FRIDA
模型概述
FRIDA 是一個多功能模型,適用於多種自然語言處理任務,如文本分類、情感分析、聚類和重新排序。
模型特點
多任務支持
支持多種自然語言處理任務,包括分類、聚類和重新排序。
高性能
在多個數據集上表現出色,尤其是在標題分類和不當內容分類任務中。
多語言支持
主要支持俄語,但在多語言任務中也有一定表現。
模型能力
文本分類
情感分析
聚類
重新排序
多標籤分類
使用案例
內容審核
不當內容檢測
用於檢測和分類不當內容,如仇恨言論或不良信息。
準確率78.33%,F1分數78.20%
情感分析
電影評論情感分類
用於分析電影評論的情感傾向。
準確率70.47%,F1分數65.84%
信息檢索
MIRACL重新排序
用於信息檢索中的文檔重新排序任務。
NDCG@10 66.04%,MAP@10 60.21%
🚀 FRIDA模型
FRIDA是一個基於T5去噪架構的全量微調通用文本嵌入模型。該模型基於FRED-T5模型的編碼器部分,延續了文本嵌入模型的研究(ruMTEB,ru-en-RoSBERTa)。它在俄英雙語數據集上進行了預訓練,並針對目標任務進行了微調,以提升性能。
如需瞭解更多模型細節,請參考我們的技術報告[TODO]。
🚀 快速開始
FRIDA模型可以直接使用前綴進行文本處理。建議使用CLS池化方法,前綴和池化方法的選擇取決於具體任務。
我們使用以下基本規則來選擇前綴:
"search_query: "
和"search_document: "
前綴用於答案或相關段落檢索。"paraphrase: "
前綴用於對稱釋義相關任務(如語義文本相似度任務、釋義挖掘、去重)。"categorize: "
前綴用於文檔標題和正文的非對稱匹配(如新聞、科研論文、社交媒體帖子)。"categorize_sentiment: "
前綴用於依賴情感特徵的任務(如仇恨言論、毒性檢測、情感分析)。"categorize_topic: "
前綴用於按主題對文本進行分組的任務。"categorize_entailment: "
前綴用於文本蘊含任務(自然語言推理)。
為了更好地滿足您的需求,您可以使用相關的高質量俄英數據集對模型進行微調。
💻 使用示例
基礎用法
以下是使用Transformers和SentenceTransformers庫進行文本編碼的示例。
Transformers庫示例
import torch
import torch.nn.functional as F
from transformers import AutoTokenizer, T5EncoderModel
def pool(hidden_state, mask, pooling_method="cls"):
if pooling_method == "mean":
s = torch.sum(hidden_state * mask.unsqueeze(-1).float(), dim=1)
d = mask.sum(axis=1, keepdim=True).float()
return s / d
elif pooling_method == "cls":
return hidden_state[:, 0]
inputs = [
#
"paraphrase: В Ярославской области разрешили работу бань, но без посетителей",
"categorize_entailment: Женщину доставили в больницу, за ее жизнь сейчас борются врачи.",
"search_query: Сколько программистов нужно, чтобы вкрутить лампочку?",
#
"paraphrase: Ярославским баням разрешили работать без посетителей",
"categorize_entailment: Женщину спасают врачи.",
"search_document: Чтобы вкрутить лампочку, требуется три программиста: один напишет программу извлечения лампочки, другой — вкручивания лампочки, а третий проведет тестирование."
]
tokenizer = AutoTokenizer.from_pretrained("ai-forever/FRIDA")
model = T5EncoderModel.from_pretrained("ai-forever/FRIDA")
tokenized_inputs = tokenizer(inputs, max_length=512, padding=True, truncation=True, return_tensors="pt")
with torch.no_grad():
outputs = model(**tokenized_inputs)
embeddings = pool(
outputs.last_hidden_state,
tokenized_inputs["attention_mask"],
pooling_method="cls" # or try "mean"
)
embeddings = F.normalize(embeddings, p=2, dim=1)
sim_scores = embeddings[:3] @ embeddings[3:].T
print(sim_scores.diag().tolist())
# [0.9360030293464661, 0.8591322302818298, 0.728583037853241]
SentenceTransformers庫示例
from sentence_transformers import SentenceTransformer
inputs = [
#
"paraphrase: В Ярославской области разрешили работу бань, но без посетителей",
"categorize_entailment: Женщину доставили в больницу, за ее жизнь сейчас борются врачи.",
"search_query: Сколько программистов нужно, чтобы вкрутить лампочку?",
#
"paraphrase: Ярославским баням разрешили работать без посетителей",
"categorize_entailment: Женщину спасают врачи.",
"search_document: Чтобы вкрутить лампочку, требуется три программиста: один напишет программу извлечения лампочки, другой — вкручивания лампочки, а третий проведет тестирование."
]
# loads model with CLS pooling
model = SentenceTransformer("ai-forever/FRIDA")
# embeddings are normalized by default
embeddings = model.encode(inputs, convert_to_tensor=True)
sim_scores = embeddings[:3] @ embeddings[3:].T
print(sim_scores.diag().tolist())
# [0.9360026717185974, 0.8591331243515015, 0.7285830974578857]
高級用法
使用提示(sentence-transformers>=2.4.0):
from sentence_transformers import SentenceTransformer
# loads model with CLS pooling
model = SentenceTransformer("ai-forever/FRIDA")
paraphrase = model.encode(["В Ярославской области разрешили работу бань, но без посетителей", "Ярославским баням разрешили работать без посетителей"], prompt_name="paraphrase")
print(paraphrase[0] @ paraphrase[1].T) # 0.9360032
categorize_entailment = model.encode(["Женщину доставили в больницу, за ее жизнь сейчас борются врачи.", "Женщину спасают врачи."], prompt_name="categorize_entailment")
print(categorize_entailment[0] @ categorize_entailment[1].T) # 0.8591322
query_embedding = model.encode("Сколько программистов нужно, чтобы вкрутить лампочку?", prompt_name="search_query")
document_embedding = model.encode("Чтобы вкрутить лампочку, требуется три программиста: один напишет программу извлечения лампочки, другой — вкручивания лампочки, а третий проведет тестирование.", prompt_name="search_document")
print(query_embedding @ document_embedding.T) # 0.7285831
🔧 技術細節
FRIDA模型是一個基於T5去噪架構的全量微調通用文本嵌入模型。它基於FRED-T5模型的編碼器部分構建,並在俄英雙語數據集上進行了預訓練。在微調階段,模型針對不同的自然語言處理任務進行了優化,以提升性能。
模型使用了不同的前綴來適應各種任務,同時建議使用CLS池化方法。前綴和池化方法的選擇會影響模型在特定任務上的表現。
📄 許可證
本模型採用MIT許可證。
👥 作者
- SaluteDevices面向B2C的人工智能研發團隊。
- Artem Snegirev:HF個人主頁,Github;
- Anna Maksimova:HF個人主頁;
- Aleksandr Abramov:HF個人主頁,Github,Kaggle競賽大師
📚 引用
@misc{TODO
}
⚠️ 重要提示
⚠️ 重要提示
該模型主要設計用於處理俄語文本,其在英語文本上的處理質量未知。此外,模型的最大輸入文本長度限制為512個詞元。

模型指標詳情
屬性 | 詳情 |
---|---|
模型類型 | 基於T5去噪架構的全量微調通用文本嵌入模型 |
訓練數據 | 俄英雙語數據集 |
基礎模型 | ai-forever/FRED-T5-1.7B |
任務類型 | 特徵提取 |
標籤 | mteb、transformers、sentence-transformers |
支持語言 | 俄語、英語 |
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