File size: 58,113 Bytes
a2d9900 |
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 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719 720 721 722 723 724 725 726 727 728 729 730 731 732 733 734 735 736 737 738 739 740 741 742 743 744 745 746 747 748 749 750 751 752 753 754 755 756 757 758 759 760 761 762 763 764 765 766 767 768 769 770 771 772 773 774 775 776 777 778 779 780 781 782 783 784 785 786 787 788 789 790 791 792 793 794 795 796 797 798 799 800 801 802 803 804 805 806 807 808 809 810 811 812 813 814 815 816 817 818 819 820 821 822 823 824 825 826 827 828 829 830 831 832 833 834 835 836 837 838 839 840 841 842 843 844 845 846 847 848 849 850 851 852 853 854 855 856 857 858 859 860 861 862 863 864 865 866 867 868 869 870 871 872 873 874 875 876 877 878 879 880 881 882 883 884 885 886 887 888 889 890 891 892 893 894 895 896 897 898 899 900 901 902 903 904 905 906 907 908 909 910 911 912 913 914 915 916 917 918 919 920 921 922 923 924 925 926 927 928 929 930 931 932 933 934 935 936 937 938 939 940 941 942 943 944 945 |
---
base_model: intfloat/multilingual-e5-large
language:
- it
library_name: sentence-transformers
license: apache-2.0
metrics:
- cosine_accuracy@1
- cosine_accuracy@3
- cosine_accuracy@5
- cosine_accuracy@10
- cosine_precision@1
- cosine_precision@3
- cosine_precision@5
- cosine_precision@10
- cosine_recall@1
- cosine_recall@3
- cosine_recall@5
- cosine_recall@10
- cosine_ndcg@10
- cosine_mrr@10
- cosine_map@100
pipeline_tag: sentence-similarity
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:182223
- loss:MatryoshkaLoss
- loss:MultipleNegativesRankingLoss
widget:
- source_sentence: 'Çandahar
Çandahar è un comune dell''Azerbaigian situato nel distretto di İsmayıllı. Conta
una popolazione di 155 abitanti.
Collegamenti esterni
Çandahar su GEOnet Names Server
Comuni del distretto di İsmayıllı'
sentences:
- Quali sono i principali dati demografici e territoriali dell'upazila di Lalmohan
secondo il censimento del 1991?
- Qual è la popolazione del comune di Çandahar?
- Cosa è stato associato a uno stato socioeconomico inferiore e a uno stato sociale
più elevato in relazione all'uso di alcol, sigarette e droghe ricreative durante
la gravidanza?
- source_sentence: "New Glasgow\nNew Glasgow è una municipalità (town) del Canada,\
\ situata nella provincia di Nuova Scozia.\n\nAltri progetti\n\nCollegamenti esterni\
\ \n \n\n \n\nMunicipalità della Nuova Scozia"
sentences:
- Come viene classificata la specie Pteropus rayneri dalla IUCN Red List e quali
fattori possono influire sulla sua conservazione?
- In quale paese si trova la municipalità di New Glasgow?
- Quanti motori e quanti piloti aveva il Morane-Saulnier Type TRK?
- source_sentence: 'Embolia
Lembolia (o embolismo) è l''ostruzione di un''arteria o di una vena, causata da
un corpo estraneo al normale flusso sanguigno, che viene denominato embolo e che
può essere un coagulo di sangue, una bolla d''aria o di altri gas, generalmente
azoto, o altre formazioni di dimensioni tali da ostruire un vaso arterioso o venoso.
Nei casi più gravi in cui essa interessi un''arteria, l''embolia può provocare
la morte del soggetto colpito per ischemia cerebrale, polmonare o cardiaca. Per
l''embolia da coaguli ematici, che è il tipo più frequente di embolia, vedi trombosi.
Classificazione L''embolia viene classificata sia in base all''apparato colpito
che al tipo di corpo estraneo coinvolto. A seconda del fattore coinvolto si parla
di: embolia gassosa, quando l''embolo sia causato da una bolla di gas (ad.es.:
azoto). A tale tipo di embolia è particolarmente esposto chi pratichi immersioni
subacquee; infatti, nel caso in cui non vengano rispettati i tempi di decompressione,
l''improvvisa variazione di pressione può portare alla formazione di bolle d''azoto
nel circolo sanguigno. Analogamente, la stessa cosa può succedere nel caso di
volo ad alta quota in una cabina non pressurizzata. In generale comunque, eccezion
fatta per i casi succitati, l''embolia gassosa è un evento molto raro. embolia
lipidica (chiamata anche liquida, adiposa o grassosa o sindrome lipido-embolica),
quando l''embolo è costituito da un ammasso di grasso. I lipidi infatti essendo
idrofobici e quindi insolubuli nel sangue idrofilo si dispongono a formare una
micella che può provocare l''ostruzione del vaso. Tale embolia si verifica specialmente
come effetto collaterale anche tardivo nel caso di eventi traumatici alle ossa
del bacino e agli arti inferiori. embolia da liquido amniotico, nelle donne durante
la gravidanza può accadere che del liquido amniotico venga spinto nel circolo
sanguigno materno. embolia da colesterolo, causata da placche aterosclerotiche
all''interno di un vaso sanguigno.'
sentences:
- In quale città e anno nacque Jean-Baptiste Auriol?
