Add new SentenceTransformer model

.gitattributes

@@ -33,3 +33,4 @@ saved_model/**/* filter=lfs diff=lfs merge=lfs -text
 *.zip filter=lfs diff=lfs merge=lfs -text
 *.zst filter=lfs diff=lfs merge=lfs -text
 *tfevents* filter=lfs diff=lfs merge=lfs -text
+tokenizer.json filter=lfs diff=lfs merge=lfs -text

1_Pooling/config.json

@@ -0,0 +1,10 @@
+{
+  "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
+}

README.md

@@ -0,0 +1,669 @@
+---
+base_model: intfloat/multilingual-e5-large
+language:
+- multilingual
+library_name: sentence-transformers
+license: apache-2.0
+metrics:
+- cosine_accuracy
+- dot_accuracy
+- manhattan_accuracy
+- euclidean_accuracy
+- max_accuracy
+pipeline_tag: sentence-similarity
+tags:
+- sentence-transformers
+- sentence-similarity
+- feature-extraction
+- generated_from_trainer
+- dataset_size:10590
+- loss:Matryoshka2dLoss
+- loss:MatryoshkaLoss
+- loss:MultipleNegativesRankingLoss
+widget:
+- source_sentence: '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'
+  sentences:
+  - '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.'
+- source_sentence: 'query: Vidrio aislante de luna de baja emisividad de 8+8 mm de
+    espesor con 1 butiral transparente clase 2 (B) 2 según UNE-EN 12600, cámara de
+    aire de 8 mm y luna de 5+5 mm de espesor con 1 butiral traslúcido de luna incoloro,
+    clase 2 (B) 2 según UNE-EN 12600, colocado con perfiles conformados de neopreno
+    sobre aluminio o PVC'
+  sentences:
+  - 'passage: Vidrio de baja emisividad de 8+8 mm de grosor con una capa de butiral
+    transparente clase 2 (B) 2 conforme a UNE-EN 12600, con una cámara de aire de
+    8 mm y un vidrio de 5+5 mm de grosor con butiral translúcido incoloro, clase 2
+    (B) 2 según UNE-EN 12600, instalado con marcos de neopreno sobre aluminio o PVC.'
+  - 'passage: Vidrio de seguridad templado de 10+10 mm de espesor con 1 butiral opaco
+    clase 1 (A) 1 según UNE-EN 12600, cámara de aire de 10 mm y luna de 6+6 mm de
+    espesor con 1 butiral colorido, clase 1 (A) 1 según UNE-EN 12600, instalado con
+    marcos de acero inoxidable.'
+  - 'passage: Formigonament per a sostre nervat reticular amb formigó HA-25/F / 10
+    / I de consistència líquida, amb una mida màxima del granulat de 10 mm, que conté
+    >= 250 kg/m3 de ciment, adequat per a classe d''exposició I, abocat mitjançant
+    cubilot.'
+- source_sentence: 'query: Hormigonado de dinteles con hormigón para armar HA - 35
+    / F / 10 / XC4 + XS1 con una cantidad de cemento de 325 kg/m3 i relación agua
+    cemento =< 0.5 y vertido con bomba'
+  sentences:
+  - 'passage: Formigonament per a fonaments a una profunditat màxima de 6 m utilitzant
+    formigó armat amb additiu impermeabilitzant HA - 35 / B / 20 / XC1, amb una dosi
+    de ciment de 300 kg/m3 i una relació aigua-ciment <= 0.6, abocat directament des
+    de camió.'
+  - 'passage: Colocación de dinteles utilizando hormigón HA - 35 / F / 10 / XC4 +
+    XS1, con una dosificación de cemento de 325 kg/m3 y una relación agua-cemento
+    menor o igual a 0.5, vertido mediante bomba.'
+  - 'passage: Hormigonado de vigas con mortero para armar HA - 30 / F / 15 / XC3 +
+    XS2 con una cantidad de cemento de 300 kg/m3 i relación agua cemento =< 0.6 y
+    vertido manualmente.'
+- source_sentence: 'query: Reducción concéntrica, de polietileno, diámetro nominal
+    DN 63 - DN 50, presión nominal PN 16, con 2 uniones por soldadura socket (enchufe),
+    para canalización de polietileno para conducción de agua a presión, de acuerdo
+    con la norma UNE-EN 12201-3 y colocado en el fondo de la zanja en entorno urbano
+    sin dificultad de movilidad, sin afectación por presencia de servicios en la zanja,
+    sin presencia de entibación'
+  sentences:
+  - 'passage: Rigola de 40 cm d''amplada de peça de doble capa de formigó de color
+    blanc, dimensions 20x20x8 cm, destinada a rigoles, instal·lades amb morter i rejuntades
+    amb ciment, en àrees urbanes amb dificultats de mobilitat, en voreres de més de
+    5 m d''amplada o calçades/plataformes úniques de més de 12 m d''amplada, sense
+    interferències amb serveis o mobiliari urbà, en projectes de 10 a 100 m.'
+  - 'passage: Reducción excéntrica, de polipropileno, diámetro nominal DN 75 - DN
+    40, presión nominal PN 10, con 3 uniones por soldadura a tope, para canalización
+    de polipropileno para conducción de gas, de acuerdo con la norma UNE-EN 1555-3
+    y colocado en la parte superior de la zanja en entorno rural con dificultad de
