Gte Qwen1.5 7B Instruct
G
Gte Qwen1.5 7B Instruct
由Alibaba-NLP開發
基於Qwen1.5架構的7B參數規模句子嵌入模型,專注於句子相似度計算和多任務評估
下載量 253
發布時間 : 4/20/2024
模型概述
該模型是一個基於Qwen1.5架構的句子嵌入模型,主要用於句子相似度計算和多種自然語言處理任務評估。它在MTEB基準測試中表現出色,支持多種分類、聚類和檢索任務。
模型特點
多任務評估能力
在MTEB基準測試中表現優異,支持分類、聚類、檢索等多種任務
高性能句子嵌入
能夠生成高質量的句子嵌入表示,適用於相似度計算
大規模參數
7B參數規模提供強大的語義理解能力
模型能力
句子相似度計算
文本分類
文本聚類
信息檢索
問答系統支持
語義搜索
使用案例
電子商務
產品評論分類
對亞馬遜產品評論進行情感極性分類
準確率96.7%,F1分數96.69%
反事實評論檢測
識別亞馬遜平臺上的反事實評論
準確率83.16%,F1分數77.53%
學術研究
論文聚類
對arXiv和biorxiv論文進行主題聚類
V-measure分別達到56.4和51.45
問答系統
重複問題識別
在AskUbuntu論壇中識別重複問題
平均精度66.0%,平均倒數排名78.95
🚀 gte-Qwen1.5-7B-instruct
gte-Qwen1.5-7B-instruct 是 gte 嵌入模型家族的最新成員。該模型基於 Qwen1.5-7B 大語言模型開發,充分借鑑了 Qwen1.5-7B 模型強大的自然語言處理能力。通過我們先進的嵌入訓練技術進行優化,該模型具備了以下關鍵改進:
- 集成雙向注意力機制,增強上下文理解能力。
- 僅在查詢端進行指令微調,提高效率。
- 在涵蓋不同領域和場景的大規模多語言文本語料庫上進行全面訓練。這種訓練結合了弱監督和監督數據,確保模型適用於多種語言和眾多下游任務。
我們還推出了 gte-base-en-v1.5 和 gte-large-en-v1.5,這兩款英語嵌入模型在 MTEB 基準測試中,於相同模型規模類別下取得了最優成績,並且支持最長達 8192 的上下文長度。
✨ 主要特性
- 強大的上下文理解:通過雙向注意力機制,模型能夠更深入地理解文本的上下文信息,從而提供更準確的嵌入表示。
- 高效的指令微調:僅在查詢端進行指令微調,避免了不必要的計算開銷,提高了模型的運行效率。
- 多語言支持:在大規模多語言語料庫上進行訓練,使得模型能夠處理多種語言的文本,適用於全球範圍內的應用場景。
- 廣泛的下游任務適用性:經過全面的訓練,模型能夠在多種下游任務中表現出色,如文本分類、檢索、聚類等。
📦 安裝指南
運行該模型需要安裝以下庫:
transformers>=4.39.2
flash_attn>=2.5.6
💻 使用示例
Sentence Transformers
from sentence_transformers import SentenceTransformer
model = SentenceTransformer("Alibaba-NLP/gte-Qwen1.5-7B-instruct", trust_remote_code=True)
# 如果你想減少最大長度:
model.max_seq_length = 8192
queries = [
"how much protein should a female eat",
"summit define",
]
documents = [
"As a general guideline, the CDC's average requirement of protein for women ages 19 to 70 is 46 grams per day. But, as you can see from this chart, you'll need to increase that if you're expecting or training for a marathon. Check out the chart below to see how much protein you should be eating each day.",
"Definition of summit for English Language Learners. : 1 the highest point of a mountain : the top of a mountain. : 2 the highest level. : 3 a meeting or series of meetings between the leaders of two or more governments.",
]
query_embeddings = model.encode(queries, prompt_name="query")
document_embeddings = model.encode(documents)
scores = (query_embeddings @ document_embeddings.T) * 100
print(scores.tolist())
# [[70.00668334960938, 8.184843063354492], [14.62419319152832, 77.71407318115234]]
你可以查看 config_sentence_transformers.json 瞭解所有預定義的提示名稱。此外,你也可以使用 model.encode(queries, prompt="Instruct: ...\nQuery: "
來使用自定義提示。
Transformers
import torch
import torch.nn.functional as F
from torch import Tensor
from transformers import AutoTokenizer, AutoModel
def last_token_pool(last_hidden_states: Tensor,
attention_mask: Tensor) -> Tensor:
left_padding = (attention_mask[:, -1].sum() == attention_mask.shape[0])
if left_padding:
return last_hidden_states[:, -1]
else:
sequence_lengths = attention_mask.sum(dim=1) - 1