- Cosa suggerisce Aldo al protagonista riguardo ai dipinti del Catena e cosa succede
successivamente?
- Cosa è l'embolia gassosa?
- source_sentence: "FireHouse (album)\nFireHouse è il primo album in studio del gruppo\
\ musicale statunitense FireHouse, pubblicato il 7 settembre 1990 dalla Epic Records.\n\
\nIl disco \nL'album è stato certificato doppio disco di platino negli Stati Uniti,\
\ e disco d'oro in Canada, Giappone e Singapore.\n\nVennero estratti i quattro\
\ singoli Shake & Tumble, Don't Treat Me Bad, All She Wrote e la ballata Love\
\ of a Lifetime, diventato il brano più famoso del gruppo.\n\nLa traccia Don't\
\ Walk Away appare in una scena del film The Wrestler diretto da Darren Aronofsky\
\ nel 2008.\n\nIl brano Overnight Sensation è parte della colonna sonora del videogioco\
\ Brütal Legend.\n\nTracce\n\nFormazione\n C.J. Snare – voce, tastiere\n Bill\
\ Leverty – chitarre\n Perry Richardson – basso\n Michael Foster – batteria, percussioni\n\
\nClassifiche\n\nNote\n\nCollegamenti esterni"
sentences:
- Quando è stato pubblicato l'album FireHouse e quale disco ha ottenuto nella certificazione
degli Stati Uniti?
- Chi ha scritto la sceneggiatura del film 'Oggi a me... domani a te'?
- Chi è Marco Andreolli?
- source_sentence: 'Precipitine sieriche contro i microbi nel fieno ammuffito rispetto
all''età, al sesso, all''atopia e al fumo degli agricoltori.Questo studio si è
basato su un campione di 3.065 agricoltori su una popolazione più ampia di 12.056
agricoltori finlandesi. I dati sono stati raccolti in un''indagine postale condotta
dall''Istituto di previdenza sociale della Finlandia. Campioni di siero per la
determinazione degli anticorpi precipitanti sono stati prelevati presso i centri
sanitari locali. Le precipitazioni sono state determinate con il metodo della
micropiastra diffusione immunitaria. Il pannello dell''antigene era costituito
da antigeni miceliali di Micropolyspora faeni, Thermoactinomyces vulgaris, Aspergillus
fumigatus e Aspergillus umbrosus. Precipitine a uno qualsiasi dei quattro microbi
sono state rilevate nell''8,6% dei sieri. Le cause più comuni di test di precipitina
positivi erano Aspergillus umbrosus e Thermoactinomyces vulgaris, che concorda
con i risultati precedenti riportati dalla Finlandia In generale, le precipitine
erano più prevalenti tra le donne, il che corrisponde alle tradizioni culturali
locali e negli agricoltori più anziani. La prevalenza delle precipitine non differiva
tra i soggetti non atopici e atopici (definiti come coesistenza passata o presente
di dermatite atopica inclusi eczema infantile e/o febbre da fieno o altre riniti
allergiche). Al contrario, la prevalenza delle precipitine era circa 1,5-2 volte
maggiore tra i non fumatori rispetto ai fumatori, il che conferma i risultati
dei rapporti precedenti. Negli studi futuri sulla presenza di precipitine, i dati
dovrebbero essere controllati rispetto all''età, al sesso e al fumo. '
sentences:
- Quali sono i quattro microbi che sono stati utilizzati per la determinazione delle
precipitine nel siero degli agricoltori?
- Le strutture tricline delle proteine bovine a basso pH e ovine ad alto pH sono
simili nonostante la transizione conformazionale pH-dipendente delle proteine
bovina e suina?
- Quali due canzoni vengono eseguite dopo il monologo 'Eva e la bambola'?