+    movilidad, con afectación por presencia de servicios en la zanja, con necesidad
+    de entibación.'
+  - 'passage: Reducción excéntrica, de polietileno, diámetro nominal DN 63 - DN 50,
+    presión nominal PN 16, con 2 uniones por soldadura socket (enchufe), para tuberías
+    de polietileno destinadas a la conducción de agua a presión, conforme a la norma
+    UNE-EN 12201-3 y ubicada en el fondo de la zanja en un entorno urbano, sin obstáculos
+    para la movilidad, sin interferencias por servicios en la zanja, y sin necesidad
+    de entibación.'
+- source_sentence: 'query: Aïllament amb planxa de poliestirè expandit (EPS), de 70
+    mm de gruix, de 100 kPa de tensió a la compressió, de 2 m2·K/W de resistència
+    tèrmica, amb una cara llisa i cantell preparat amb encaix, col·locades amb adhesiu
+    de formulació específica'
+  sentences:
+  - 'passage: Construcción de un forjado aligerado con un espesor total de 35 cm,
+    compuesto por una semiplaca de hormigón pretensado de 10 cm, bovedilla de poliestireno
+    de 19 cm y una capa de compresión de 6 cm, diseñado para soportar momentos flectores
+    de 98 a 197 kN·m y una sobrecarga de 4 a 5 kN/m2, utilizando armadura de acero
+    AP500 S y AP500 T, y hormigón HA - 30 con una dosificación de cemento de 300 kg/m3.'
+  - 'passage: Aïllament amb panell de poliuretà rígid, de 50 mm de gruix, de 150 kPa
+    de tensió a la compressió, de 3 m2·K/W de resistència tèrmica, amb una cara rugosa
+    i cantell recte, instal·lades amb un sistema de fixació mecànica.'
+  - 'passage: Aïllament amb panells de poliestirè extruït (XPS), de 80 mm de gruix,
+    amb una resistència a la compressió de 150 kPa, de 2,5 m2·K/W de resistència tèrmica,
+    amb una superfície llisa i vores dissenyades per encaixar, instal·lades amb un
+    adhesiu especialitzat.'
+model-index:
+- name: Multilingual E5 Large trained with triplet loss
+  results:
+  - task:
+      type: triplet
+      name: Triplet
+    dataset:
+      name: validation set
+      type: validation-set
+    metrics:
+    - type: cosine_accuracy
+      value: 1.0
+      name: Cosine Accuracy
+    - type: dot_accuracy
+      value: 0.0
+      name: Dot Accuracy
+    - type: manhattan_accuracy
+      value: 1.0
+      name: Manhattan Accuracy
+    - type: euclidean_accuracy
+      value: 1.0
+      name: Euclidean Accuracy
+    - type: max_accuracy
+      value: 1.0
+      name: Max Accuracy
+  - task:
+      type: triplet
+      name: Triplet
+    dataset:
+      name: test set
+      type: test-set
+    metrics:
+    - type: cosine_accuracy
+      value: 1.0
+      name: Cosine Accuracy
+    - type: dot_accuracy
+      value: 0.0
+      name: Dot Accuracy
+    - type: manhattan_accuracy
+      value: 1.0
+      name: Manhattan Accuracy
+    - type: euclidean_accuracy
+      value: 1.0
+      name: Euclidean Accuracy
+    - type: max_accuracy
+      value: 1.0
+      name: Max Accuracy
+---
+
+# Multilingual E5 Large trained with triplet loss
+
+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 csv 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 tokens
+- **Similarity Function:** Cosine Similarity
+- **Training Dataset:**
+    - csv
+- **Language:** multilingual
+- **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("RamsesDIIP/me5-large-construction-esp-cat")
+# Run inference
+sentences = [
+    'query: Aïllament amb planxa de poliestirè expandit (EPS), de 70 mm de gruix, de 100 kPa de tensió a la compressió, de 2 m2·K/W de resistència tèrmica, amb una cara llisa i cantell preparat amb encaix, col·locades amb adhesiu de formulació específica',
+    'passage: Aïllament amb panells de poliestirè extruït (XPS), de 80 mm de gruix, amb una resistència a la compressió de 150 kPa, de 2,5 m2·K/W de resistència tèrmica, amb una superfície llisa i vores dissenyades per encaixar, instal·lades amb un adhesiu especialitzat.',
+    'passage: Aïllament amb panell de poliuretà rígid, de 50 mm de gruix, de 150 kPa de tensió a la compressió, de 3 m2·K/W de resistència tèrmica, amb una cara rugosa i cantell recte, instal·lades amb un sistema de fixació mecànica.',
+]
+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
+
+#### Triplet
+* Dataset: `validation-set`
+* Evaluated with [<code>TripletEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.TripletEvaluator)
+
+| Metric             | Value   |
+|:-------------------|:--------|
+| cosine_accuracy    | 1.0     |
