Ru En RoSBERTa
模型概述
該模型是基於RoBERTa架構的雙語(俄語-英語)文本處理模型,在多種文本分類和檢索任務上表現良好,支持多標籤分類、聚類和重新排序等任務
模型特點
雙語支持
同時支持俄語和英語文本處理
多任務適應
在分類、聚類和重新排序等多種任務上表現良好
高效檢索
在MIRACL俄語檢索任務上表現出色
模型能力
文本分類
多標籤分類
文本聚類
信息檢索
文本重新排序
使用案例
內容分類
新聞標題分類
對新聞標題進行分類
在HeadlineClassification數據集上達到78%準確率
電影評論情感分析
分析電影評論的情感傾向
在KinopoiskClassification數據集上達到63.27%準確率
信息檢索
俄語文檔檢索
俄語文檔的檢索和重新排序
在MIRACL俄語檢索任務上NDCG@10達到56.912
🚀 ru-en-RoSBERTa
ru-en-RoSBERTa 是一個用於俄語的通用文本嵌入模型。該模型基於 ruRoBERTa,並使用約 400 萬對俄語和英語的有監督、合成和無監督數據進行了微調。分詞器支持 RoBERTa 分詞器中的一些英語標記。
如需瞭解更多模型詳情,請參考我們的 文章。
🚀 快速開始
該模型可以直接使用前綴。建議使用 CLS 池化。前綴和池化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。"classification: "
前綴用於對稱釋義相關任務(如 STS、NLI、Bitext Mining)。"clustering: "
前綴用於依賴主題特徵的任何任務(如主題分類、標題 - 正文檢索)。
為了更好地滿足您的需求,您可以使用相關的高質量俄語和英語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
import torch
import torch.nn.functional as F
from transformers import AutoTokenizer, AutoModel
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 = [
#
"classification: Он нам и <unk> не нужон ваш Интернет!",
"clustering: В Ярославской области разрешили работу бань, но без посетителей",
"search_query: Сколько программистов нужно, чтобы вкрутить лампочку?",
#
"classification: What a time to be alive!",
"clustering: Ярославским баням разрешили работать без посетителей",
"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/ru-en-RoSBERTa")
model = AutoModel.from_pretrained("ai-forever/ru-en-RoSBERTa")
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())
# [0.4796873927116394, 0.9409002065658569, 0.7761015892028809]
SentenceTransformers
from sentence_transformers import SentenceTransformer
inputs = [
#
"classification: Он нам и <unk> не нужон ваш Интернет!",
"clustering: В Ярославской области разрешили работу бань, но без посетителей",
"search_query: Сколько программистов нужно, чтобы вкрутить лампочку?",
#
"classification: What a time to be alive!",
"clustering: Ярославским баням разрешили работать без посетителей",
"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/ru-en-RoSBERTa")
# 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())
# [0.47968706488609314, 0.940900444984436, 0.7761018872261047]
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/ru-en-RoSBERTa")
classification = model.encode(["Он нам и <unk> не нужон ваш Интернет!", "What a time to be alive!"], prompt_name="classification")
print(classification[0] @ classification[1].T) # 0.47968706488609314
clustering = model.encode(["В Ярославской области разрешили работу бань, но без посетителей", "Ярославским баням разрешили работать без посетителей"], prompt_name="clustering")
print(clustering[0] @ clustering[1].T) # 0.940900444984436
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) # 0.7761018872261047
📚 詳細文檔
模型評估指標
數據集名稱 | 任務類型 | 主要指標 | 指標值 |
---|---|---|---|
MTEB CEDRClassification (default) | 多標籤分類 | 準確率 | 44.68650371944739 |
MTEB GeoreviewClassification (default) | 分類 | 準確率 | 49.697265625 |
MTEB GeoreviewClusteringP2P (default) | 聚類 | 主得分 | 65.42249614873316 |
MTEB HeadlineClassification (default) | 分類 | 準確率 | 78.0029296875 |
MTEB InappropriatenessClassification (default) | 分類 | 準確率 | 61.32324218750001 |
MTEB KinopoiskClassification (default) | 分類 | 準確率 | 63.27333333333334 |
MTEB MIRACLReranking (ru) | 重排序 | 主得分 | 56.912 |
MTEB MIRACLRetrieval (ru) | 檢索 | 主得分 | 53.909 |
MTEB MassiveIntentClassification (ru) | 分類 | 準確率 | 66.96704774714189 |
MTEB MassiveScenarioClassification (ru) | 分類 | 準確率 | 71.79556153328849 |
MTEB RUParaPhraserSTS (default) | STS | 主得分 | 76.16273410937974 |
MTEB RiaNewsRetrieval (default) | 檢索 | 主得分 | 78.864 |
MTEB RuBQReranking (default) | 重排序 | 主得分 | 70.8676293869892 |
MTEB RuBQRetrieval (default) | 檢索 | 主得分 | 66.77499999999999 |
MTEB RuReviewsClassification (default) | 分類 | 準確率 | 67.958984375 |
MTEB RuSTSBenchmarkSTS (default) | STS | 主得分 | 78.69157477180703 |
MTEB RuSciBenchGRNTIClassification (default) | 分類 | 準確率 | 59.326171875 |
MTEB RuSciBenchGRNTIClusteringP2P (default) | 聚類 | 主得分 | 55.46570753380975 |
MTEB RuSciBenchOECDClassification (default) | 分類 | 準確率 | 46.328125 |
MTEB RuSciBenchOECDClusteringP2P (default) | 聚類 | 主得分 | 47.28635342613908 |
MTEB STS22 (ru) | STS | 主得分 | 67.06445400504978 |
MTEB SensitiveTopicsClassification (default) | 多標籤分類 | 準確率 | 33.0712890625 |
MTEB TERRa (default) | 成對分類 | 主得分 | 60.78861909325018 |
📄 許可證
本項目採用 MIT 許可證。
📚 引用
如果您使用了該模型,請引用以下文獻:
@misc{snegirev2024russianfocusedembeddersexplorationrumteb,
title={The Russian-focused embedders' exploration: ruMTEB benchmark and Russian embedding model design},
author={Artem Snegirev and Maria Tikhonova and Anna Maksimova and Alena Fenogenova and Alexander Abramov},
year={2024},
eprint={2408.12503},
archivePrefix={arXiv},
primaryClass={cs.CL},
url={https://arxiv.org/abs/2408.12503},
}
🔧 技術細節
模型架構
ru-en-RoSBERTa 基於 ruRoBERTa 架構,並使用約 400 萬對俄語和英語的有監督、合成和無監督數據進行了微調。
輸入限制
該模型設計用於處理俄語文本,英語處理質量未知。最大輸入文本長度限制為 512 個標記。
⚠️ 重要提示
- 該模型設計用於處理俄語文本,英語處理質量未知。
- 最大輸入文本長度限制為 512 個標記。
💡 使用建議
- 為了更好地滿足您的需求,您可以使用相關的高質量俄語和英語數據集對模型進行微調。
- 建議使用 CLS 池化,但也可以嘗試均值池化。
- 前綴的選擇取決於具體任務,請根據任務類型選擇合適的前綴。
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