Chuxin Embedding Q4 K M GGUF
これはChuxin-Embeddingから変換されたGGUF形式モデルで、主に中国語テキスト検索タスクに使用されます。
ダウンロード数 14
リリース時間 : 10/29/2024
モデル概要
このモデルはChuxin-Embeddingを変換したGGUF形式バージョンで、中国語テキスト検索タスクに適しており、さまざまな検索シナリオをサポートします。
モデル特徴
効率的な検索
医療、Eコマースなどのさまざまな中国語検索タスクで優れた性能を発揮
GGUF形式
GGUF形式に変換されており、llama.cppツールで簡単に使用可能
マルチドメイン対応
医療、Eコマース、動画など複数分野の検索タスクで良好な性能
モデル能力
中国語テキスト検索
意味的類似度計算
マルチドメイン検索
使用事例
医療分野
医療Q&A検索
医療関連質問の検索とマッチングに使用
CmedqaRetrievalデータセットでmap@10が48.715を達成
Eコマース分野
商品検索
Eコマースプラットフォームの商品情報検索に使用
EcomRetrievalデータセットでndcg@10が74.011を達成
動画分野
動画コンテンツ検索
動画関連コンテンツの検索に使用
VideoRetrievalデータセットでmap@10が79.62を達成
🚀 lagoon999/Chuxin-Embedding-Q4_K_M-GGUF
このモデルは、llama.cppを使用してggml.aiのGGUF-my-repoスペース経由で、chuxin-llm/Chuxin-Embedding
からGGUF形式に変換されました。モデルの詳細については、元のモデルカードを参照してください。
🚀 クイックスタート
このモデルを使用するには、以下の手順に従ってください。
✨ 主な機能
- モデルは、
chuxin-llm/Chuxin-Embedding
をGGUF形式に変換したものです。 - llama.cppを通じて使用することができます。
📦 インストール
llama.cppのインストール
brewを使用してllama.cppをインストールします(MacとLinuxで動作します)。
brew install llama.cpp
💻 使用例
llama.cppでの使用
llama.cppのサーバーまたはCLIを起動します。
CLI:
llama-cli --hf-repo lagoon999/Chuxin-Embedding-Q4_K_M-GGUF --hf-file chuxin-embedding-q4_k_m.gguf -p "The meaning to life and the universe is"
サーバー:
llama-server --hf-repo lagoon999/Chuxin-Embedding-Q4_K_M-GGUF --hf-file chuxin-embedding-q4_k_m.gguf -c 2048
注: Llama.cppリポジトリに記載されている使用手順を直接使用することもできます。
手順1: llama.cppをGitHubからクローンする
git clone https://github.com/ggerganov/llama.cpp
手順2: llama.cppフォルダに移動し、LLAMA_CURL=1
フラグと他のハードウェア固有のフラグ(例: LinuxのNvidia GPUの場合はLLAMA_CUDA=1
)を使用してビルドする
cd llama.cpp && LLAMA_CURL=1 make
手順3: メインバイナリを通じて推論を実行する
./llama-cli --hf-repo lagoon999/Chuxin-Embedding-Q4_K_M-GGUF --hf-file chuxin-embedding-q4_k_m.gguf -p "The meaning to life and the universe is"
📚 ドキュメント
モデル情報
属性 | 詳情 |
---|---|
モデルタイプ | lagoon999/Chuxin-Embedding-Q4_K_M-GGUF |
元のモデル | chuxin-llm/Chuxin-Embedding |
変換方法 | llama.cppを使用してGGUF形式に変換 |
変換スペース | ggml.aiのGGUF-my-repo |
評価指標
このモデルは、複数のデータセットでの検索タスクにおいて評価されています。以下は各データセットでの主な評価指標です。
MTEB CmedqaRetrieval (default)
指標 | 値 |
---|---|
map_at_1 | 33.391999999999996 |
map_at_10 | 48.715 |
map_at_100 | 50.381 |
map_at_1000 | 50.456 |
map_at_3 | 43.708999999999996 |
map_at_5 | 46.405 |
mrr_at_1 | 48.612 |
mrr_at_10 | 58.67099999999999 |
mrr_at_100 | 59.38 |
mrr_at_1000 | 59.396 |
mrr_at_3 | 55.906 |
mrr_at_5 | 57.421 |
ndcg_at_1 | 48.612 |
ndcg_at_10 | 56.581 |
ndcg_at_100 | 62.422999999999995 |
ndcg_at_1000 | 63.476 |
ndcg_at_3 | 50.271 |
ndcg_at_5 | 52.79899999999999 |
precision_at_1 | 48.612 |
precision_at_10 | 11.995000000000001 |
precision_at_100 | 1.696 |
precision_at_1000 | 0.185 |
precision_at_3 | 27.465 |
precision_at_5 | 19.675 |
recall_at_1 | 33.391999999999996 |
recall_at_10 | 69.87100000000001 |
recall_at_100 | 93.078 |
recall_at_1000 | 99.55199999999999 |
recall_at_3 | 50.939 |
recall_at_5 | 58.714 |
メインスコア | 56.581 |
MTEB CovidRetrieval (default)
指標 | 値 |
---|---|
map_at_1 | 71.918 |
map_at_10 | 80.609 |
map_at_100 | 80.796 |
map_at_1000 | 80.798 |
map_at_3 | 79.224 |
map_at_5 | 79.96 |
mrr_at_1 | 72.076 |
mrr_at_10 | 80.61399999999999 |
mrr_at_100 | 80.801 |
mrr_at_1000 | 80.803 |
mrr_at_3 | 79.276 |
mrr_at_5 | 80.025 |
ndcg_at_1 | 72.076 |
ndcg_at_10 | 84.286 |
ndcg_at_100 | 85.14500000000001 |
ndcg_at_1000 | 85.21 |
ndcg_at_3 | 81.45400000000001 |
ndcg_at_5 | 82.781 |
precision_at_1 | 72.076 |
precision_at_10 | 9.663 |
precision_at_100 | 1.005 |
precision_at_1000 | 0.101 |
precision_at_3 | 29.398999999999997 |
precision_at_5 | 18.335 |
recall_at_1 | 71.918 |
recall_at_10 | 95.574 |
recall_at_100 | 99.473 |
recall_at_1000 | 100.0 |
recall_at_3 | 87.82900000000001 |
recall_at_5 | 90.991 |
メインスコア | 84.286 |
MTEB DuRetrieval (default)
指標 | 値 |
---|---|
map_at_1 | 25.019999999999996 |
map_at_10 | 77.744 |
map_at_100 | 80.562 |
map_at_1000 | 80.60300000000001 |
map_at_3 | 52.642999999999994 |
map_at_5 | 67.179 |
mrr_at_1 | 86.5 |
mrr_at_10 | 91.024 |
mrr_at_100 | 91.09 |
mrr_at_1000 | 91.093 |
mrr_at_3 | 90.558 |
mrr_at_5 | 90.913 |
ndcg_at_1 | 86.5 |
ndcg_at_10 | 85.651 |
ndcg_at_100 | 88.504 |
ndcg_at_1000 | 88.887 |
ndcg_at_3 | 82.707 |
ndcg_at_5 | 82.596 |
precision_at_1 | 86.5 |
precision_at_10 | 41.595 |
precision_at_100 | 4.7940000000000005 |
precision_at_1000 | 0.48900000000000005 |
precision_at_3 | 74.233 |
precision_at_5 | 63.68000000000001 |
recall_at_1 | 25.019999999999996 |
recall_at_10 | 88.114 |