+| dot_accuracy       | 0.0     |
+| manhattan_accuracy | 1.0     |
+| euclidean_accuracy | 1.0     |
+| **max_accuracy**   | **1.0** |
+
+#### Triplet
+* Dataset: `test-set`
+* Evaluated with [<code>TripletEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.TripletEvaluator)
+
+| Metric             | Value   |
+|:-------------------|:--------|
+| cosine_accuracy    | 1.0     |
+| dot_accuracy       | 0.0     |
+| manhattan_accuracy | 1.0     |
+| euclidean_accuracy | 1.0     |
+| **max_accuracy**   | **1.0** |
+
+<!--
+## 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
+
+#### csv
+
+* Dataset: csv
+* Size: 10,590 training samples
+* Columns: <code>anchor</code>, <code>positive</code>, and <code>negative</code>
+* Approximate statistics based on the first 1000 samples:
+  |         | anchor                                                                               | positive                                                                             | negative                                                                             |
+  |:--------|:-------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------|
+  | type    | string                                                                               | string                                                                               | string                                                                               |
+  | details | <ul><li>min: 18 tokens</li><li>mean: 112.13 tokens</li><li>max: 315 tokens</li></ul> | <ul><li>min: 20 tokens</li><li>mean: 109.24 tokens</li><li>max: 314 tokens</li></ul> | <ul><li>min: 17 tokens</li><li>mean: 102.06 tokens</li><li>max: 298 tokens</li></ul> |
+* Samples:
+  | anchor                                                                                                                                                                                                                                                                                                                                                                                                                                                                               | positive                                                                                                                                                                                                                                                                                                                                                                                                                                                        | negative                                                                                                                                                                                                                                                                                                                                                                                                                               |
+  |:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
+  | <code>query: Pieza recta de hormigón para bordillos, doble capa, con sección normalizada peatonal A1 20x14 cm, según UNE 127340, de clase climática B, clase resistente a la abrasión H y clase resistente a flexión T (R-5 MPa) según UNE-EN 1340, colocado sobre base de hormigón no estructural HNE-15/P/40 de 20 a 25 cm de altura, y rejuntado con mortero para albañilería</code>                                                                                              | <code>passage: Elemento recto de concreto para bordillos, de doble capa, con dimensiones estandarizadas peatonales A1 20x14 cm, conforme a UNE 127340, de clase climática B, resistencia a la abrasión H y resistencia a flexión T (R-5 MPa) según UNE-EN 1340, instalado sobre una base de concreto no estructural HNE-15/P/40 de 20 a 25 cm de altura, y sellado con mortero para mampostería.</code>                                                         | <code>passage: Pieza curvada de hormigón para muros, capa simple, con sección no normalizada vehicular B2 30x20 cm, según UNE 127341, de clase climática A, clase resistente a la abrasión M y clase resistente a flexión S (R-10 MPa) según UNE-EN 1341, colocado sobre base de hormigón estructural HNE-20/P/50 de 15 a 20 cm de altura, y sellado con cemento para construcción.</code>                                             |
