Sentence Similarity
sentence-transformers
Safetensors
xlm-roberta
feature-extraction
Generated from Trainer
dataset_size:16825
loss:MultipleNegativesRankingLoss
text-embeddings-inference
Instructions to use codersan/multilingual-e5-base-Fa-v2 with libraries, inference providers, notebooks, and local apps. Follow these links to get started.
- Libraries
- sentence-transformers
How to use codersan/multilingual-e5-base-Fa-v2 with sentence-transformers:
from sentence_transformers import SentenceTransformer model = SentenceTransformer("codersan/multilingual-e5-base-Fa-v2") sentences = [ "کمپانی هند شرقی فرانسه در زمان سلطنت لویى چهاردهم، برای رقابت سیاسی، اقتصادی و استعماری با دولت بریتانیا در هندوستان تأسیس شد.", "کمپانی هند شرقی فرانسه در دوره پادشاهی لوئی چهاردهم تاسیس شد.", "جنگ موهاک بین کشورهای عثمانی و مجارستان رخ داد.", "فخرالدین عراقی جانشین شیخ بهاء الدین زکریا ملتانی بود." ] embeddings = model.encode(sentences) similarities = model.similarity(embeddings, embeddings) print(similarities.shape) # [4, 4] - Notebooks
- Google Colab
- Kaggle
- Xet hash:
- 900d575674d5bfcd5c2b9059c9221a42f92c957ed7230f7e096d3e9580c3e4c2
- Size of remote file:
- 17.1 MB
- SHA256:
- 883b037111086fd4dfebbbc9b7cee11e1517b5e0c0514879478661440f137085
·
Xet efficiently stores Large Files inside Git, intelligently splitting files into unique chunks and accelerating uploads and downloads. More info.