлечения кулинарией. Когда Реми случайно попадает на кухню шикарного ресторана; он решает воспользоваться выпавшим ему шансом и проверить свои навыки. На эту же кухню попадает и юный Лингвини. Всё; на что он может расчитывать — это должность уборщика. Но он тоже получает свой шанс… | | Герой фильма ведет жизнь простого, благородного человека, но окружающие видят в нем великого человека и превращают его в того, кем он сначала хотел быть. Однако через годы он осознает, что не воспользовался своим великолепием, бросив свою первоначальную любовь и оставшись один. | От лица главного героя Форреста Гампа; слабоумного безобидного человека с благородным и открытым сердцем; рассказывается история его необыкновенной жизни.Фантастическим образом превращается он в известного футболиста; героя войны; преуспевающего бизнесмена. Он становится миллиардером; но остается таким же бесхитростным; глупым и добрым. Форреста ждет постоянный успех во всем; а он любит девочку; с которой дружил в детстве; но взаимность приходит слишком поздно. | Действие разворачивается 20 тыс. лет назад. Чтобы избежать приближающегося из-за наступления ледникового периода холода; животные мигрируют на юг. Однако некоторые из них всё-таки решают остаться — одинокий; угрюмый мамонт Манфред; а также бесшабашный ленивец Сид.Случайно эта парочка наталкивается на человеческого детёныша. Они решаются вернуть его людям и отправляются в путешествие. По пути они встречают саблезубого хитрого тигра. И теперь этой веселой компании предстоят забавные приключения! | * Loss: [MultipleNegativesRankingLoss](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters: ```json { "scale": 20.0, "similarity_fct": "cos_sim" } ``` ### Training Hyperparameters #### Non-Default Hyperparameters - `per_device_train_batch_size`: 2 - `per_device_eval_batch_size`: 2 - `learning_rate`: 2e-05 - `num_train_epochs`: 5 - `warmup_ratio`: 0.1 #### All Hyperparameters
Click to expand - `overwrite_output_dir`: False - `do_predict`: False - `eval_strategy`: no - `prediction_loss_only`: True - `per_device_train_batch_size`: 2 - `per_device_eval_batch_size`: 2 - `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`: 5 - `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`: False - `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`: 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`: proportional
### Training Logs | Epoch | Step | Training Loss | |:------:|:----:|:-------------:| | 3.5971 | 500 | 0.1327 | ### Framework Versions - Python: 3.10.14 - Sentence Transformers: 3.1.0 - Transformers: 4.44.0 - PyTorch: 2.4.0 - Accelerate: 0.33.0 - Datasets: 2.21.0 - 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", } ``` #### MultipleNegativesRankingLoss ```bibtex @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} } ```