+  | <code>query: Porta block de fulles batents de fusta per a interior, doble batent, de 35 mm de gruix, amb una llum de pas de 70 + 40 cm d'amplària i 200 cm d'alçària, per a un gruix de bastiment de 10 cm, com a màxim, acabat tropical envernissada, amb fulla cares llises de tauler aglomerat hidròfug xapat, galzes i tapajunts de MDF xapat, ribet de goma, ferramenta de penjar, pany de cop, amb joc de manetes, d'alumini anoditzat, amb placa petita, de preu mitjà</code> | <code>passage: Porta de fusta interior amb fulles batents, doble batent, gruix de 35 mm, amplada de 70 + 40 cm i alçada de 200 cm, dissenyada per a un gruix de bastiment de 10 cm com a màxim, acabat envernissat tropical, amb cares llises de tauler aglomerat resistent a la humitat, galzes i tapajunts de MDF, ribet de goma, incloent ferramenta de penjar, pany de cop, i joc de manetes d'alumini anoditzat amb placa petita, de gamma mitjana.</code> | <code>passage: Porta de fulles corredisses de metall per a exterior, amb un sistema de tancament automàtic, de 45 mm de gruix, amb una llum de pas de 80 + 50 cm d'amplària i 210 cm d'alçària, per a un gruix de bastiment de 12 cm, acabat galvanitzat, amb fulla de vidre temperitzat, marcs de ferro, segellat de silicona, mecanisme de bloqueig electrònic, amb manetes de plàstic reforçat, amb placa gran, de preu alt.</code> |
+  | <code>query: Formigonament de murs de contenció (CE, EHE), de 3 m d'alçària com a màxim, amb formigó en massa HM - 30 / B / 10 / XA2 amb una quantitat de ciment de 350 kg/m3 i relació aigua ciment =< 0.5 i abocat des de camió</code>                                                                                                                                                                                                                                             | <code>passage: Construcció de murs de contenció (CE, EHE) amb una alçada màxima de 3 m, utilitzant formigó massiu HM - 30 / B / 10 / XA2, amb una dosi de ciment de 350 kg/m3 i una relació aigua-ciment ≤ 0.5, abocat directament des d'un camió.</code>                                                                                                                                                                                                       | <code>passage: Formigonament de murs de suport (CE, EHE), de 4 m d'alçària com a mínim, amb formigó estructural C25/30 amb una quantitat de ciment de 400 kg/m3 i relació aigua ciment =< 0.45 i abocat manualment.</code>                                                                                                                                                                                                             |
+* Loss: [<code>Matryoshka2dLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#matryoshka2dloss) with these parameters:
+  ```json
+  {
+      "loss": "MultipleNegativesRankingLoss",
+      "n_layers_per_step": 1,
+      "last_layer_weight": 1.0,
+      "prior_layers_weight": 1.0,
+      "kl_div_weight": 1.0,
+      "kl_temperature": 0.3,
+      "matryoshka_dims": [
+          1024,
+          768,
+          512,
+          256
+      ],
+      "matryoshka_weights": [
+          1,
+          1,
+          1,
+          1
+      ],
+      "n_dims_per_step": 1
+  }
+  ```
+
+### Evaluation Dataset
+
+#### csv
+
+* Dataset: csv
+* Size: 10,590 evaluation samples
+* Columns: <code>anchor</code>, <code>positive</code>, and <code>negative</code>
+* Approximate statistics based on the first 1000 samples:
+  |         | anchor                                                                               | positive                                                                             | negative                                                                             |
+  |:--------|:-------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------|
+  | type    | string                                                                               | string                                                                               | string                                                                               |
+  | details | <ul><li>min: 23 tokens</li><li>mean: 112.95 tokens</li><li>max: 320 tokens</li></ul> | <ul><li>min: 26 tokens</li><li>mean: 109.87 tokens</li><li>max: 302 tokens</li></ul> | <ul><li>min: 23 tokens</li><li>mean: 103.28 tokens</li><li>max: 309 tokens</li></ul> |
+* Samples:
