# 情報検索

Chonkyはテキストを意味のあるセマンティックブロックにインテリジェントに分割できるTransformerモデルで、RAGシステムに適しています。

Set-Encoderは、効率的で置換不変性を持つ段落の並べ替えに特化したクロスエンコーダーアーキテクチャで、特に新規性認識を考慮した並べ替えタスクに適しています。

これはテキストランキングモデルで、テキストの関連性をランク付けするために使用されます。

rank1はQwen2.5-0.5Bをベースに訓練された情報検索の再順位付けモデルで、推論チェーンを生成することで関連性判断の精度を向上させます。

Set-Encoderは、効率的で置換不変性を持つ段落再編成のために特別に設計されたクロスエンコーダアーキテクチャです。

これはmDeBERTa-v3-baseをベースにしたフランス語のクロスエンコーダーモデルで、段落の再ランキングタスクに特化しており、mMARCO-frデータセットで優れた性能を発揮します。

Transformersライブラリに基づく文埋め込みモデルで、文のベクトル表現を生成し、テキストランキングタスクをサポートします。

SPLADE-v3-DocはSPLADEモデルの文書バージョンで、文書側の推論に特化しており、情報検索などのシナリオに適しています。

これはsentence-transformersベースの文埋め込みモデルで、テキストを768次元のベクトル空間にマッピングし、意味検索やクラスタリングタスクに適しています。

RankNet損失関数で訓練されたポーランド語テキストランキングモデル、情報検索タスクに適応

GTE-LargeはONNXに移植されたテキスト埋め込みモデルで、テキスト分類や類似性検索タスクに適しています。

MMLW（私はより良いニュースを得なければならない）はポーランド語のニューラルテキストエンコーダーで、情報検索タスクに最適化されており、クエリと段落を768次元ベクトルに変換できます。

GTE Tinyは、さまざまな自然言語処理タスクに適した小型の汎用テキスト埋め込みモデルです。

これはELECTRAアーキテクチャに基づくフランス語クロスエンコーダーモデルで、意味検索における段落再ランキングタスク専用に設計されています。

DRAGON+ はBERTアーキテクチャに基づく高密度検索モデルで、非対称デュアルエンコーダーアーキテクチャを採用し、テキスト検索タスクに適しています。

これはsentence-transformersに基づくモデルで、文や段落を768次元の密ベクトル空間にマッピングでき、文の類似度計算や意味的検索などのタスクに適しています。

これはsentence-transformersに基づくモデルで、文や段落を768次元の密なベクトル空間にマッピングでき、文の類似度計算や意味的検索などのタスクに適しています。

これはsentence-transformersに基づく文の埋め込みモデルで、テキストを768次元のベクトル表現に変換でき、文の類似度計算や意味的検索などのタスクに適しています。

これはsentence - transformersに基づくモデルで、文や段落を768次元の密ベクトル空間にマッピングでき、クラスタリングや意味的検索などのタスクに適しています。

これはsentence-transformersに基づくモデルで、文や段落を768次元の密なベクトル空間にマッピングでき、文の類似度計算や意味的検索などのタスクに適しています。

DistilBert TAS - Bモデルに基づく文埋め込みモデルで、意味検索タスクに最適化されており、テキストを768次元のベクトル空間にマッピングできます。

これはsentence-transformersに基づくモデルで、文や段落を768次元の密なベクトル空間にマッピングでき、文の類似度計算や意味的検索などのタスクに適しています。

これはsentence-transformersに基づく文埋め込みモデルで、テキストを768次元のベクトル空間にマッピングでき、意味的検索やテキスト類似度計算などのタスクに適しています。

これはsentence-transformersに基づくモデルで、文や段落を768次元の密なベクトル空間にマッピングでき、文の類似度計算や意味的検索などのタスクに適しています。

MS Marcoの段落ランキングタスクを基に訓練された英独多言語クロスエンコーダモデルで、情報検索シーンの段落再ランキングに適しています。

これはDistilBERTに基づく文の埋め込みモデルで、テキストを768次元のベクトル表現に変換でき、文の類似度計算や意味的検索タスクに適しています。

TILDEはBERTアーキテクチャに基づくモデルで、主にテキスト検索と言語モデリングタスクに使用されます。

BERTアーキテクチャに基づくDPR質問エンコーダーモデル、密集パッセージ検索タスク用

Contriever事前学習モデルのファインチューニング版で、高密度情報検索タスク向けに最適化され、対照学習手法で訓練されています

これは、英独語の段落再並べ替えタスクに適した言語間クロスエンコーダモデルで、MS Marcoの段落並べ替えタスクを基に訓練されています。

このモデルは、GoogleのmT5-baseをTyDi QAデータセットで微調整した多言語質問応答モデルで、101言語の質問応答タスクに対応しています。

これはsentence-transformersに基づく文埋め込みモデルで、テキストを768次元のベクトル表現に変換でき、意味的検索やテキスト類似度計算などのタスクに適しています。