batch_size = last_hidden_states.shape[0]
return last_hidden_states[torch.arange(batch_size, device=last_hidden_states.device), sequence_lengths]
def get_detailed_instruct(task_description: str, query: str) -> str:
return f'Instruct: {task_description}\nQuery: {query}'
# 每個查詢都必須附帶一個描述任務的單句指令
task = 'Given a web search query, retrieve relevant passages that answer the query'
queries = [
get_detailed_instruct(task, 'how much protein should a female eat'),
get_detailed_instruct(task, 'summit define')
]
# 檢索文檔無需添加指令
documents = [
"As a general guideline, the CDC's average requirement of protein for women ages 19 to 70 is 46 grams per day. But, as you can see from this chart, you'll need to increase that if you're expecting or training for a marathon. Check out the chart below to see how much protein you should be eating each day.",
"Definition of summit for English Language Learners. : 1 the highest point of a mountain : the top of a mountain. : 2 the highest level. : 3 a meeting or series of meetings between the leaders of two or more governments."
]
input_texts = queries + documents
tokenizer = AutoTokenizer.from_pretrained('Alibaba-NLP/gte-Qwen1.5-7B-instruct', trust_remote_code=True)
model = AutoModel.from_pretrained('Alibaba-NLP/gte-Qwen1.5-7B-instruct', trust_remote_code=True)
max_length = 8192
# 對輸入文本進行分詞
batch_dict = tokenizer(input_texts, max_length=max_length, padding=True, truncation=True, return_tensors='pt')
outputs = model(**batch_dict)
embeddings = last_token_pool(outputs.last_hidden_state, batch_dict['attention_mask'])
# 對嵌入進行歸一化處理
embeddings = F.normalize(embeddings, p=2, dim=1)
scores = (embeddings[:2] @ embeddings[2:].T) * 100
print(scores.tolist())
# [[70.00666809082031, 8.184867858886719], [14.62420654296875, 77.71405792236328]]
📚 詳細文檔
模型信息
屬性 | 詳情 |
---|---|
模型規模 | 7B |
嵌入維度 | 4096 |
最大輸入令牌數 | 32k |
評估
MTEB & C-MTEB
你可以使用 scripts/eval_mteb.py 腳本來複現 gte-Qwen1.5-7B-instruct 模型在 MTEB(英語)/C-MTEB(中文)上的以下評估結果:
模型名稱 | MTEB(56) | C-MTEB(35) |
---|---|---|
bge-base-en-1.5 | 64.23 | - |
bge-large-en-1.5 | 63.55 | - |
gte-large-en-v1.5 | 65.39 | - |
gte-base-en-v1.5 | 64.11 | - |
mxbai-embed-large-v1 | 64.68 | - |
acge_text_embedding | - | 69.07 |
stella-mrl-large-zh-v3.5-1792d | - | 68.55 |
gte-large-zh | - | 66.72 |
multilingual-e5-base | 59.45 | 56.21 |
multilingual-e5-large | 61.50 | 58.81 |
e5-mistral-7b-instruct | 66.63 | 60.81 |
gte-Qwen1.5-7B-instruct | 67.34 | 69.52 |
📄 許可證
本項目採用 Apache 2.0 許可證。
📖 引用
如果你覺得我們的論文或模型有幫助,請考慮引用以下文獻:
@article{li2023towards,
title={Towards general text embeddings with multi-stage contrastive learning},
author={Li, Zehan and Zhang, Xin and Zhang, Yanzhao and Long, Dingkun and Xie, Pengjun and Zhang, Meishan},
journal={arXiv preprint arXiv:2308.03281},
year={2023}
}
Jina Embeddings V3
Jina Embeddings V3 是一個多語言句子嵌入模型,支持超過100種語言,專注於句子相似度和特徵提取任務。
文本嵌入
Transformers 支持多種語言