model-index:
- name: ReDiX/multilingual-e5-large
results:
- task:
type: information-retrieval
name: Information Retrieval
dataset:
name: dim 1024
type: dim_1024
metrics:
- type: cosine_accuracy@1
value: 0.7948439352034768
name: Cosine Accuracy@1
- type: cosine_accuracy@3
value: 0.9205353615171868
name: Cosine Accuracy@3
- type: cosine_accuracy@5
value: 0.9347096009482418
name: Cosine Accuracy@5
- type: cosine_accuracy@10
value: 0.9473528249703674
name: Cosine Accuracy@10
- type: cosine_precision@1
value: 0.7948439352034768
name: Cosine Precision@1
- type: cosine_precision@3
value: 0.306845120505729
name: Cosine Precision@3
- type: cosine_precision@5
value: 0.1869419201896484
name: Cosine Precision@5
- type: cosine_precision@10
value: 0.09473528249703676
name: Cosine Precision@10
- type: cosine_recall@1
value: 0.7948439352034768
name: Cosine Recall@1
- type: cosine_recall@3
value: 0.9205353615171868
name: Cosine Recall@3
- type: cosine_recall@5
value: 0.9347096009482418
name: Cosine Recall@5
- type: cosine_recall@10
value: 0.9473528249703674
name: Cosine Recall@10
- type: cosine_ndcg@10
value: 0.8817864955582441
name: Cosine Ndcg@10
- type: cosine_mrr@10
value: 0.8596923348886538
name: Cosine Mrr@10
- type: cosine_map@100
value: 0.8610794523479144
name: Cosine Map@100
- task:
type: information-retrieval
name: Information Retrieval
dataset:
name: dim 768
type: dim_768
metrics:
- type: cosine_accuracy@1
value: 0.7927696562623469
name: Cosine Accuracy@1
- type: cosine_accuracy@3
value: 0.9198933227973133
name: Cosine Accuracy@3
- type: cosine_accuracy@5
value: 0.9340675622283683
name: Cosine Accuracy@5
- type: cosine_accuracy@10
value: 0.9465626234689846
name: Cosine Accuracy@10
- type: cosine_precision@1
value: 0.7927696562623469
name: Cosine Precision@1
- type: cosine_precision@3
value: 0.3066311075991044
name: Cosine Precision@3
- type: cosine_precision@5
value: 0.18681351244567365
name: Cosine Precision@5
- type: cosine_precision@10
value: 0.09465626234689846
name: Cosine Precision@10
- type: cosine_recall@1
value: 0.7927696562623469
name: Cosine Recall@1
- type: cosine_recall@3
value: 0.9198933227973133
name: Cosine Recall@3
- type: cosine_recall@5
value: 0.9340675622283683
name: Cosine Recall@5
- type: cosine_recall@10
value: 0.9465626234689846
name: Cosine Recall@10
- type: cosine_ndcg@10
value: 0.8805084163364723
name: Cosine Ndcg@10
- type: cosine_mrr@10
value: 0.8582397124858148
name: Cosine Mrr@10
- type: cosine_map@100
value: 0.8596200861512284
name: Cosine Map@100
- task:
type: information-retrieval
name: Information Retrieval
dataset:
name: dim 512
type: dim_512
metrics:
- type: cosine_accuracy@1
value: 0.7921770051363097
name: Cosine Accuracy@1
- type: cosine_accuracy@3
value: 0.9187574081390755
name: Cosine Accuracy@3
- type: cosine_accuracy@5
value: 0.9316475701303832
name: Cosine Accuracy@5
- type: cosine_accuracy@10
value: 0.9446858949032003
name: Cosine Accuracy@10
- type: cosine_precision@1
value: 0.7921770051363097
name: Cosine Precision@1
- type: cosine_precision@3
value: 0.30625246937969175
name: Cosine Precision@3
- type: cosine_precision@5
value: 0.18632951402607667
name: Cosine Precision@5
- type: cosine_precision@10
value: 0.09446858949032005
name: Cosine Precision@10
- type: cosine_recall@1
value: 0.7921770051363097
name: Cosine Recall@1
- type: cosine_recall@3
value: 0.9187574081390755
name: Cosine Recall@3
- type: cosine_recall@5
value: 0.9316475701303832
name: Cosine Recall@5
- type: cosine_recall@10
value: 0.9446858949032003
name: Cosine Recall@10
- type: cosine_ndcg@10
value: 0.8792920452275124
name: Cosine Ndcg@10
- type: cosine_mrr@10
value: 0.857240476033695
name: Cosine Mrr@10
- type: cosine_map@100
value: 0.858646487778512
name: Cosine Map@100
- task:
type: information-retrieval
name: Information Retrieval
dataset:
name: dim 256
type: dim_256
metrics:
- type: cosine_accuracy@1
