Sentence Similarity
sentence-transformers
Safetensors
Transformers
Dutch
bert
feature-extraction
text-embeddings-inference

Add new SentenceTransformer model

#1
by tomaarsen HF Staff - opened
1_Pooling/config.json ADDED
@@ -0,0 +1,10 @@
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "word_embedding_dimension": 1024,
3
+ "pooling_mode_cls_token": false,
4
+ "pooling_mode_mean_tokens": true,
5
+ "pooling_mode_max_tokens": false,
6
+ "pooling_mode_mean_sqrt_len_tokens": false,
7
+ "pooling_mode_weightedmean_tokens": false,
8
+ "pooling_mode_lasttoken": false,
9
+ "include_prompt": true
10
+ }
README.md CHANGED
@@ -1,15 +1,16 @@
1
  ---
2
- library_name: transformers
3
  license: mit
4
  datasets:
5
  - clips/beir-nl-mmarco
6
  - clips/beir-nl-hotpotqa
7
  - clips/beir-nl-fever
8
- language:
9
- - nl
10
  base_model:
11
  - clips/e5-large-v2-t2t
12
  pipeline_tag: sentence-similarity
 
 
13
  ---
14
 
15
  # E5-large-v2-t2t-nl
@@ -60,14 +61,29 @@ print(scores.tolist())
60
  Below is an example for usage with sentence_transformers.
61
  ```python
62
  from sentence_transformers import SentenceTransformer
63
- model = SentenceTransformer('clips/e5-large-v2-t2t-nl')
64
- input_texts = [
65
- 'query: hoeveel eiwitten moet een vrouw eten',
66
- 'query: top definieer',
67
- "passage: Als algemene richtlijn geldt dat de gemiddelde eiwitbehoefte voor vrouwen van 19 tot 70 jaar volgens de CDC 46 gram per dag bedraagt. Maar, zoals je in deze tabel kunt zien, moet je dit verhogen als je zwanger bent of traint voor een marathon. Bekijk de onderstaande tabel om te zien hoeveel eiwitten je dagelijks zou moeten eten.",
68
- "passage: Definitie van top voor leerlingen Engels. : 1 het hoogste punt van een berg : de top van een berg. : 2 het hoogste niveau. : 3 een bijeenkomst of reeks bijeenkomsten tussen de leiders van twee of meer regeringen."
 
 
 
 
 
 
 
 
69
  ]
70
- embeddings = model.encode(input_texts, normalize_embeddings=True)
 
 
 
 
 
 
 
71
  ```
72
  ## Benchmark Evaluation
73
  Results on MTEB-NL (models introduced in [our paper](https://arxiv.org/abs/2509.12340) and the best model per size category are highlighted in bold):
 
1
  ---
2
+ library_name: sentence-transformers
3
  license: mit
4
  datasets:
5
  - clips/beir-nl-mmarco
6
  - clips/beir-nl-hotpotqa
7
  - clips/beir-nl-fever
8
+ language: nl
 
9
  base_model:
10
  - clips/e5-large-v2-t2t
11
  pipeline_tag: sentence-similarity
12
+ tags:
13
+ - transformers
14
  ---
15
 
16
  # E5-large-v2-t2t-nl
 
61
  Below is an example for usage with sentence_transformers.
62
  ```python
63
  from sentence_transformers import SentenceTransformer
64
+
65
+ # Load the model from Hugging Face
66
+ model = SentenceTransformer("clips/e5-large-v2-t2t-nl")
67
+
68
+ # Perform inference using encode_query/encode_document for retrieval,
69
+ # or encode_query for general purpose embeddings. Prompt prefixes
70
+ # are automatically added with these two methods.
71
+ queries = [
72
+ 'hoeveel eiwitten moet een vrouw eten',
73
+ 'top definieer',
74
+ ]
75
+ documents = [
76
+ 'Als algemene richtlijn geldt dat de gemiddelde eiwitbehoefte voor vrouwen van 19 tot 70 jaar volgens de CDC 46 gram per dag bedraagt. Maar, zoals je in deze tabel kunt zien, moet je dit verhogen als je zwanger bent of traint voor een marathon. Bekijk de onderstaande tabel om te zien hoeveel eiwitten je dagelijks zou moeten eten.',
77
+ 'Definitie van top voor leerlingen Engels. : 1 het hoogste punt van een berg : de top van een berg. : 2 het hoogste niveau. : 3 een bijeenkomst of reeks bijeenkomsten tussen de leiders van twee of meer regeringen.',
78
  ]
79
+ query_embeddings = model.encode_query(queries)
80
+ document_embeddings = model.encode_document(documents)
81
+ print(query_embeddings.shape, document_embeddings.shape)
82
+ # (2, 1024) (2, 1024)
83
+
84
+ similarities = model.similarity(query_embeddings, document_embeddings)
85
+ # tensor([[0.7207, 0.2599],
86
+ # [0.2797, 0.6588]])
87
  ```
88
  ## Benchmark Evaluation
89
  Results on MTEB-NL (models introduced in [our paper](https://arxiv.org/abs/2509.12340) and the best model per size category are highlighted in bold):
config_sentence_transformers.json ADDED
@@ -0,0 +1,14 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "model_type": "SentenceTransformer",
3
+ "__version__": {
4
+ "sentence_transformers": "5.1.0",
5
+ "transformers": "4.56.1",
6
+ "pytorch": "2.7.1+cu126"
7
+ },
8
+ "prompts": {
9
+ "query": "query: ",
10
+ "document": "passage: "
11
+ },
12
+ "default_prompt_name": null,
13
+ "similarity_fn_name": "cosine"
14
+ }
modules.json ADDED
@@ -0,0 +1,20 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ [
2
+ {
3
+ "idx": 0,
4
+ "name": "0",
5
+ "path": "",
6
+ "type": "sentence_transformers.models.Transformer"
7
+ },
8
+ {
9
+ "idx": 1,
10
+ "name": "1",
11
+ "path": "1_Pooling",
12
+ "type": "sentence_transformers.models.Pooling"
13
+ },
14
+ {
15
+ "idx": 2,
16
+ "name": "2",
17
+ "path": "2_Normalize",
18
+ "type": "sentence_transformers.models.Normalize"
19
+ }
20
+ ]
sentence_bert_config.json ADDED
@@ -0,0 +1,4 @@
 
 
 
 
 
1
+ {
2
+ "max_seq_length": 512,
3
+ "do_lower_case": false
4
+ }