recall_at_100 | 97.442 |
recall_at_1000 | 99.39099999999999 |
recall_at_3 | 55.397 |
recall_at_5 | 73.095 |
メインスコア | 85.651 |
MTEB EcomRetrieval (default)
指標 | 値 |
---|---|
map_at_1 | 55.60000000000001 |
map_at_10 | 67.891 |
map_at_100 | 68.28699999999999 |
map_at_1000 | 68.28699999999999 |
map_at_3 | 64.86699999999999 |
map_at_5 | 66.652 |
mrr_at_1 | 55.60000000000001 |
mrr_at_10 | 67.891 |
mrr_at_100 | 68.28699999999999 |
mrr_at_1000 | 68.28699999999999 |
mrr_at_3 | 64.86699999999999 |
mrr_at_5 | 66.652 |
ndcg_at_1 | 55.60000000000001 |
ndcg_at_10 | 74.01100000000001 |
ndcg_at_100 | 75.602 |
ndcg_at_1000 | 75.602 |
ndcg_at_3 | 67.833 |
ndcg_at_5 | 71.005 |
precision_at_1 | 55.60000000000001 |
precision_at_10 | 9.33 |
precision_at_100 | 1.0 |
precision_at_1000 | 0.1 |
precision_at_3 | 25.467000000000002 |
precision_at_5 | 16.8 |
recall_at_1 | 55.60000000000001 |
recall_at_10 | 93.30000000000001 |
recall_at_100 | 100.0 |
recall_at_1000 | 100.0 |
recall_at_3 | 76.4 |
recall_at_5 | 84.0 |
メインスコア | 74.01100000000001 |
MTEB MMarcoRetrieval (default)
指標 | 値 |
---|---|
map_at_1 | 66.24799999999999 |
map_at_10 | 75.356 |
map_at_100 | 75.653 |
map_at_1000 | 75.664 |
map_at_3 | 73.515 |
map_at_5 | 74.67099999999999 |
mrr_at_1 | 68.496 |
mrr_at_10 | 75.91499999999999 |
mrr_at_100 | 76.17399999999999 |
mrr_at_1000 | 76.184 |
mrr_at_3 | 74.315 |
mrr_at_5 | 75.313 |
ndcg_at_1 | 68.496 |
ndcg_at_10 | 79.065 |
ndcg_at_100 | 80.417 |
ndcg_at_1000 | 80.72399999999999 |
ndcg_at_3 | 75.551 |
ndcg_at_5 | 77.505 |
precision_at_1 | 68.496 |
precision_at_10 | 9.563 |
precision_at_100 | 1.024 |
precision_at_1000 | 0.105 |
precision_at_3 | 28.391 |
precision_at_5 | 18.086 |
recall_at_1 | 66.24799999999999 |
recall_at_10 | 89.97 |
recall_at_100 | 96.13199999999999 |
recall_at_1000 | 98.551 |
recall_at_3 | 80.624 |
recall_at_5 | 85.271 |
メインスコア | 79.065 |
MTEB MedicalRetrieval (default)
指標 | 値 |
---|---|
map_at_1 | 61.8 |
map_at_10 | 71.101 |
map_at_100 | 71.576 |
map_at_1000 | 71.583 |
map_at_3 | 68.867 |
map_at_5 | 70.272 |
mrr_at_1 | 61.9 |
mrr_at_10 | 71.158 |
mrr_at_100 | 71.625 |
mrr_at_1000 | 71.631 |
mrr_at_3 | 68.917 |
mrr_at_5 | 70.317 |
ndcg_at_1 | 61.8 |
ndcg_at_10 | 75.624 |
ndcg_at_100 | 77.702 |
ndcg_at_1000 | 77.836 |
ndcg_at_3 | 71.114 |
ndcg_at_5 | 73.636 |
precision_at_1 | 61.8 |
precision_at_10 | 8.98 |
precision_at_100 | 0.9900000000000001 |
precision_at_1000 | 0.1 |
precision_at_3 | 25.867 |
precision_at_5 | 16.74 |
recall_at_1 | 61.8 |
recall_at_10 | 89.8 |
recall_at_100 | 99.0 |
recall_at_1000 | 100.0 |
recall_at_3 | 77.60000000000001 |
recall_at_5 | 83.7 |
メインスコア | 75.624 |
MTEB T2Retrieval (default)
指標 | 値 |
---|---|
map_at_1 | 27.173000000000002 |
map_at_10 | 76.454 |
map_at_100 | 80.021 |
map_at_1000 | 80.092 |
map_at_3 | 53.876999999999995 |
map_at_5 | 66.122 |
mrr_at_1 | 89.519 |
mrr_at_10 | 92.091 |
mrr_at_100 | 92.179 |
mrr_at_1000 | 92.183 |
mrr_at_3 | 91.655 |
mrr_at_5 | 91.94 |
ndcg_at_1 | 89.519 |
ndcg_at_10 | 84.043 |
ndcg_at_100 | 87.60900000000001 |
ndcg_at_1000 | 88.32799999999999 |
ndcg_at_3 | 85.623 |
ndcg_at_5 | 84.111 |
precision_at_1 | 89.519 |
precision_at_10 | 41.760000000000005 |
precision_at_100 | 4.982 |
precision_at_1000 | 0.515 |
precision_at_3 | 74.944 |
precision_at_5 | 62.705999999999996 |
recall_at_1 | 27.173000000000002 |
recall_at_10 | 82.878 |
recall_at_100 | 94.527 |
recall_at_1000 | 98.24199999999999 |
recall_at_3 | 55.589 |
recall_at_5 | 69.476 |
メインスコア | 84.043 |
MTEB VideoRetrieval (default)
指標 | 値 |
---|---|
map_at_1 | 70.1 |
map_at_10 | 79.62 |
map_at_100 | 79.804 |
map_at_1000 | 79.804 |
map_at_3 | 77.81700000000001 |
map_at_5 | 79.037 |
mrr_at_1 | 70.1 |
mrr_at_10 | 79.62 |
mrr_at_100 | 79.804 |
mrr_at_1000 | 79.804 |
mrr_at_3 | 77.81700000000001 |
mrr_at_5 | 79.037 |
ndcg_at_1 | 70.1 |
ndcg_at_10 | 83.83500000000001 |
ndcg_at_100 | 84.584 |
ndcg_at_1000 | 84.584 |
ndcg_at_3 | 80.282 |
ndcg_at_5 | 82.472 |
precision_at_1 | 70.1 |
precision_at_10 | 9.68 |
precision_at_100 | 1.0 |
precision_at_1000 | 0.1 |
precision_at_3 | 29.133 |
precision_at_5 | 18.54 |
recall_at_1 | 70.1 |
recall_at_10 | 96.8 |
recall_at_100 | 100.0 |
recall_at_1000 | 100.0 |
recall_at_3 | 87.4 |
recall_at_5 | 92.7 |
メインスコア | 83.83500000000001 |
Jina Embeddings V3
Jina Embeddings V3 は100以上の言語をサポートする多言語文埋め込みモデルで、文の類似度と特徴抽出タスクに特化しています。
テキスト埋め込み
Transformers 複数言語対応

J
jinaai
3.7M
911
Ms Marco MiniLM L6 V2
Apache-2.0
MS Marcoパッセージランキングタスクで訓練されたクロスエンコーダモデル、情報検索におけるクエリ-パッセージ関連性スコアリング用
テキスト埋め込み 英語
M
cross-encoder
2.5M
86
Opensearch Neural Sparse Encoding Doc V2 Distill
Apache-2.0
蒸留技術に基づくスパース検索モデルで、OpenSearch向けに最適化されており、推論不要のドキュメントエンコーディングをサポートし、検索関連性と効率性においてV1版を上回ります
テキスト埋め込み
Transformers 英語

O
opensearch-project
1.8M
7
Sapbert From PubMedBERT Fulltext
Apache-2.0
PubMedBERTに基づく生物医学エンティティ表現モデルで、自己アライメント事前学習により意味関係の捕捉を最適化します。
テキスト埋め込み 英語
S
cambridgeltl
1.7M
49
Gte Large
MIT
GTE-Largeは強力なセンテンストランスフォーマーモデルで、文の類似度とテキスト埋め込みタスクに特化しており、複数のベンチマークテストで優れた性能を発揮します。
テキスト埋め込み 英語
G
thenlper
1.5M
278
Gte Base En V1.5
Apache-2.0
GTE-base-en-v1.5 は英語の文章変換モデルで、文章類似度タスクに特化しており、複数のテキスト埋め込みベンチマークで優れた性能を発揮します。
テキスト埋め込み
Transformers 複数言語対応

