Ruri V3 30m

🚀 瑠璃（Ruri）：日語通用文本嵌入模型

瑠璃（Ruri） 是基於 ModernBERT-Ja 構建的通用日語文本嵌入模型。它能將日語文本轉換為向量表示，在語義搜索、文本分類、聚類等自然語言處理任務中表現出色。

🚀 快速開始

安裝依賴

你可以使用 transformers 庫（版本 4.48.0 或更高）直接調用我們的模型：

pip install -U "transformers>=4.48.0" sentence-transformers

此外，如果你的 GPU 支持 Flash Attention 2，我們建議使用它來加速推理和微調：

pip install flash-attn --no-build-isolation

加載模型並運行推理

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

# 從 🤗 Hub 下載模型
device = "cuda" if torch.cuda.is_available() else "cpu"
model = SentenceTransformer("cl-nagoya/ruri-v3-30m", device=device)

# 瑠璃 v3 採用 1+3 前綴方案來區分不同類型的文本輸入：
# ""（空字符串）用於編碼語義含義。
# "トピック: " 用於分類、聚類和編碼主題信息。
# "検索クエリ: " 用於檢索任務中的查詢。
# "検索文書: " 用於待檢索的文檔。
sentences = [
    "川べりでサーフボードを持った人たちがいます",
    "サーファーたちが川べりに立っています",
    "トピック: 瑠璃色のサーファー",
    "検索クエリ: 瑠璃色はどんな色？",
    "検索文書: 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]。",
]

embeddings = model.encode(sentences, convert_to_tensor=True)
print(embeddings.size())
# [5, 256]

similarities = F.cosine_similarity(embeddings.unsqueeze(0), embeddings.unsqueeze(1), dim=2)
print(similarities)
# [[1.0000, 0.9540, 0.8512, 0.7322, 0.7274],
#  [0.9540, 1.0000, 0.8531, 0.7437, 0.7305],
#  [0.8512, 0.8531, 1.0000, 0.8910, 0.8649],
#  [0.7322, 0.7437, 0.8910, 1.0000, 0.9479],
#  [0.7274, 0.7305, 0.8649, 0.9479, 1.0000]]

✨ 主要特性

• 卓越性能：在日語文本嵌入任務中達到了最先進的水平。
• 長序列支持：支持長達 8192 個標記的序列長度，而之前的版本（v1、v2）僅支持 512 個標記。
• 擴展詞彙：詞彙量擴展到 100K 個標記，相比 v1 和 v2 的 32K 有了顯著提升。更大的詞彙量使輸入序列更短，提高了效率。
• 集成 FlashAttention：遵循 ModernBERT 的架構，集成了 FlashAttention，實現了更快的推理和微調。
• 簡化分詞器：僅基於 SentencePiece 進行分詞，與之前依賴特定日語 BERT 分詞器且需要預分詞輸入的版本不同，Ruri v3 僅使用 SentencePiece 進行分詞，無需外部分詞工具。

📦 模型系列

我們提供了多種尺寸的 Ruri-v3 模型。以下是每個模型的概要：

📚 基準測試

JMTEB 評估

使用 JMTEB 進行評估，以下是部分模型的評估結果：

🔧 模型詳情

模型描述

完整模型架構

SentenceTransformer(
  (0): Transformer({'max_seq_length': 8192, 'do_lower_case': False}) with Transformer model: ModernBertModel 
  (1): