Sentence Similarity
sentence-transformers
Safetensors
xlm-roberta
feature-extraction
Generated from Trainer
dataset_size:10189
loss:TripletLoss
Eval Results (legacy)
text-embeddings-inference
Instructions to use Data-Lab/USER-bge-m3-embedder-td with libraries, inference providers, notebooks, and local apps. Follow these links to get started.
- Libraries
- sentence-transformers
How to use Data-Lab/USER-bge-m3-embedder-td with sentence-transformers:
from sentence_transformers import SentenceTransformer model = SentenceTransformer("Data-Lab/USER-bge-m3-embedder-td") sentences = [ "мороженое протеиновое", "Эскимо \"Суфле\" в молочном шоколаде Эскимо с мягким сливочным вкусом и глазурью из молочного шоколада", "Ассорти сухофруктов с пастилой Сытный, вкусный и полезный снек и чудесный десерт к чаю или кофе. Солнечный аромат вяленых бананов, кисло-сладкий вкус спелого сушеного яблока и натуральная, яблочно-банановая пастила. Не содержит добавленного сахара. Удобная компактная упаковка так и просится в карман или сумку, чтобы сопровождать вас на прогулке, лекции или пикнике. Отличная замена классическим сладостям и легкий перекус.", "Мороженое молочное протеиновое Bombbar Соленая карамель со сливками 150 г Универсальный белковый десерт без сахара для похудения, набора массы или просто вкусного и полезного перекуса." ] embeddings = model.encode(sentences) similarities = model.similarity(embeddings, embeddings) print(similarities.shape) # [4, 4] - Notebooks
- Google Colab
- Kaggle
| [ | |
| { | |
| "idx": 0, | |
| "name": "0", | |
| "path": "", | |
| "type": "sentence_transformers.models.Transformer" | |
| }, | |
| { | |
| "idx": 1, | |
| "name": "1", | |
| "path": "1_Pooling", | |
| "type": "sentence_transformers.models.Pooling" | |
| }, | |
| { | |
| "idx": 2, | |
| "name": "2", | |
| "path": "2_Normalize", | |
| "type": "sentence_transformers.models.Normalize" | |
| } | |
| ] |