+  | anchor                                                                                                                                                                                                                                                       | positive                                                                                                                                                                                                                                                                                                             | negative                                                                                                                                                                                                                                                             |
+  |:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
+  | <code>query: Aïllament tèrmic amb placa rígida d'escuma de poliisocianurat, de 35 kg/m3 de densitat, de 80 mm de gruix i 0,023 W/(m·K) de conductivitat tèrmica, amb recobriment de multicapa alumini, per a cobertes, amb fixacions mecàniques</code>       | <code>passage: Aïllament tèrmic amb panells rígids d'escuma de poliuretà, de 35 kg/m3 de densitat, de 80 mm de gruix i 0,022 W/(m·K) de conductivitat tèrmica, amb recobriment d'alumini multicapa, per a teulades, amb sistemes de fixació mecànica.</code>                                                         | <code>passage: Aïllament acústic amb panells flexibles de fibra de vidre, de 50 kg/m3 de densitat, de 100 mm de gruix i 0,045 W/(m·K) de conductivitat acústica, amb recobriment de plàstic, per a parets interiors, amb adhesius especials.</code>                  |
+  | <code>query: Hormigonado para encepados, con hormigón para armar con aditivo hidrófugo HA - 35 / B / 20 / XC4 + XF1 + XA1 con una cantidad de cemento de 325 kg/m3 i relación agua cemento =< 0.5, colocado con cubilote en obras de ingeniería civil</code> | <code>passage: Mezcla de hormigón para cimentaciones, utilizando hormigón armado con aditivo impermeabilizante HA - 35 / B / 20 / XC4 + XF1 + XA1, con una dosificación de cemento de 325 kg/m3 y una relación agua-cemento menor o igual a 0.5, aplicado con cubilote en proyectos de infraestructura civil.</code> | <code>passage: Hormigonado para fundaciones, con hormigón para estructuras con aditivo retardante HA - 35 / B / 20 / XC4 + XF1 + XA1 con una cantidad de cemento de 350 kg/m3 y relación agua cemento =< 0.6, colocado con bomba en proyectos de edificación.</code> |
+  | <code>query: Formigonament per a sostre nervat reticular amb formigó HA-25/F / 10 / I de consistència fluïda, grandària màxima del granulat 10 mm, amb >= 250 kg/m3 de ciment, apte per a classe d'exposició I, abocat amb cubilot</code>                    | <code>passage: Formigonament per a sostre nervat reticular amb formigó HA-25/F / 10 / I de consistència líquida, amb una mida màxima del granulat de 10 mm, que conté >= 250 kg/m3 de ciment, adequat per a classe d'exposició I, abocat mitjançant cubilot.</code>                                                  | <code>passage: Formigonament per a sostre pla amb formigó HA-30/F / 12 / I de consistència espessa, grandària màxima del granulat 20 mm, amb >= 300 kg/m3 de ciment, apte per a classe d'exposició II, abocat amb bomba de formigó.</code>                           |
+* Loss: [<code>Matryoshka2dLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#matryoshka2dloss) with these parameters:
+  ```json
+  {
+      "loss": "MultipleNegativesRankingLoss",
+      "n_layers_per_step": 1,
+      "last_layer_weight": 1.0,
+      "prior_layers_weight": 1.0,
+      "kl_div_weight": 1.0,
+      "kl_temperature": 0.3,
+      "matryoshka_dims": [
+          1024,
+          768,
+          512,
+          256
+      ],
+      "matryoshka_weights": [
+          1,
+          1,
+          1,
+          1
+      ],
+      "n_dims_per_step": 1
+  }
+  ```
+
+### Training Hyperparameters
+#### Non-Default Hyperparameters
+
+- `eval_strategy`: steps
+- `per_device_train_batch_size`: 6
+- `per_device_eval_batch_size`: 6
+- `learning_rate`: 4e-05
+- `num_train_epochs`: 10
+- `warmup_ratio`: 0.1
+- `fp16`: True
+- `optim`: rmsprop
+- `batch_sampler`: no_duplicates
+
+#### All Hyperparameters
+<details><summary>Click to expand</summary>
+
+- `overwrite_output_dir`: False
+- `do_predict`: False
+- `eval_strategy`: steps
+- `prediction_loss_only`: True
+- `per_device_train_batch_size`: 6
