Hugging Face's logo Hugging Face
  • Models
  • Datasets
  • Spaces
  • Buckets
  • Docs
  • Enterprise
  • Pricing
    • Website
      • Tasks
      • HuggingChat
      • Collections
      • Languages
      • Organizations
    • Community
      • Blog
      • Posts
      • Daily Papers
      • Hardware
      • Learn
      • Discord
      • Forum
      • GitHub
    • Solutions
      • Team & Enterprise
      • Hugging Face PRO
      • Enterprise Support
      • Inference Providers
      • Inference Endpoints
      • Storage Buckets

  • Log In
  • Sign Up

alakxender
/
e5-dhivehi-qa-mnr

Sentence Similarity
sentence-transformers
Safetensors
Divehi
English
xlm-roberta
feature-extraction
dense
Generated from Trainer
dataset_size:9232
loss:MultipleNegativesRankingLoss
text-embeddings-inference
Model card Files Files and versions
xet
Community

Instructions to use alakxender/e5-dhivehi-qa-mnr with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

  • Libraries
  • sentence-transformers

    How to use alakxender/e5-dhivehi-qa-mnr with sentence-transformers:

    from sentence_transformers import SentenceTransformer
    
    model = SentenceTransformer("alakxender/e5-dhivehi-qa-mnr")
    
    sentences = [
        "query: ދިވެހިރާއްޖޭގައި އޮންނަންވާނީ ކޮން ދީނެއް؟",
        "passage: އަޅުގަނޑުމެން އެންމެން ގަބޫލުކުރޭ، ދިވެހިރާއްޖޭގައި އޮންނަންވާނީ އިސްލާމްދީންކަން. އަޅުގަނޑުމެން އެންމެން ގަބޫލުކުރޭ، އެހެން ދީންތަކަށް ޖާގަދޭން ނުޖެހޭކަން.",
        "passage: ރަށުގައި މިހާރަށްވުރެ ގިނައިން ދިވެހި ރުކާއި، ބަނބުކެޔޮ، ފަތްކެޔޮ، ރޯމިރުސް، ބަށި، ފަޅޯފަދަ ރަށުގައި ހެދޭ ބާވަތްތައް އިންދައި ހެއްދުމުގެ މަސައްކަތްތައްވެސް އިތުރުކުރެވިދާނެ ކަމަށް ރަށުގެ ވެރިންގެ ފަރާތުން އަޅުގަނޑަށް އެނގިފައި އެބައޮތް.",
        "passage: އޭގެކުރިން އިބްތިހާލްގެ މަންމަ އާފިޔާ މުހައްމަދަށް ޖިންސީ ގޯނާ ކުރިކަމުގެ ތުހުމަތު ވެސް ރައޫފްގެ މައްޗަށް ކުރެވިގެން، އެ މައްސަލާގައި އޭނާގެ މައްޗަށް ދައުވާކުރަން ޕްރޮސެކިއުޓާ ޖެނެރަލްގެ އޮފީހަށް ފޮނުވި އެވެ. އެކަމަކު އެ މައްސަލާގައި މިހާތަނަށް ދައުވާއެއް ނުއުފުލަ އެވެ."
    ]
    embeddings = model.encode(sentences)
    
    similarities = model.similarity(embeddings, embeddings)
    print(similarities.shape)
    # [4, 4]
  • Notebooks
  • Google Colab
  • Kaggle
e5-dhivehi-qa-mnr
1.16 GB
Ctrl+K
Ctrl+K
  • 1 contributor
History: 3 commits
alakxender's picture
alakxender
Update README.md
0daabea verified over 1 year ago
  • 1_Pooling
    Add new SentenceTransformer model over 1 year ago
  • .gitattributes
    1.57 kB
    Add new SentenceTransformer model over 1 year ago
  • README.md
    25.2 kB
    Update README.md over 1 year ago
  • config.json
    710 Bytes
    Add new SentenceTransformer model over 1 year ago
  • config_sentence_transformers.json
    283 Bytes
    Add new SentenceTransformer model over 1 year ago
  • model.safetensors
    1.14 GB
    xet
    Add new SentenceTransformer model over 1 year ago
  • modules.json
    229 Bytes
    Add new SentenceTransformer model over 1 year ago
  • sentence_bert_config.json
    57 Bytes
    Add new SentenceTransformer model over 1 year ago
  • special_tokens_map.json
    964 Bytes
    Add new SentenceTransformer model over 1 year ago
  • tokenizer.json
    18.6 MB
    xet
    Add new SentenceTransformer model over 1 year ago
  • tokenizer_config.json
    1.48 MB
    Add new SentenceTransformer model over 1 year ago