J
jinaai
3.7M
911
Ms Marco MiniLM L6 V2
Apache-2.0
基於MS Marco段落排序任務訓練的交叉編碼器模型,用於信息檢索中的查詢-段落相關性評分
文本嵌入 英語
M
cross-encoder
2.5M
86
Opensearch Neural Sparse Encoding Doc V2 Distill
Apache-2.0
基於蒸餾技術的稀疏檢索模型,專為OpenSearch優化,支持免推理文檔編碼,在搜索相關性和效率上優於V1版本
文本嵌入
Transformers 英語

O
opensearch-project
1.8M
7
Sapbert From PubMedBERT Fulltext
Apache-2.0
基於PubMedBERT的生物醫學實體表徵模型,通過自對齊預訓練優化語義關係捕捉
文本嵌入 英語
S
cambridgeltl
1.7M
49
Gte Large
MIT
GTE-Large 是一個強大的句子轉換器模型,專注於句子相似度和文本嵌入任務,在多個基準測試中表現出色。
文本嵌入 英語
G
thenlper
1.5M
278
Gte Base En V1.5
Apache-2.0
GTE-base-en-v1.5 是一個英文句子轉換器模型,專注於句子相似度任務,在多個文本嵌入基準測試中表現優異。
文本嵌入
Transformers 支持多種語言

G
Alibaba-NLP
1.5M
63
Gte Multilingual Base
Apache-2.0
GTE Multilingual Base 是一個多語言的句子嵌入模型,支持超過50種語言,適用於句子相似度計算等任務。
文本嵌入
Transformers 支持多種語言

G
Alibaba-NLP
1.2M
246
Polybert
polyBERT是一個化學語言模型,旨在實現完全由機器驅動的超快聚合物信息學。它將PSMILES字符串映射為600維密集指紋,以數值形式表示聚合物化學結構。
文本嵌入
Transformers

P
kuelumbus
1.0M
5
Bert Base Turkish Cased Mean Nli Stsb Tr
Apache-2.0
基於土耳其語BERT的句子嵌入模型,專為語義相似度任務優化
文本嵌入
Transformers 其他

B
emrecan
1.0M
40
GIST Small Embedding V0
MIT
基於BAAI/bge-small-en-v1.5模型微調的文本嵌入模型,通過MEDI數據集與MTEB分類任務數據集訓練,優化了檢索任務的查詢編碼能力。
文本嵌入
Safetensors 英語
G
avsolatorio
945.68k
29
精選推薦AI模型
Llama 3 Typhoon V1.5x 8b Instruct
專為泰語設計的80億參數指令模型,性能媲美GPT-3.5-turbo,優化了應用場景、檢索增強生成、受限生成和推理任務
大型語言模型
Transformers 支持多種語言

L
scb10x
3,269
16
Cadet Tiny
Openrail
Cadet-Tiny是一個基於SODA數據集訓練的超小型對話模型,專為邊緣設備推理設計,體積僅為Cosmo-3B模型的2%左右。
對話系統
Transformers 英語

C
ToddGoldfarb
2,691
6
Roberta Base Chinese Extractive Qa
基於RoBERTa架構的中文抽取式問答模型,適用於從給定文本中提取答案的任務。
問答系統 中文
R
uer
2,694
98