sentence-transformers How to use baconnier/xp-mteb-dense-fr-v4-063a with sentence-transformers:
from sentence_transformers import SentenceTransformer
model = SentenceTransformer("baconnier/xp-mteb-dense-fr-v4-063a")
sentences = [
"Responsabilité du détenteur pour dégradations restitution chose bonne foi",
"Code rural et de la pêche maritime - Article L753-7\nPartie législative - Dispositions sociales - Accidents du travail et maladies professionnelles - Fonds commun des accidents du travail agricole - Accidents du travail intervenus avant le 1er juillet 1973 - Dépenses du fonds commun des accidents du travail agricole - Dépenses relatives aux accidents du travail intervenus avant le 1er juillet 1973 - Majorations de rentes.\nLes caisses mentionnées à l'article L. 723-2 supportent la dépense des majorations de rentes, de l'allocation ainsi que de la bonification mentionnées à l'article L. 753-8. \nLa majoration à la charge des caisses mentionnées au même article L. 723-2 est égale à la différence entre la rente revalorisée, comme définie à l'article L. 753-8, et la rente allouée. \nLes majorations de rentes et bonifications mentionnées à la présente sous-section ne sont pas applicables aux accidents du travail survenus et maladies professionnelles constatées après le 30 juin 1973.",
"Code civil - Article 1352-1\nCelui qui restitue la chose répond des dégradations et détériorations qui en ont diminué la valeur, à moins qu'il ne soit de bonne foi et que celles-ci ne soient pas dues à sa faute.",
"Code civil - Article 1351-1\nDes différentes manières dont on acquiert la propriété - Des engagements qui se forment sans convention - Du régime général des obligations - L'extinction de l'obligation - L'impossibilité d'exécuter\nLorsque l'impossibilité d'exécuter résulte de la perte de la chose due, le débiteur mis en demeure est néanmoins libéré s'il prouve que la perte se serait pareillement produite si l'obligation avait été exécutée.\nIl est cependant tenu de céder à son créancier les droits et actions attachés à la chose."
]
embeddings = model.encode(sentences)
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [4, 4] 