value: 0.7871394705649941
name: Cosine Accuracy@1
- type: cosine_accuracy@3
value: 0.9129296720663769
name: Cosine Accuracy@3
- type: cosine_accuracy@5
value: 0.9268075859344133
name: Cosine Accuracy@5
- type: cosine_accuracy@10
value: 0.9414263137099961
name: Cosine Accuracy@10
- type: cosine_precision@1
value: 0.7871394705649941
name: Cosine Precision@1
- type: cosine_precision@3
value: 0.3043098906887923
name: Cosine Precision@3
- type: cosine_precision@5
value: 0.18536151718688268
name: Cosine Precision@5
- type: cosine_precision@10
value: 0.09414263137099962
name: Cosine Precision@10
- type: cosine_recall@1
value: 0.7871394705649941
name: Cosine Recall@1
- type: cosine_recall@3
value: 0.9129296720663769
name: Cosine Recall@3
- type: cosine_recall@5
value: 0.9268075859344133
name: Cosine Recall@5
- type: cosine_recall@10
value: 0.9414263137099961
name: Cosine Recall@10
- type: cosine_ndcg@10
value: 0.8746513367400706
name: Cosine Ndcg@10
- type: cosine_mrr@10
value: 0.8522241075740239
name: Cosine Mrr@10
- type: cosine_map@100
value: 0.8536655855801353
name: Cosine Map@100
- task:
type: information-retrieval
name: Information Retrieval
dataset:
name: dim 128
type: dim_128
metrics:
- type: cosine_accuracy@1
value: 0.777903990517582
name: Cosine Accuracy@1
- type: cosine_accuracy@3
value: 0.904632556301857
name: Cosine Accuracy@3
- type: cosine_accuracy@5
value: 0.9177696562623469
name: Cosine Accuracy@5
- type: cosine_accuracy@10
value: 0.9329316475701304
name: Cosine Accuracy@10
- type: cosine_precision@1
value: 0.777903990517582
name: Cosine Precision@1
- type: cosine_precision@3
value: 0.3015441854339523
name: Cosine Precision@3
- type: cosine_precision@5
value: 0.1835539312524694
name: Cosine Precision@5
- type: cosine_precision@10
value: 0.09329316475701306
name: Cosine Precision@10
- type: cosine_recall@1
value: 0.777903990517582
name: Cosine Recall@1
- type: cosine_recall@3
value: 0.904632556301857
name: Cosine Recall@3
- type: cosine_recall@5
value: 0.9177696562623469
name: Cosine Recall@5
- type: cosine_recall@10
value: 0.9329316475701304
name: Cosine Recall@10
- type: cosine_ndcg@10
value: 0.865788698082033
name: Cosine Ndcg@10
- type: cosine_mrr@10
value: 0.8432427384558511
name: Cosine Mrr@10
- type: cosine_map@100
value: 0.8449138896139231
name: Cosine Map@100
- task:
type: information-retrieval
name: Information Retrieval
dataset:
name: dim 64
type: dim_64
metrics:
- type: cosine_accuracy@1
value: 0.7547905966021335
name: Cosine Accuracy@1
- type: cosine_accuracy@3
value: 0.8831983405768471
name: Cosine Accuracy@3
- type: cosine_accuracy@5
value: 0.8993480837613591
name: Cosine Accuracy@5
- type: cosine_accuracy@10
value: 0.918016594231529
name: Cosine Accuracy@10
- type: cosine_precision@1
value: 0.7547905966021335
name: Cosine Precision@1
- type: cosine_precision@3
value: 0.294399446858949
name: Cosine Precision@3
- type: cosine_precision@5
value: 0.17986961675227184
name: Cosine Precision@5
- type: cosine_precision@10
value: 0.09180165942315291
name: Cosine Precision@10
- type: cosine_recall@1
value: 0.7547905966021335
name: Cosine Recall@1
- type: cosine_recall@3
value: 0.8831983405768471
name: Cosine Recall@3
- type: cosine_recall@5
value: 0.8993480837613591
name: Cosine Recall@5
- type: cosine_recall@10
value: 0.918016594231529
name: Cosine Recall@10
- type: cosine_ndcg@10
value: 0.8459093589204112
name: Cosine Ndcg@10
- type: cosine_mrr@10
value: 0.821874039685682
name: Cosine Mrr@10
- type: cosine_map@100
value: 0.8238103416018093
name: Cosine Map@100
---
# ReDiX/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 data 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) <!-- at revision ab10c1a7f42e74530fe7ae5be82e6d4f11a719eb -->
- **Maximum Sequence Length:** 512 tokens
- **Output Dimensionality:** 1024 dimensions
- **Similarity Function:** Cosine Similarity