+- `per_device_eval_batch_size`: 6
+- `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`: 4e-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`: 10
+- `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`: rmsprop
+- `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`: no_duplicates
+- `multi_dataset_batch_sampler`: proportional
+
+</details>
+
+### Training Logs
+| Epoch  | Step  | Training Loss | Validation Loss | validation-set_max_accuracy | test-set_max_accuracy |
+|:------:|:-----:|:-------------:|:---------------:|:---------------------------:|:---------------------:|
+| 0      | 0     | -             | -               | 0.8942                      | -                     |
+| 0.1416 | 200   | 0.5207        | 0.2853          | 0.9981                      | -                     |
+| 0.2833 | 400   | 0.2732        | 0.2365          | 0.9981                      | -                     |
+| 0.4249 | 600   | 0.2023        | 0.2480          | 0.9906                      | -                     |
+| 0.5666 | 800   | 0.1991        | 0.4594          | 0.9839                      | -                     |
+| 0.7082 | 1000  | 0.6376        | 0.1210          | 0.9953                      | -                     |
+| 0.8499 | 1200  | 0.217         | 0.0956          | 0.9981                      | -                     |
+| 0.9915 | 1400  | 0.1205        | 0.0848          | 0.9962                      | -                     |
+| 1.1324 | 1600  | 0.0678        | 0.2559          | 0.9896                      | -                     |
+| 1.2741 | 1800  | 0.0528        | 0.0454          | 0.9972                      | -                     |
+| 1.4157 | 2000  | 0.0494        | 0.0388          | 0.9981                      | -                     |
+| 1.5574 | 2200  | 0.7363        | 2.5659          | 0.5571                      | -                     |
+| 1.6990 | 2400  | 1.0851        | 0.0527          | 0.9972                      | -                     |
+| 1.8407 | 2600  | 0.1037        | 0.0476          | 0.9981                      | -                     |
+| 1.9823 | 2800  | 0.0865        | 0.0369          | 1.0                         | -                     |
+| 2.1232 | 3000  | 0.1278        | 0.0177          | 0.9991                      | -                     |
+| 2.2649 | 3200  | 0.0381        | 0.0211          | 0.9991                      | -                     |
+| 2.4065 | 3400  | 0.0217        | 0.0301          | 0.9953                      | -                     |
+| 2.5482 | 3600  | 0.019         | 0.0414          | 0.9962                      | -                     |
+| 2.6898 | 3800  | 0.0228        | 0.0194          | 0.9991                      | -                     |
+| 2.8314 | 4000  | 0.0167        | 0.0177          | 0.9991                      | -                     |
+| 2.9731 | 4200  | 0.0126        | 0.0166          | 1.0                         | -                     |
+| 3.1140 | 4400  | 0.0232        | 0.0183          | 0.9991                      | -                     |
+| 3.2557 | 4600  | 0.0197        | 0.0460          | 0.9981                      | -                     |
+| 3.3973 | 4800  | 0.0139        | 0.0154          | 1.0                         | -                     |
+| 3.5390 | 5000  | 0.0092        | 0.0287          | 0.9991                      | -                     |
+| 3.6806 | 5200  | 0.0107        | 0.0142          | 0.9991                      | -                     |
+| 3.8222 | 5400  | 0.007         | 0.0146          | 1.0                         | -                     |
+| 3.9639 | 5600  | 0.0103        | 0.0169          | 1.0                         | -                     |
+| 4.1048 | 5800  | 0.0082        | 0.0211          | 1.0                         | -                     |
+| 4.2465 | 6000  | 0.0074        | 0.0093          | 1.0                         | -                     |
+| 4.3881 | 6200  | 0.004         | 0.0099          | 0.9991                      | -                     |
+| 4.5297 | 6400  | 0.0071        | 0.0091          | 1.0                         | -                     |
+| 4.6714 | 6600  | 0.007         | 0.0053          | 1.0                         | -                     |
+| 4.8130 | 6800  | 0.0064        | 0.0052          | 1.0                         | -                     |
+| 4.9547 | 7000  | 0.0046        | 0.0077          | 1.0                         | -                     |
