sentence-transformers How to use Data-Lab/multilingual-e5-large-instruct-embedder-tgd with sentence-transformers:
from sentence_transformers import SentenceTransformer
model = SentenceTransformer("Data-Lab/multilingual-e5-large-instruct-embedder-tgd")
sentences = [
"безглютеновый хлеб",
"Instruct: Найти похожие продукты на основе деталей\nQuery: Баклажаны по-сычуаньски баклажаны, азиатская кухня, закуска, терияки, сладкий соус, пряный вкус, овощное блюдо, вегетарианское, пикантное, жареное, замаринованное, кунжут, чеснок, имбирь, рыба, рисовый уксус Жареные баклажаны, замаринованные в терияки с рыбным соусом, рисовым уксусом, луком и имбирём. Тот самый пикантно-сладко-пряный вкус, характерный для азиатской кухни. Идеальная закуска к рису и мясным блюдам.",
"Instruct: Найти похожие продукты на основе деталей\nQuery: Печенье протеиновое в шоколаде без доб. сахара протеин, белок, порционная упаковка, тренировка, здоровое питание, сладости без сахара, молочный шоколад, снек Печенье в порционной упаковке с высоким содержанием белка — более 14 г на 100 г продукта! Изготовлено без добавления сахара. Обладает мягким вкусом с нотами нежного молочного шоколада. Такое печенье удобно брать с собой. Например, чтобы восполнить запас сил после хорошей тренировки.",
"Instruct: Найти похожие продукты на основе деталей\nQuery: Изделие х/б без глютена с семенами безглютеновый, хлеб, рисовая мука, семена, клетчатка, полезный, сытный, ароматный, выпечка, гастрономия Ароматный безглютеновый хлеб из рисовой муки и псиллиума, испечённый на дрожжах. Семена тыквы, льна и подсолнечника придают его вкусу насыщенные маслянисто-ореховые нотки, а яблочный порошок — ненавязчивую кислинку.\nПсиллиум и пищевые волокна не только помогают хлебу сохранять упругую структуру, но и делают его полезнее, ведь клетчатка необходима для поддержания здоровья ЖКТ.\nХлеб отлично подойдёт для приготовления сытных бутербродов, изысканных канапе, а также подачи с основными блюдами."
]
embeddings = model.encode(sentences)
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [4, 4] 