- **Training Dataset:**
- data
- **Language:** it
- **License:** apache-2.0
### 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("mik3ml/multilingual-e5-large-ita")
# Run inference
sentences = [
"Precipitine sieriche contro i microbi nel fieno ammuffito rispetto all'età, al sesso, all'atopia e al fumo degli agricoltori.Questo studio si è basato su un campione di 3.065 agricoltori su una popolazione più ampia di 12.056 agricoltori finlandesi. I dati sono stati raccolti in un'indagine postale condotta dall'Istituto di previdenza sociale della Finlandia. Campioni di siero per la determinazione degli anticorpi precipitanti sono stati prelevati presso i centri sanitari locali. Le precipitazioni sono state determinate con il metodo della micropiastra diffusione immunitaria. Il pannello dell'antigene era costituito da antigeni miceliali di Micropolyspora faeni, Thermoactinomyces vulgaris, Aspergillus fumigatus e Aspergillus umbrosus. Precipitine a uno qualsiasi dei quattro microbi sono state rilevate nell'8,6% dei sieri. Le cause più comuni di test di precipitina positivi erano Aspergillus umbrosus e Thermoactinomyces vulgaris, che concorda con i risultati precedenti riportati dalla Finlandia In generale, le precipitine erano più prevalenti tra le donne, il che corrisponde alle tradizioni culturali locali e negli agricoltori più anziani. La prevalenza delle precipitine non differiva tra i soggetti non atopici e atopici (definiti come coesistenza passata o presente di dermatite atopica inclusi eczema infantile e/o febbre da fieno o altre riniti allergiche). Al contrario, la prevalenza delle precipitine era circa 1,5-2 volte maggiore tra i non fumatori rispetto ai fumatori, il che conferma i risultati dei rapporti precedenti. Negli studi futuri sulla presenza di precipitine, i dati dovrebbero essere controllati rispetto all'età, al sesso e al fumo. ",
'Quali sono i quattro microbi che sono stati utilizzati per la determinazione delle precipitine nel siero degli agricoltori?',
'Le strutture tricline delle proteine bovine a basso pH e ovine ad alto pH sono simili nonostante la transizione conformazionale pH-dipendente delle proteine bovina e suina?',
]
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
#### Information Retrieval
* Datasets: `dim_1024`, `dim_768`, `dim_512`, `dim_256`, `dim_128` and `dim_64`
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
| Metric | dim_1024 | dim_768 | dim_512 | dim_256 | dim_128 | dim_64 |
|:--------------------|:-----------|:-----------|:-----------|:-----------|:-----------|:-----------|
| cosine_accuracy@1 | 0.7948 | 0.7928 | 0.7922 | 0.7871 | 0.7779 | 0.7548 |
| cosine_accuracy@3 | 0.9205 | 0.9199 | 0.9188 | 0.9129 | 0.9046 | 0.8832 |
| cosine_accuracy@5 | 0.9347 | 0.9341 | 0.9316 | 0.9268 | 0.9178 | 0.8993 |
| cosine_accuracy@10 | 0.9474 | 0.9466 | 0.9447 | 0.9414 | 0.9329 | 0.918 |
| cosine_precision@1 | 0.7948 | 0.7928 | 0.7922 | 0.7871 | 0.7779 | 0.7548 |
| cosine_precision@3 | 0.3068 | 0.3066 | 0.3063 | 0.3043 | 0.3015 | 0.2944 |
| cosine_precision@5 | 0.1869 | 0.1868 | 0.1863 | 0.1854 | 0.1836 | 0.1799 |
| cosine_precision@10 | 0.0947 | 0.0947 | 0.0945 | 0.0941 | 0.0933 | 0.0918 |
| cosine_recall@1 | 0.7948 | 0.7928 | 0.7922 | 0.7871 | 0.7779 | 0.7548 |
| cosine_recall@3 | 0.9205 | 0.9199 | 0.9188 | 0.9129 | 0.9046 | 0.8832 |
| cosine_recall@5 | 0.9347 | 0.9341 | 0.9316 | 0.9268 | 0.9178 | 0.8993 |
| cosine_recall@10 | 0.9474 | 0.9466 | 0.9447 | 0.9414 | 0.9329 | 0.918 |
| **cosine_ndcg@10** | **0.8818** | **0.8805** | **0.8793** | **0.8747** | **0.8658** | **0.8459** |
| cosine_mrr@10 | 0.8597 | 0.8582 | 0.8572 | 0.8522 | 0.8432 | 0.8219 |
| cosine_map@100 | 0.8611 | 0.8596 | 0.8586 | 0.8537 | 0.8449 | 0.8238 |
<!--
## 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
#### data
* Dataset: data
* Size: 182,223 training samples
* Columns: <code>positive</code> and <code>anchor</code>