+| 5.0956 | 7200  | 0.0064        | 0.0081          | 1.0                         | -                     |
+| 5.2373 | 7400  | 0.0053        | 0.0096          | 0.9991                      | -                     |
+| 5.3789 | 7600  | 0.003         | 0.0123          | 1.0                         | -                     |
+| 5.5205 | 7800  | 0.0042        | 0.0033          | 1.0                         | -                     |
+| 5.6622 | 8000  | 0.0034        | 0.0045          | 1.0                         | -                     |
+| 5.8038 | 8200  | 0.0041        | 0.0063          | 0.9991                      | -                     |
+| 5.9455 | 8400  | 0.0032        | 0.0082          | 0.9991                      | -                     |
+| 6.0864 | 8600  | 0.0051        | 0.0037          | 1.0                         | -                     |
+| 6.2280 | 8800  | 0.0041        | 0.0073          | 1.0                         | -                     |
+| 6.3697 | 9000  | 0.003         | 0.0057          | 1.0                         | -                     |
+| 6.5113 | 9200  | 0.0027        | 0.0064          | 1.0                         | -                     |
+| 6.6530 | 9400  | 0.0034        | 0.0059          | 1.0                         | -                     |
+| 6.7946 | 9600  | 0.0035        | 0.0043          | 1.0                         | -                     |
+| 6.9363 | 9800  | 0.0054        | 0.0042          | 1.0                         | -                     |
+| 7.0772 | 10000 | 0.002         | 0.0074          | 1.0                         | -                     |
+| 7.2188 | 10200 | 0.0029        | 0.0058          | 1.0                         | -                     |
+| 7.3605 | 10400 | 0.0018        | 0.0049          | 1.0                         | -                     |
+| 7.5021 | 10600 | 0.0032        | 0.0041          | 1.0                         | -                     |
+| 7.6438 | 10800 | 0.0024        | 0.0077          | 1.0                         | -                     |
+| 7.7854 | 11000 | 0.0015        | 0.0070          | 1.0                         | -                     |
+| 7.9271 | 11200 | 0.005         | 0.0032          | 1.0                         | -                     |
+| 8.0680 | 11400 | 0.0015        | 0.0036          | 1.0                         | -                     |
+| 8.2096 | 11600 | 0.0054        | 0.0078          | 1.0                         | -                     |
+| 8.3513 | 11800 | 0.0023        | 0.0058          | 1.0                         | -                     |
+| 8.4929 | 12000 | 0.0018        | 0.0072          | 1.0                         | -                     |
+| 8.6346 | 12200 | 0.0018        | 0.0038          | 1.0                         | -                     |
+| 8.7762 | 12400 | 0.0022        | 0.0043          | 1.0                         | -                     |
+| 8.9178 | 12600 | 0.0029        | 0.0046          | 1.0                         | -                     |
+| 9.0588 | 12800 | 0.0014        | 0.0053          | 1.0                         | -                     |
+| 9.2004 | 13000 | 0.0011        | 0.0054          | 1.0                         | -                     |
+| 9.3421 | 13200 | 0.0042        | 0.0050          | 1.0                         | -                     |
+| 9.4837 | 13400 | 0.0014        | 0.0052          | 1.0                         | -                     |
+| 9.6254 | 13600 | 0.0018        | 0.0084          | 1.0                         | -                     |
+| 9.7670 | 13800 | 0.0016        | 0.0057          | 1.0                         | -                     |
+| 9.9086 | 14000 | 0.0012        | 0.0066          | 1.0                         | -                     |
+| 9.9936 | 14120 | -             | -               | 1.0                         | 1.0                   |
+
+
+### Framework Versions
+- Python: 3.10.12
+- Sentence Transformers: 3.2.0
+- Transformers: 4.44.2
+- PyTorch: 2.4.1+cu121
+- Accelerate: 0.34.2
+- Datasets: 3.0.1
+- 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",
+}
+```
+
+#### Matryoshka2dLoss
+```bibtex
+@misc{li20242d,
+    title={2D Matryoshka Sentence Embeddings},
+    author={Xianming Li and Zongxi Li and Jing Li and Haoran Xie and Qing Li},
+    year={2024},
+    eprint={2402.14776},
+    archivePrefix={arXiv},
+    primaryClass={cs.CL}
+}
+```
+
+#### 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.*
+-->

