Ms Marco TinyBERT L2

🚀 MS Marco用クロスエンコーダ

このモデルは、MS Marco Passage Rankingタスクで学習されました。

このモデルは情報検索に使用できます。クエリが与えられた場合、すべての可能なパッセージ（例えばElasticSearchで検索されたもの）とともにクエリをエンコードし、その後パッセージを降順にソートします。詳細については、SBERT.net Retrieve & Re-rankを参照してください。学習コードはこちらにあります：SBERT.net Training MS Marco

🚀 クイックスタート

✨ 主な機能

• このモデルは、MS Marco Passage Rankingタスクで学習され、情報検索に使用できます。
• 与えられたクエリとパッセージをエンコードし、パッセージを降順にソートできます。

📦 インストール

このモデルを使用するには、SentenceTransformersまたはTransformersをインストールする必要があります。

💻 使用例

基本的な使用法

SentenceTransformersを使用した場合

from sentence_transformers import CrossEncoder

model = CrossEncoder('cross-encoder/ms-marco-TinyBERT-L2')
scores = model.predict([
    ("How many people live in Berlin?", "Berlin had a population of 3,520,031 registered inhabitants in an area of 891.82 square kilometers."),
    ("How many people live in Berlin?", "Berlin is well known for its museums."),
])
print(scores)
# [0.82869005 0.00169255]

Transformersを使用した場合

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch

model = AutoModelForSequenceClassification.from_pretrained('cross-encoder/ms-marco-TinyBERT-L2')
tokenizer = AutoTokenizer.from_pretrained('cross-encoder/ms-marco-TinyBERT-L2')

features = tokenizer(['How many people live in Berlin?', 'How many people live in Berlin?'], ['Berlin has a population of 3,520,031 registered inhabitants in an area of 891.82 square kilometers.', 'New York City is famous for the Metropolitan Museum of Art.'],  padding=True, truncation=True, return_tensors="pt")

model.eval()
with torch.no_grad():
    scores = model(**features).logits
    print(scores)

📚 ドキュメント

モデルの性能

以下の表に、様々な事前学習済みのクロスエンコーダと、TREC Deep Learning 2019およびMS Marco Passage Rerankingデータセットでの性能を示します。

注: 実行時間はV100 GPUで計算されました。

📄 ライセンス

このモデルは、Apache-2.0ライセンスの下で提供されています。