* Approximate statistics based on the first 1000 samples:
| | positive | anchor |
|:--------|:-------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|
| type | string | string |
| details | <ul><li>min: 12 tokens</li><li>mean: 416.02 tokens</li><li>max: 512 tokens</li></ul> | <ul><li>min: 7 tokens</li><li>mean: 19.33 tokens</li><li>max: 69 tokens</li></ul> |
* Samples:
| positive | anchor |
|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------------------------------|
| <code>Thomas Poulsen<br><br><br>Palmarès<br><br>Olimpiadi<br>1 medaglia:<br>1 oro ( nel 4 senza pesi leggeri)<br><br>Collegamenti esterni</code> | <code>In quale categoria ha vinto la sua unica medaglia olimpica?</code> |
| <code>Porta di Saint Denis<br>La porta di Saint Denis (porte Saint-Denis in francese) è un arco di trionfo situato nel X arrondissement di Parigi, costruito nel 1672 su progetto dall'architetto François Blondel, in onore del re Luigi XIV. <br>È uno dei monumenti più rappresentativi dell'arte ufficiale della sua epoca, secondo tutte le antologie.<br><br>Storia<br><br>Con l'espansione urbanistica di Parigi, la cinta muraria di Carlo V del XIV secolo fu sostituita da una barriera affiancata da un viale alberato (boulevard): le porte trionfali prendono, quindi, il posto di quelle fortificate del Medioevo.<br><br>La porta di Saint-Denis fu eretta nel 1672, sulla base del progetto di François Blondel, direttore dell'Accademia reale dell'architettura, e dello scultore Michel Anguier su commissione del re Luigi XIV, per celebrare le sue vittorie lungo il Reno, in Franca Contea e nei dintorni della città.<br><br>La porta fu costruita al di sopra di un bastione del secolo precedente, in sostituzione di una porta medievale, e si tr...</code> | <code>Quali elementi architettonici e decorativi sono presenti nell'arco di trionfo di Saint Denis?</code> |
| <code>Provincia di Venezia<br>La provincia di Venezia (provincia de Venesia in veneto, provincie di Vignesie in friulano) è stata una provincia italiana del Veneto, sostituita nel 2015 dall'omonima città metropolitana. Storia La provincia fu creata nel 1866, col passaggio all'Italia del Veneto in seguito alla Terza Guerra d'Indipendenza, sostituendo l'omonimo ente amministrativo austriaco. Quest'ultimo aveva a sua volta sostituito il Dipartimento dell'Adriatico napoleonico, che, a differenza delle successive suddivisioni amministrative, comprendeva anche i cantoni friulani (suddivisione amministrativa francese equivalente al mandamento) di Aquileia, Latisana e Portogruaro. Le prime elezioni provinciali si tennero il 23 dicembre 1866. Geografia fisica La provincia di Venezia era sostanzialmente una realtà eterogenea, che univa all'interno di un unico territorio più circondari: Venezia, Chioggia, Cavarzere e Cona, Riviera del Brenta, Miranese, Sandonatese, Portogruarese. La provincia confinava co...</code> | <code>Chi sostituì l'omonimo ente amministrativo austriaco?</code> |
* Loss: [<code>MatryoshkaLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#matryoshkaloss) with these parameters:
```json
{
"loss": "MultipleNegativesRankingLoss",
"matryoshka_dims": [
1024,
768,
512,
256,
128,
64
],
"matryoshka_weights": [
1,
1,
1,
1,
1,
1
],
"n_dims_per_step": -1
}
```
### Training Hyperparameters
#### Non-Default Hyperparameters
- `eval_strategy`: epoch
- `per_device_train_batch_size`: 32
- `per_device_eval_batch_size`: 16
- `gradient_accumulation_steps`: 16
- `learning_rate`: 2e-05
- `lr_scheduler_type`: cosine
- `warmup_ratio`: 0.1
- `bf16`: True
- `tf32`: True
- `load_best_model_at_end`: True
- `optim`: adamw_torch_fused
- `batch_sampler`: no_duplicates
#### All Hyperparameters
<details><summary>Click to expand</summary>
- `overwrite_output_dir`: False
- `do_predict`: False
- `eval_strategy`: epoch
- `prediction_loss_only`: True
- `per_device_train_batch_size`: 32
