alakxender / e5-dhivehi-paws-cos

SentenceTransformer

This is a sentence-transformers model trained. It maps sentences & paragraphs to a 768-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
• Maximum Sequence Length: 256 tokens
• Output Dimensionality: 768 dimensions
• Similarity Function: Cosine Similarity

Fine-tuned Models

This model is part of a progressive series of sentence embedding models based on intfloat/multilingual-e5-base , fine-tuned specifically for Dhivehi language understanding.

Each stage leverages a targeted dataset to specialize the model for semantic similarity, question answering, and summarization tasks — improving performance for real-world Dhivehi NLP applications.

Each model builds upon the previous checkpoint, incrementally enhancing the semantic capabilities of the model for Dhivehi. The goal is to support high-quality sentence embeddings for a wide range of Dhivehi information retrieval and understanding tasks.

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': 256, 'do_lower_case': False, 'architecture': 'XLMRobertaModel'})
  (1): Pooling({'word_embedding_dimension': 768, '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})
)

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("alakxender/e5-dhivehi-cos")
# Run inference
sentences = [
    'query: އެފްރިކަން އެމެރިކާގެ ރޯޑިއޯ ޕާފޯމަރެއް ކަމަށްވާ ބިލް ޕިކެޓް ވެސް ވަނީ ހަމަ އެ ބެލުންތެރިންނަށް ހުޅަނގުގެ ކުރީގެ ފިލްމުތަކުން ފެނިގެން ގޮސްފައެވެ .',
    'query: އެފްރިކަން އެމެރިކާގެ ރޯޑިއޯއެއް ކަމަށްވާ ބިލް ބިލް ޕިކެޓް ވެސް ހުޅަނގުގެ ކުރީގެ ފިލްމުތަކުން ފެނިގެން ގޮސްފައިވަނީ ހަމަ އެ ބެލުންތެރިންނަށް ކަމަށް ވެއެވެ .',
    'query: ވޯކްސް ޕްރޮގްރެސް އެޑްމިނިސްޓްރޭޝަންގެ ފެޑެރަލް ތިއޭޓަރ ޕްރޮޖެކްޓުން ވަޒީފާއެއް ނެތް ތިއޭޓަރ ޕާފޯމަރުންނާއި މުވައްޒަފުން މަސައްކަތް ކުރަން ކަނޑައެޅީ 1936 ވަނަ އަހަރު އެވެ .',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 768]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities)
# tensor([[1.0000, 0.5215, 0.1699],
#         [0.5215, 1.0000, 0.0967],
#         [0.1699, 0.0967, 1.0000]])

Evaluation

Metrics

Semantic Similarity

• Dataset: dhivehi-paws
• Evaluated with EmbeddingSimilarityEvaluator

Training Details

Training Dataset

• Size: 57,401 training samples
• Columns: sentence_0 , sentence_1 , and label
• Approximate statistics based on the first 1000 samples:

  	sentence_0	sentence_1	label
  type	string	string	float
  details	min: 17 tokens mean: 42.83 tokens max: 104 tokens	min: 17 tokens mean: 42.77 tokens max: 89 tokens	min: 0.0 mean: 0.45 max: 1.0

• Samples:

  sentence_0	sentence_1	label
  query: އެ ކުންފުނީގެ ހޯލްޑިން ކުންފުނި ގިނިސް ވޯލްޑް ރެކޯޑްސް ލިމިޓެޑަކީ 2001 ވަނަ އަހަރާ ހަމައަށް ގިނިސް ޕީއެލްސީ އާއި އޭގެ ފަހުން ޑައިޖިއޯގެ ކުންފުންޏެކެވެ .	query: އެ ކުންފުނީގެ ހޯލްޑިން ކުންފުނި ގިނިސް ވޯލްޑް ރެކޯޑްސް ލިމިޓެޑަކީ 2001 ވަނަ އަހަރާ ހަމައަށް ޑައިޖިއޯގެ ކުންފުންޏެއް ކަމަށްވާ ފަހުން ގިނިސް ޕީއެލްސީ އެވެ .	0.0
  query: ރަޝިޔާގެ ސެއިންޓް ޕީޓަރސްބަރގްގެ އަސްކަރީ ސްކޫލުން ޑިގްރީ ހާސިލް ކުރެއްވި އިރު 1910 ވަނަ އަހަރު ނިކޮލައެވްސްކްގެ މިލިޓަރީ އެކަޑަމީ ސޯފިއާ ޖެނެރަލް ސްޓާފް އިން ޑިގްރީ ހާސިލް ކުރެއްވިއެވެ .	query: ސޯފިއާގެ މިލިޓަރީ ސްކޫލުން ޑިގްރީ ހާސިލް ކުރެއްވި އިރު , 1910 ވަނަ އަހަރު ރަޝިޔާގެ ސެއިންޓް ޕީޓަރސްބާގްގައި ހުންނަ ނިކޮލައެވްސްކް ޖެނެރަލް ސްޓާފް މިލިޓަރީ އެކަޑަމީން ޑިގްރީ ހާސިލް ކުރެއްވިއެވެ .	0.0
  query: އަސްޓަރަވާސް އިން އުފައްދާ އެންމެ ރަނގަޅު ވައްތަރުގެ ސިލްކް އެކްސްޕޯޓް ކުރަނީ ދިމިޝްގު އާއި ބުރްސާ އާއި ކާޝަން އަދި ވެނިސް އަށެވެ .	query: އަސްޓަރަވާސް އިން އުފައްދާ އެންމެ ރަނގަޅު ސިލްކް އެކްސްޕޯޓް ކުރަނީ ވެނިސް އާއި ބުރްސާ އާއި ކާޝަން އަދި ދިމިޝްގު އަށެވެ .	1.0

• Loss: CosineSimilarityLoss with these parameters:

  {
      "loss_fct": "torch.nn.modules.loss.MSELoss"
  }
  

Training Hyperparameters

Non-Default Hyperparameters

• eval_strategy : steps
• per_device_train_batch_size : 32
• per_device_eval_batch_size : 32
• multi_dataset_batch_sampler : round_robin

All Hyperparameters

Training Logs

Framework Versions

• Python: 3.9.21
• Sentence Transformers: 5.0.0
• Transformers: 4.52.4
• PyTorch: 2.5.1+cu124
• Accelerate: 1.3.0
• Datasets: 3.2.0
• Tokenizers: 0.21.0

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",
}