Snowflake Arctic Embed M V2.0

🚀 Snowflake的Arctic-embed-m-v2.0

Snowflake的Arctic-embed-m-v2.0是一款專為多語言工作負載設計的嵌入模型，在檢索性能和推理效率方面進行了優化。它能在不犧牲英語性能的前提下，實現高質量的多語言文本檢索，適用於需要大規模、可靠的企業級多語言搜索和檢索的應用場景。

🚀 快速開始

使用Sentence Transformers

from sentence_transformers import SentenceTransformer

# 加載模型
model_name = 'Snowflake/snowflake-arctic-embed-m-v2.0'
model = SentenceTransformer(model_name, trust_remote_code=True)

# 定義查詢和文檔
queries = ['what is snowflake?', 'Where can I get the best tacos?']
documents = ['The Data Cloud!', 'Mexico City of Course!']

# 計算嵌入向量：使用 `prompt_name="query"` 對查詢進行編碼！
query_embeddings = model.encode(queries, prompt_name="query") 
document_embeddings = model.encode(documents)

# 計算餘弦相似度得分
scores = model.similarity(query_embeddings, document_embeddings)

# 輸出結果
for query, query_scores in zip(queries, scores):
    doc_score_pairs = list(zip(documents, query_scores))
    doc_score_pairs = sorted(doc_score_pairs, key=lambda x: x[1], reverse=True)
    print("Query:", query)
    for document, score in doc_score_pairs:
        print(score, document)

使用Huggingface Transformers

import torch
from transformers import AutoModel, AutoTokenizer

model_name = 'Snowflake/snowflake-arctic-embed-m-v2.0'
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModel.from_pretrained(model_name, add_pooling_layer=False, trust_remote_code=True)
model.eval()

query_prefix = 'query: '
queries  = ['what is snowflake?', 'Where can I get the best tacos?']
queries_with_prefix = ["{}{}".format(query_prefix, i) for i in queries]
query_tokens = tokenizer(queries_with_prefix, padding=True, truncation=True, return_tensors='pt', max_length=8192)

documents = ['The Data Cloud!', 'Mexico City of Course!']
document_tokens =  tokenizer(documents, padding=True, truncation=True, return_tensors='pt', max_length=8192)

# 計算令牌嵌入向量
with torch.no_grad():
    query_embeddings = model(**query_tokens)[0][:, 0]
    document_embeddings = model(**document_tokens)[0][:, 0]

# 歸一化嵌入向量
query_embeddings = torch.nn.functional.normalize(query_embeddings, p=2, dim=1)
document_embeddings = torch.nn.functional.normalize(document_embeddings, p=2, dim=1)

scores = torch.mm(query_embeddings, document_embeddings.transpose(0, 1))
for query, query_scores in zip(queries, scores):
    doc_score_pairs = list(zip(documents, query_scores))
    doc_score_pairs = sorted(doc_score_pairs, key=lambda x: x[1], reverse=True)
    # 輸出段落和得分
    print("Query:", query)
    for document, score in doc_score_pairs:
        print(score, document)

使用Huggingface Transformers.js

npm i @huggingface/transformers

import { pipeline, dot } from '@huggingface/transformers';

// 創建特徵提取管道
const extractor = await pipeline('feature-extraction', 'Snowflake/snowflake-arctic-embed-m-v2.0');

// 生成句子嵌入向量
const sentences = [
    'query: what is snowflake?',
    'The Data Cloud!',
    'Mexico City of Course!',
]
const output = await extractor(sentences, { normalize: true, pooling: 'cls' });

// 計算相似度得分
const [source_embeddings, ...document_embeddings ] = output.tolist();
const similarities = document_embeddings.map(x => dot(source_embeddings, x));
console.log(similarities); // [0.32719788157046004, 0.06960141111667434]

✨ 主要特性

1. 多語言無妥協：在英語和非英語檢索任務中均表現出色，在MTEB Retrieval、CLEF和MIRACL等基準測試中超越了許多領先的開源和專有模型。
2. 推理高效：擁有1.13億非嵌入參數，推理速度快，適用於任何規模的應用。
3. 壓縮友好：通過Matryoshka Representation Learning (MRL)和量化感知嵌入訓練，即使嵌入向量低至128字節/向量，仍能實現高質量的檢索。請注意，與v1.5模型類似，此模型的MRL為256維，通過4位量化（例如使用pq256x4fs快速掃描FAISS索引或使用與1.5模型一起發佈的示例代碼）可實現高質量的128字節壓縮。
4. 長上下文支持：基於GTE-multilingual-base構建，通過RoPE可支持長達8192的上下文窗口。

📦 質量基準

與大多數其他開源模型不同，Arctic-embed-m-v2.0在英語（通過MTEB Retrieval）和多語言（通過MIRACL和CLEF）任務中均表現出色。以下是各模型在不同數據集上的平均NDCG@10數據：

此外，Arctic-embed-m-v2.0的嵌入向量易於壓縮。通過MRL進行向量截斷可將向量大小縮小3倍，同時質量損失約3%。結合MRL向量和向量壓縮（Int4），可實現每個文檔128字節的檢索。

📄 許可證

Arctic採用Apache-2許可證。發佈的模型可免費用於商業用途。

📞 聯繫我們

如果您對本項目有任何疑問或建議，請隨時打開一個issue或提交pull request。您也可以通過電子郵件聯繫Daniel Campos（daniel.campos@snowflake.com）。