- `per_device_eval_batch_size`: 16
- `per_gpu_train_batch_size`: None
- `per_gpu_eval_batch_size`: None
- `gradient_accumulation_steps`: 16
- `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`: 3
- `max_steps`: -1
- `lr_scheduler_type`: cosine
- `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`: True
- `fp16`: False
- `fp16_opt_level`: O1
- `half_precision_backend`: auto
- `bf16_full_eval`: False
- `fp16_full_eval`: False
- `tf32`: True
- `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`: True
- `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_fused
- `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
- `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
- `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
- `use_liger_kernel`: False
- `eval_use_gather_object`: False
- `prompts`: None
- `batch_sampler`: no_duplicates
- `multi_dataset_batch_sampler`: proportional
</details>
### Training Logs
<details><summary>Click to expand</summary>
| Epoch | Step | Training Loss | dim_1024_cosine_ndcg@10 | dim_768_cosine_ndcg@10 | dim_512_cosine_ndcg@10 | dim_256_cosine_ndcg@10 | dim_128_cosine_ndcg@10 | dim_64_cosine_ndcg@10 |
|:----------:|:-------:|:-------------:|:-----------------------:|:----------------------:|:----------------------:|:----------------------:|:----------------------:|:---------------------:|
| 0.0281 | 10 | 136.2519 | - | - | - | - | - | - |
| 0.0562 | 20 | 93.5635 | - | - | - | - | - | - |
| 0.0843 | 30 | 39.1184 | - | - | - | - | - | - |
| 0.1124 | 40 | 19.4777 | - | - | - | - | - | - |
| 0.1405 | 50 | 10.0755 | - | - | - | - | - | - |
| 0.1686 | 60 | 7.4115 | - | - | - | - | - | - |
| 0.1967 | 70 | 5.8366 | - | - | - | - | - | - |
| 0.2248 | 80 | 5.6908 | - | - | - | - | - | - |
| 0.2529 | 90 | 5.6481 | - | - | - | - | - | - |
| 0.2809 | 100 | 4.8332 | - | - | - | - | - | - |
| 0.3090 | 110 | 5.2106 | - | - | - | - | - | - |
| 0.3371 | 120 | 5.2924 | - | - | - | - | - | - |
| 0.3652 | 130 | 4.2509 | - | - | - | - | - | - |
| 0.3933 | 140 | 4.0525 | - | - | - | - | - | - |
| 0.4214 | 150 | 3.7339 | - | - | - | - | - | - |
| 0.4495 | 160 | 3.4459 | - | - | - | - | - | - |
| 0.4776 | 170 | 3.4454 | - | - | - | - | - | - |
| 0.5057 | 180 | 3.5051 | - | - | - | - | - | - |
| 0.5338 | 190 | 3.1434 | - | - | - | - | - | - |
| 0.5619 | 200 | 3.4567 | - | - | - | - | - | - |
| 0.5900 | 210 | 3.7854 | - | - | - | - | - | - |
| 0.6181 | 220 | 3.7576 | - | - | - | - | - | - |
| 0.6462 | 230 | 3.2254 | - | - | - | - | - | - |
| 0.6743 | 240 | 3.5808 | - | - | - | - | - | - |
| 0.7024 | 250 | 3.7216 | - | - | - | - | - | - |
| 0.7305 | 260 | 2.9924 | - | - | - | - | - | - |
| 0.7586 | 270 | 3.4136 | - | - | - | - | - | - |
| 0.7867 | 280 | 3.4912 | - | - | - | - | - | - |
| 0.8147 | 290 | 3.1589 | - | - | - | - | - | - |
| 0.8428 | 300 | 3.1169 | - | - | - | - | - | - |
| 0.8709 | 310 | 3.2492 | - | - | - | - | - | - |
| 0.8990 | 320 | 3.0045 | - | - | - | - | - | - |
| 0.9271 | 330 | 3.424 | - | - | - | - | - | - |
| 0.9552 | 340 | 3.0119 | - | - | - | - | - | - |
| 0.9833 | 350 | 2.8333 | - | - | - | - | - | - |
| 0.9974 | 355 | - | 0.8821 | 0.8805 | 0.8795 | 0.8720 | 0.8617 | 0.8327 |
| 1.0114 | 360 | 3.1381 | - | - | - | - | - | - |
| 1.0395 | 370 | 2.7908 | - | - | - | - | - | - |
| 1.0676 | 380 | 2.5703 | - | - | - | - | - | - |
| 1.0957 | 390 | 2.5087 | - | - | - | - | - | - |
| 1.1238 | 400 | 2.3044 | - | - | - | - | - | - |
| 1.1519 | 410 | 2.0035 | - | - | - | - | - | - |
| 1.1800 | 420 | 1.8526 | - | - | - | - | - | - |
| 1.2081 | 430 | 1.8608 | - | - | - | - | - | - |
| 1.2362 | 440 | 1.6593 | - | - | - | - | - | - |
| 1.2643 | 450 | 1.8343 | - | - | - | - | - | - |
| 1.2924 | 460 | 1.4608 | - | - | - | - | - | - |
| 1.3205 | 470 | 1.4987 | - | - | - | - | - | - |
| 1.3486 | 480 | 1.4047 | - | - | - | - | - | - |
| 1.3766 | 490 | 1.449 | - | - | - | - | - | - |