G
Alibaba-NLP
1.5M
63
Gte Multilingual Base
Apache-2.0
GTE Multilingual Base は50以上の言語をサポートする多言語文埋め込みモデルで、文類似度計算などのタスクに適しています。
テキスト埋め込み
Transformers 複数言語対応

G
Alibaba-NLP
1.2M
246
Polybert
polyBERTは、完全に機械駆動の超高速ポリマー情報学を実現するための化学言語モデルです。PSMILES文字列を600次元の密なフィンガープリントにマッピングし、ポリマー化学構造を数値形式で表現します。
テキスト埋め込み
Transformers

P
kuelumbus
1.0M
5
Bert Base Turkish Cased Mean Nli Stsb Tr
Apache-2.0
トルコ語BERTベースの文埋め込みモデルで、意味的類似性タスクに最適化
テキスト埋め込み
Transformers その他

B
emrecan
1.0M
40
GIST Small Embedding V0
MIT
BAAI/bge-small-en-v1.5モデルを微調整したテキスト埋め込みモデルで、MEDIデータセットとMTEB分類タスクデータセットで訓練され、検索タスクのクエリエンコーディング能力を最適化しました。
テキスト埋め込み
Safetensors 英語
G
avsolatorio
945.68k
29
おすすめAIモデル
Llama 3 Typhoon V1.5x 8b Instruct
タイ語専用に設計された80億パラメータの命令モデルで、GPT-3.5-turboに匹敵する性能を持ち、アプリケーションシナリオ、検索拡張生成、制限付き生成、推論タスクを最適化
大規模言語モデル
Transformers 複数言語対応

L
scb10x
3,269
16
Cadet Tiny
Openrail
Cadet-TinyはSODAデータセットでトレーニングされた超小型対話モデルで、エッジデバイス推論向けに設計されており、体積はCosmo-3Bモデルの約2%です。
対話システム
Transformers 英語

C
ToddGoldfarb
2,691
6
Roberta Base Chinese Extractive Qa
RoBERTaアーキテクチャに基づく中国語抽出型QAモデルで、与えられたテキストから回答を抽出するタスクに適しています。
質問応答システム 中国語
R
uer
2,694
98