config.json

@@ -0,0 +1,28 @@
+{
+  "_name_or_path": "intfloat/multilingual-e5-large",
+  "architectures": [
+    "XLMRobertaModel"
+  ],
+  "attention_probs_dropout_prob": 0.1,
+  "bos_token_id": 0,
+  "classifier_dropout": null,
+  "eos_token_id": 2,
+  "hidden_act": "gelu",
+  "hidden_dropout_prob": 0.1,
+  "hidden_size": 1024,
+  "initializer_range": 0.02,
+  "intermediate_size": 4096,
+  "layer_norm_eps": 1e-05,
+  "max_position_embeddings": 514,
+  "model_type": "xlm-roberta",
+  "num_attention_heads": 16,
+  "num_hidden_layers": 24,
+  "output_past": true,
+  "pad_token_id": 1,
+  "position_embedding_type": "absolute",
+  "torch_dtype": "float32",
+  "transformers_version": "4.44.2",
+  "type_vocab_size": 1,
+  "use_cache": true,
+  "vocab_size": 250002
+}

config_sentence_transformers.json

@@ -0,0 +1,10 @@
+{
+  "__version__": {
+    "sentence_transformers": "3.2.0",
+    "transformers": "4.44.2",
+    "pytorch": "2.4.1+cu121"
+  },
+  "prompts": {},
+  "default_prompt_name": null,
+  "similarity_fn_name": null
+}

model.safetensors

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:22510518b12f80f82eb947500496010a9d3fb64aec27e97bd22c4b86eb9cf9ca
+size 2239607176

modules.json

@@ -0,0 +1,20 @@
+[
+  {
+    "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"
+  }
+]

sentence_bert_config.json

@@ -0,0 +1,4 @@
+{
+  "max_seq_length": 512,
+  "do_lower_case": false
+}

sentencepiece.bpe.model

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:cfc8146abe2a0488e9e2a0c56de7952f7c11ab059eca145a0a727afce0db2865
+size 5069051

special_tokens_map.json

@@ -0,0 +1,51 @@
+{
+  "bos_token": {
+    "content": "<s>",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "cls_token": {
+    "content": "<s>",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "eos_token": {
+    "content": "</s>",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "mask_token": {
+    "content": "<mask>",
+    "lstrip": true,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "pad_token": {
+    "content": "<pad>",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "sep_token": {
+    "content": "</s>",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "unk_token": {
+    "content": "<unk>",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  }
+}

tokenizer.json

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:883b037111086fd4dfebbbc9b7cee11e1517b5e0c0514879478661440f137085
+size 17082987

tokenizer_config.json

@@ -0,0 +1,54 @@
+{
+  "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>"
+}