Bge M3 En Ru

🚀 英文とロシア語用のbge - m3モデル

このモデルは、[BAAI/bge - m3](https://huggingface.co/BAAI/bge - m3)のトークナイザを縮小したバージョンです。 現在のモデルの語彙には英語とロシア語のトークンのみが残されています。 そのため、語彙は元の21%になり、モデル全体のパラメータ数は元の63.3%になっていますが、英語とロシア語の埋め込み品質には損失はありません。

🚀 クイックスタート

✨ 主な機能

このモデルは、英語とロシア語の文章の埋め込みを生成するために使用できます。語彙を縮小することで、モデルのサイズを削減しながら、英語とロシア語の性能を維持しています。

📦 インストール

sentence - transformersをインストールすることで、このモデルを簡単に使用できます。

pip install -U sentence-transformers

💻 使用例

基本的な使用法

sentence - transformersを使用する場合のコード例です。

from sentence_transformers import SentenceTransformer
sentences = ["This is an example sentence", "Each sentence is converted"]

model = SentenceTransformer('TatonkaHF/bge-m3_en_ru')
embeddings = model.encode(sentences)
print(embeddings)

高度な使用法

sentence - transformersを使用せずに、モデルを使用する場合のコード例です。まず、入力をトランスフォーマーモデルに通し、次に文脈化された単語埋め込みに適切なプーリング操作を適用する必要があります。

from transformers import AutoTokenizer, AutoModel
import torch


#Mean Pooling - Take attention mask into account for correct averaging
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0] #First element of model_output contains all token embeddings
    input_mask_expanded = attention_mask.unsqueeze(-1).expand(token_embeddings.size()).float()
    return torch.sum(token_embeddings * input_mask_expanded, 1) / torch.clamp(input_mask_expanded.sum(1), min=1e-9)


# Sentences we want sentence embeddings for
sentences = ['This is an example sentence', 'Each sentence is converted']

# Load model from HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('TatonkaHF/bge-m3_en_ru')
model = AutoModel.from_pretrained('TatonkaHF/bge-m3_en_ru')

# Tokenize sentences
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

# Compute token embeddings
with torch.no_grad():
    model_output = model(**encoded_input)

# Perform pooling. In this case, mean pooling.
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

print("Sentence embeddings:")
print(sentence_embeddings)

📚 ドキュメント

仕様

他のbge - m3モデルも縮小されています。

モデルの完全なアーキテクチャ

SentenceTransformer(
  (0): Transformer({'max_seq_length': 8192, 'do_lower_case': False}) with Transformer model: XLMRobertaModel 
  (1): Pooling({'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})
)

🔧 技術詳細

このモデルは、Jianlv Chen, Shitao Xiao, Peitian Zhang, Kun Luo, Defu Lian, Zheng Liuによる論文 BGE M3 - Embedding: Multi - Lingual, Multi - Functionality, Multi - Granularity Text Embeddings Through Self - Knowledge Distillationに基づいています。また、[LaBSE - en - ru](https://huggingface.co/cointegrated/LaBSE - en - ru)と[https://discuss.huggingface.co/t/tokenizer - shrinking - recipes/8564/1](https://discuss.huggingface.co/t/tokenizer - shrinking - recipes/8564/1)に触発されて開発されました。

📄 ライセンス

このモデルはMITライセンスの下で提供されています。