SergeyKarpenko1/multilingual-e5-small-legal-matryoshka_384

multilingual-e5-small Embed base Legal Matryoshka

This is a sentence-transformers model finetuned from intfloat/multilingual-e5-small on the json dataset. It maps sentences & paragraphs to a 384-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-small
• Maximum Sequence Length: 512 tokens
• Output Dimensionality: 384 dimensions
• Similarity Function: Cosine Similarity
• Training Dataset:
  • json
• Language: rus
• License: apache-2.0

Model Sources

• Documentation: Sentence Transformers Documentation
• Repository: Sentence Transformers on GitHub
• Hugging Face: Sentence Transformers on Hugging Face

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 384, '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:

pip install -U sentence-transformers

Then you can load this model and run inference.

from sentence_transformers import SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("SergeyKarpenko1/multilingual-e5-small-legal-matryoshka_384")
# Run inference
sentences = [
    'Какие изменения были произведены в составе судей по делу № А40-127196/2023?',
    "['Арбитражного процессуального кодекса Российской Федерации,\\nОПРЕДЕЛИЛ:\\nПо делу № А40-127196/2023 судью Шевырину П.В. заменить на судью Каменецкого Д.В.\\nЗаместитель председателя суда Карпова ']",
    "['нийст. ст. 309,310 ГК РФ, обязательства должны исполняться надлежащим образом в соответствии с условиями обязательства и требованиями закона, иных правовых актов, а при отсутствии таких условий и требований - в соответствии с обычаями или иными обычно предъявляемыми требованиями. ']",
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 384]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]

Evaluation

Metrics

Information Retrieval

• Dataset: dim_384
• Evaluated with InformationRetrievalEvaluator with these parameters:

  {
      "truncate_dim": 384
  }
  

Metric	Value
cosine_accuracy@1	0.4737
cosine_accuracy@3	0.7895
cosine_accuracy@5	0.8947
cosine_accuracy@10	0.9474
cosine_precision@1	0.4737
cosine_precision@3	0.2632
cosine_precision@5	0.1789
cosine_precision@10	0.0947
cosine_recall@1	0.4737
cosine_recall@3	0.7895
cosine_recall@5	0.8947
cosine_recall@10	0.9474
cosine_ndcg@10	0.7278
cosine_mrr@10	0.6553
cosine_map@100	0.659

Information Retrieval

• Dataset: dim_256
• Evaluated with InformationRetrievalEvaluator with these parameters:

  {
      "truncate_dim": 256
  }
  

Metric	Value
cosine_accuracy@1	0.4737
cosine_accuracy@3	0.8947
cosine_accuracy@5	0.9474
cosine_accuracy@10	0.9474
cosine_precision@1	0.4737
cosine_precision@3	0.2982
cosine_precision@5	0.1895
cosine_precision@10	0.0947
cosine_recall@1	0.4737
cosine_recall@3	0.8947
cosine_recall@5	0.9474
cosine_recall@10	0.9474
cosine_ndcg@10	0.7528
cosine_mrr@10	0.686
cosine_map@100	0.6893

Information Retrieval

• Dataset: dim_128
• Evaluated with InformationRetrievalEvaluator with these parameters:

  {
      "truncate_dim": 128
  }
  

Metric	Value
cosine_accuracy@1	0.5263
cosine_accuracy@3	0.7895
cosine_accuracy@5	0.8947
cosine_accuracy@10	0.9474
cosine_precision@1	0.5263
cosine_precision@3	0.2632
cosine_precision@5	0.1789
cosine_precision@10	0.0947
cosine_recall@1	0.5263
cosine_recall@3	0.7895
cosine_recall@5	0.8947
cosine_recall@10	0.9474
cosine_ndcg@10	0.7552
cosine_mrr@10	0.6917
cosine_map@100	0.6938

Information Retrieval

• Dataset: dim_64
• Evaluated with InformationRetrievalEvaluator with these parameters:

  {
      "truncate_dim": 64
  }
  

Metric	Value
cosine_accuracy@1	0.5263
cosine_accuracy@3	0.7895
cosine_accuracy@5	0.9474
cosine_accuracy@10	1.0
cosine_precision@1	0.5263
cosine_precision@3	0.2632
cosine_precision@5	0.1895
cosine_precision@10	0.1
cosine_recall@1	0.5263
cosine_recall@3	0.7895
cosine_recall@5	0.9474
cosine_recall@10	1.0
cosine_ndcg@10	0.7641
cosine_mrr@10	0.6886
cosine_map@100	0.6886

Training Details

Training Dataset

json

• Dataset: json
• Size: 165 training samples
• Columns: anchor and positive
• Approximate statistics based on the first 165 samples:

  	anchor	positive
  type	string	string
  details	min: 12 tokens mean: 25.42 tokens max: 49 tokens	min: 28 tokens mean: 127.88 tokens max: 373 tokens

