Sentence Similarity
sentence-transformers
Safetensors
Persian
bert
feature-extraction
loss:CachedMultipleNegativesRankingLoss
text-embeddings-inference
Instructions to use PartAI/Tooka-SBERT with libraries, inference providers, notebooks, and local apps. Follow these links to get started.
- Libraries
- sentence-transformers
How to use PartAI/Tooka-SBERT with sentence-transformers:
from sentence_transformers import SentenceTransformer model = SentenceTransformer("PartAI/Tooka-SBERT") sentences = [ "درنا از پرندگان مهاجر با پاهای بلند و گردن دراز است.", "درناها با قامتی بلند و بالهای پهن، از زیباترین پرندگان مهاجر به شمار میروند.", "درناها پرندگانی کوچک با پاهای کوتاه هستند که مهاجرت نمیکنند.", "ایران برای بار دیگر توانست به مدال طلا دست یابد." ] embeddings = model.encode(sentences) similarities = model.similarity(embeddings, embeddings) print(similarities.shape) # [4, 4] - Notebooks
- Google Colab
- Kaggle
| { | |
| "word_embedding_dimension": 1024, | |
| "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 | |
| } |