| 1.4047 | 500 | 1.2679 | - | - | - | - | - | - |
| 1.4328 | 510 | 1.3128 | - | - | - | - | - | - |
| 1.4609 | 520 | 1.1416 | - | - | - | - | - | - |
| 1.4890 | 530 | 1.1702 | - | - | - | - | - | - |
| 1.5171 | 540 | 0.875 | - | - | - | - | - | - |
| 1.5452 | 550 | 1.1781 | - | - | - | - | - | - |
| 1.5733 | 560 | 1.2128 | - | - | - | - | - | - |
| 1.6014 | 570 | 1.407 | - | - | - | - | - | - |
| 1.6295 | 580 | 1.0243 | - | - | - | - | - | - |
| 1.6576 | 590 | 1.2503 | - | - | - | - | - | - |
| 1.6857 | 600 | 1.1823 | - | - | - | - | - | - |
| 1.7138 | 610 | 0.9505 | - | - | - | - | - | - |
| 1.7419 | 620 | 1.1575 | - | - | - | - | - | - |
| 1.7700 | 630 | 1.1425 | - | - | - | - | - | - |
| 1.7981 | 640 | 1.2302 | - | - | - | - | - | - |
| 1.8262 | 650 | 1.2546 | - | - | - | - | - | - |
| 1.8543 | 660 | 1.1812 | - | - | - | - | - | - |
| 1.8824 | 670 | 1.2926 | - | - | - | - | - | - |
| 1.9104 | 680 | 1.2066 | - | - | - | - | - | - |
| 1.9385 | 690 | 1.2115 | - | - | - | - | - | - |
| 1.9666 | 700 | 1.0249 | - | - | - | - | - | - |
| 1.9947 | 710 | 1.1983 | - | - | - | - | - | - |
| **1.9975** | **711** | **-** | **0.8836** | **0.8823** | **0.8805** | **0.8752** | **0.8661** | **0.8446** |
| 2.0228 | 720 | 0.9967 | - | - | - | - | - | - |
| 2.0509 | 730 | 1.0107 | - | - | - | - | - | - |
| 2.0790 | 740 | 0.9413 | - | - | - | - | - | - |
| 2.1071 | 750 | 0.925 | - | - | - | - | - | - |
| 2.1352 | 760 | 0.5456 | - | - | - | - | - | - |
| 2.1633 | 770 | 0.6579 | - | - | - | - | - | - |
| 2.1914 | 780 | 0.6707 | - | - | - | - | - | - |
| 2.2195 | 790 | 0.6353 | - | - | - | - | - | - |
| 2.2476 | 800 | 0.5963 | - | - | - | - | - | - |
| 2.2757 | 810 | 0.6415 | - | - | - | - | - | - |
| 2.3038 | 820 | 0.5406 | - | - | - | - | - | - |
| 2.3319 | 830 | 0.6237 | - | - | - | - | - | - |
| 2.3600 | 840 | 0.624 | - | - | - | - | - | - |
| 2.3881 | 850 | 0.6492 | - | - | - | - | - | - |
| 2.4162 | 860 | 0.5391 | - | - | - | - | - | - |
| 2.4442 | 870 | 0.5127 | - | - | - | - | - | - |
| 2.4723 | 880 | 0.4845 | - | - | - | - | - | - |
| 2.5004 | 890 | 0.4985 | - | - | - | - | - | - |
| 2.5285 | 900 | 0.3705 | - | - | - | - | - | - |
| 2.5566 | 910 | 0.6361 | - | - | - | - | - | - |
| 2.5847 | 920 | 0.5917 | - | - | - | - | - | - |
| 2.6128 | 930 | 0.7143 | - | - | - | - | - | - |
| 2.6409 | 940 | 0.4301 | - | - | - | - | - | - |
| 2.6690 | 950 | 0.596 | - | - | - | - | - | - |
| 2.6971 | 960 | 0.5491 | - | - | - | - | - | - |
| 2.7252 | 970 | 0.4395 | - | - | - | - | - | - |
| 2.7533 | 980 | 0.5665 | - | - | - | - | - | - |
| 2.7814 | 990 | 0.6238 | - | - | - | - | - | - |
| 2.8095 | 1000 | 0.673 | - | - | - | - | - | - |
| 2.8376 | 1010 | 0.6221 | - | - | - | - | - | - |
| 2.8657 | 1020 | 0.8164 | - | - | - | - | - | - |
| 2.8938 | 1030 | 0.6686 | - | - | - | - | - | - |
| 2.9219 | 1040 | 0.8187 | - | - | - | - | - | - |
| 2.9500 | 1050 | 0.5303 | - | - | - | - | - | - |
| 2.9781 | 1060 | 0.6483 | - | - | - | - | - | - |
| 2.9921 | 1065 | - | 0.8818 | 0.8805 | 0.8793 | 0.8747 | 0.8658 | 0.8459 |
* The bold row denotes the saved checkpoint.
</details>
### Framework Versions
- Python: 3.10.12
- Sentence Transformers: 3.3.0
- Transformers: 4.46.1
- PyTorch: 2.5.1+cu124
- Accelerate: 1.0.1
- Datasets: 3.0.2
- Tokenizers: 0.20.0
## 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",
}
```
#### MatryoshkaLoss
```bibtex
@misc{kusupati2024matryoshka,
title={Matryoshka Representation Learning},
author={Aditya Kusupati and Gantavya Bhatt and Aniket Rege and Matthew Wallingford and Aditya Sinha and Vivek Ramanujan and William Howard-Snyder and Kaifeng Chen and Sham Kakade and Prateek Jain and Ali Farhadi},
year={2024},
eprint={2205.13147},
archivePrefix={arXiv},
primaryClass={cs.LG}
}
```
#### 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}
}
```
<!--
## 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.*
--> |