Ruri Large V2

🚀 Ruri：日語通用文本嵌入模型

Ruri 是一款用於日語文本的嵌入模型，能夠提取文本特徵並計算句子相似度，在相關任務中表現出色。目前 v3 版本模型已發佈，性能更優。

🚀 快速開始

安裝依賴庫

首先需要安裝 Sentence Transformers 庫及其相關依賴：

pip install -U sentence-transformers fugashi sentencepiece unidic-lite

加載模型並進行推理

安裝完成後，你可以加載模型並進行推理：

import torch.nn.functional as F
from sentence_transformers import SentenceTransformer

# 從 🤗 Hub 下載模型
model = SentenceTransformer("cl-nagoya/ruri-large-v2")

# 別忘了在查詢文本前添加前綴 "クエリ: "，在段落文本前添加前綴 "文章: "
sentences = [
    "クエリ: 瑠璃色はどんな色？",
    "文章: 瑠璃色（るりいろ）は、紫みを帯びた濃い青。名は、半貴石の瑠璃（ラピスラズリ、英: lapis lazuli）による。JIS慣用色名では「こい紫みの青」（略號 dp-pB）と定義している[1][2]。",
    "クエリ: ワシやタカのように、鋭いくちばしと爪を持った大型の鳥類を総稱して「何類」というでしょう?",
    "文章: ワシ、タカ、ハゲワシ、ハヤブサ、コンドル、フクロウが代表的である。これらの猛禽類はリンネ前後の時代(17~18世紀)には鷲類・鷹類・隼類及び梟類に分類された。ちなみにリンネは狩りをする鳥を単一の目(もく)にまとめ、vultur(コンドル、ハゲワシ)、falco(ワシ、タカ、ハヤブサなど)、strix(フクロウ)、lanius(モズ)の4屬を含めている。",
]

embeddings = model.encode(sentences, convert_to_tensor=True)
print(embeddings.size())
# [4, 1024]

similarities = F.cosine_similarity(embeddings.unsqueeze(0), embeddings.unsqueeze(1), dim=2)
print(similarities)
# [[1.0000, 0.9525, 0.6462, 0.6736],
#  [0.9525, 1.0000, 0.6442, 0.6690],
#  [0.6462, 0.6442, 1.0000, 0.9046],
#  [0.6736, 0.6690, 0.9046, 1.0000]]

✨ 主要特性

• 多版本可選：提供了不同參數規模的 v3 版本模型，如 cl-nagoya/ruri-v3-30m、cl-nagoya/ruri-v3-70m 等，可根據需求選擇。
• 性能優異：在 JMTEB 基準測試中，Ruri-Large v2 模型取得了 74.55 的平均成績，在多個指標上表現出色。

📦 安裝指南

安裝 Sentence Transformers 庫及其相關依賴：

pip install -U sentence-transformers fugashi sentencepiece unidic-lite

💻 使用示例

基礎用法

import torch.nn.functional as F
from sentence_transformers import SentenceTransformer

# 從 🤗 Hub 下載模型
model = SentenceTransformer("cl-nagoya/ruri-large-v2")

# 別忘了在查詢文本前添加前綴 "クエリ: "，在段落文本前添加前綴 "文章: "
sentences = [
    "クエリ: 瑠璃色はどんな色？",
    "文章: 瑠璃色（るりいろ）は、紫みを帯びた濃い青。名は、半貴石の瑠璃（ラピスラズリ、英: lapis lazuli）による。JIS慣用色名では「こい紫みの青」（略號 dp-pB）と定義している[1][2]。",
    "クエリ: ワシやタカのように、鋭いくちばしと爪を持った大型の鳥類を総稱して「何類」というでしょう?",
    "文章: ワシ、タカ、ハゲワシ、ハヤブサ、コンドル、フクロウが代表的である。これらの猛禽類はリンネ前後の時代(17~18世紀)には鷲類・鷹類・隼類及び梟類に分類された。ちなみにリンネは狩りをする鳥を単一の目(もく)にまとめ、vultur(コンドル、ハゲワシ)、falco(ワシ、タカ、ハヤブサなど)、strix(フクロウ)、lanius(モズ)の4屬を含めている。",
]

embeddings = model.encode(sentences, convert_to_tensor=True)
print(embeddings.size())
# [4, 1024]

similarities = F.cosine_similarity(embeddings.unsqueeze(0), embeddings.unsqueeze(1), dim=2)
print(similarities)
# [[1.0000, 0.9525, 0.6462, 0.6736],
#  [0.9525, 1.0000, 0.6442, 0.6690],
#  [0.6462, 0.6442, 1.0000, 0.9046],
#  [0.6736, 0.6690, 0.9046, 1.0000]]

📚 詳細文檔

JMTEB 基準測試

使用 JMTEB 進行評估，以下是部分模型的測試結果：

🔧 技術細節

模型描述

完整模型架構

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 1024, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
)

框架版本

• Python: 3.10.13
• Sentence Transformers: 3.0.0
• Transformers: 4.41.2
• PyTorch: 2.3.1+cu118
• Accelerate: 0.30.1
• Datasets: 2.19.1
• Tokenizers: 0.19.1

📄 許可證

本模型根據 Apache 許可證 2.0 版 發佈。

引用

@misc{
  Ruri,
  title={{Ruri: Japanese General Text Embeddings}}, 
  author={Hayato Tsukagoshi and Ryohei Sasano},
  year={2024},
  eprint={2409.07737},
  archivePrefix={arXiv},
  primaryClass={cs.CL},
  url={https://arxiv.org/abs/2409.07737}, 
}