• Samples:

  anchor	positive
  Как осуществляется государственная регистрация прав на недвижимость согласно российскому законодательству?	['регистрация прав). Государственная регистрация прав осуществляется посредством внесения в Единый государственный реестр недвижимости записи о праве на недвижимое имущество, сведения о котором внесены в Единый государственный реестр недвижимости.\nВ соответствии сост. 14 Федерального закона № ', 'ются на основании заявления, за исключением установленных настоящим Федеральным законом случаев, и документов, поступивших в орган регистрации прав в установленном настоящим Федеральным законом порядке.\nВ силуч. 4 ст. 18 Федерального закона № 218-ФЗк заявлению прилагаются документы, ', 'гласно п. 1 договора купли-продажи квартиры от 07.07.2006, покупатели обязуются принять указанную квартиру в равнодолевую собственность; из п. 6 договора следует, что с момента государственно']
  Какие основания суда первой инстанции подтвердились высшей инстанцией?	['частной жалобы адвоката Канунниковой Е.Н.- Одягайло В.Ф. о том, что в действиях взыскателя АК "АЛРОСА", который затягивает возбуждение исполнительного производства и не реагирует на бездействие судебного пристава- исполнителя, имеются признаки злоупотребления правом, ничем не подтверждаются.\nДоводы частных жалоб направлены на иное толкование норм гражданского ', 'и помощнике судьи Тарасовой А.И.,\nрассмотрев в открытом судебном заседании по докладу судьи\nСемченко А.В.\nгражданское дело по иску Главного управления МЧС России по г. Москве к Коренев', '\nПроверив материалы дела, выслушав представителя истца\nКалинина А.Ф., ответчика, его представителя Михайлову А.Е., обсудив доводы апелляционной жалобы, судебная коллегия приходит к следующему.\nСудом установлено и усматривается из материалов дела, в соответствии с приказом Главного управл']
  Каким образом Арбитражный суд Московского округа решил по вопросу кассационной жалобы Муниципального предприятия 'Домовладение'?	['нныхстатьей 288 Арбитражного процессуального кодекса Российской Федерацииоснований для отмены обжалуемых в кассационном порядке судебных актов не имеется, в связи с чем кассационная жалоба удовлетворению не подлежит.\nРуководствуясьстатьями 284-289 Арбитражного процессуального кодекса ', 'Российской Федерации, суд\nПОСТАНОВИЛ:\nрешение Арбитражного суда города Москвы от 19.11.2024 и постановление Девятого арбитражного апелляционного суда от 04.02.2025 по делу № А40-183451/2024 оставить без изменения, кассационную жалобу - без удовлетворения.\nПредседательствующий-судья Д.И. ']

• Loss: MatryoshkaLoss with these parameters:

  {
      "loss": "MultipleNegativesRankingLoss",
      "matryoshka_dims": [
          384,
          256,
          128,
          64
      ],
      "matryoshka_weights": [
          1,
          1,
          1,
          1
      ],
      "n_dims_per_step": -1
  }
  

Training Hyperparameters

Non-Default Hyperparameters

• eval_strategy: epoch
• per_device_train_batch_size: 16
• gradient_accumulation_steps: 8
• learning_rate: 2e-05
• num_train_epochs: 8
• lr_scheduler_type: cosine
• warmup_ratio: 0.1
• bf16: True
• tf32: False
• load_best_model_at_end: True
• optim: adamw_torch_fused
• batch_sampler: no_duplicates

All Hyperparameters

Click to expand

• overwrite_output_dir: False
• do_predict: False
• eval_strategy: epoch
• prediction_loss_only: True
• per_device_train_batch_size: 16
• per_device_eval_batch_size: 8
• per_gpu_train_batch_size: None
• per_gpu_eval_batch_size: None
• gradient_accumulation_steps: 8
• 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: 8
• 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: False
• 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: None
• 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
• 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
• average_tokens_across_devices: False
• prompts: None
• batch_sampler: no_duplicates
• multi_dataset_batch_sampler: proportional

Training Logs

Epoch	Step	Training Loss	dim_384_cosine_ndcg@10	dim_256_cosine_ndcg@10	dim_128_cosine_ndcg@10	dim_64_cosine_ndcg@10
1.0	2	-	0.7586	0.7183	0.7602	0.7055
2.0	4	-	0.7807	0.7760	0.7529	0.7327
3.0	6	-	0.7537	0.7331	0.7529	0.7176
4.0	8	-	0.7371	0.7331	0.7520	0.7610
5.0	10	29.6106	0.7347	0.7459	0.7552	0.7624
6.0	12	-	0.7278	0.7459	0.7552	0.7624
7.0	14	-	0.7278	0.7459	0.7552	0.7624
8.0	16	-	0.7278	0.7528	0.7552	0.7641

• The bold row denotes the saved checkpoint.

Framework Versions

• Python: 3.11.13
• Sentence Transformers: 4.1.0
• Transformers: 4.52.4
• PyTorch: 2.7.1+cu126
• Accelerate: 1.7.0
• Datasets: 3.6.0
• Tokenizers: 0.21.1

Citation

BibTeX

Sentence Transformers

@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

@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

@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}
}