Mmlw Retrieval E5 Base

🚀 MMLW-retrieval-e5-base

MMLW（必須有更好的消息）是用於波蘭語的神經文本編碼器。該模型針對信息檢索任務進行了優化，能夠將查詢和段落轉換為768維的向量。

🚀 快速開始

MMLW是專為波蘭語設計的神經文本編碼器，此模型在信息檢索任務中表現出色，可將查詢和段落轉化為768維向量。

✨ 主要特性

• 針對信息檢索任務進行了優化。
• 能將查詢和段落轉換為768維向量。
• 採用兩步訓練流程，結合多語言知識蒸餾方法和對比損失微調。

📦 安裝指南

暫未提供相關安裝步驟。

💻 使用示例

基礎用法

from sentence_transformers import SentenceTransformer
from sentence_transformers.util import cos_sim

query_prefix = "query: "
answer_prefix = "passage: "
queries = [query_prefix + "Jak dożyć 100 lat?"]
answers = [
    answer_prefix + "Trzeba zdrowo się odżywiać i uprawiać sport.",
    answer_prefix + "Trzeba pić alkohol, imprezować i jeździć szybkimi autami.",
    answer_prefix + "Gdy trwała kampania politycy zapewniali, że rozprawią się z zakazem niedzielnego handlu."
]
model = SentenceTransformer("sdadas/mmlw-retrieval-e5-base")
queries_emb = model.encode(queries, convert_to_tensor=True, show_progress_bar=False)
answers_emb = model.encode(answers, convert_to_tensor=True, show_progress_bar=False)

best_answer = cos_sim(queries_emb, answers_emb).argmax().item()
print(answers[best_answer])
# Trzeba zdrowo się odżywiać i uprawiać sport.

高級用法

暫未提供相關高級用法示例。

📚 詳細文檔

模型訓練過程

該模型的開發採用了兩步流程：

• 第一步，使用多語言E5檢查點進行初始化，然後在包含6000萬對波蘭語 - 英語文本的多樣化語料庫上，使用多語言知識蒸餾方法進行訓練。我們使用英語FlagEmbeddings (BGE)作為蒸餾的教師模型。
• 第二步，在波蘭語MS MARCO訓練分割集上，使用對比損失對得到的模型進行微調。為了提高對比訓練的效率，我們使用了較大的批量大小 - 小型模型為1152，基礎模型為768，大型模型為288。微調在由12個A100 GPU組成的集群上進行。

評估結果

該模型在波蘭語信息檢索基準測試中達到了NDCG@10為56.09的成績。詳細結果請參閱PIRB排行榜。

致謝

該模型的訓練得到了格但斯克工業大學在TASK中心倡議下提供的A100 GPU集群的支持。

引用

@article{dadas2024pirb,
  title={{PIRB}: A Comprehensive Benchmark of Polish Dense and Hybrid Text Retrieval Methods}, 
  author={Sławomir Dadas and Michał Perełkiewicz and Rafał Poświata},
  year={2024},
  eprint={2402.13350},
  archivePrefix={arXiv},
  primaryClass={cs.CL}
}

🔧 技術細節

該模型是針對波蘭語的信息檢索任務進行優化的神經文本編碼器。它通過兩步訓練過程得到：首先基於多語言E5檢查點初始化，並利用多語言知識蒸餾方法在大規模的波蘭語 - 英語文本對上進行訓練；然後在波蘭語MS MARCO數據集上使用對比損失進行微調。模型最終能夠將查詢和段落轉換為768維的向量，以用於信息檢索任務。

📄 許可證

本模型採用Apache 2.0許可證。

⚠️ 重要提示

2023 - 12 - 26：我們已將模型更新到新版本，結果有所改進。你仍然可以使用 v1 標籤下載之前的版本：AutoModel.from_pretrained("sdadas/mmlw-retrieval-e5-base", revision="v1")

⚠️ 重要提示

我們的密集檢索器在編碼文本時需要使用特定的前綴和後綴。對於此模型，查詢應加上 "query: " 前綴，段落應加上 "passage: " 前綴。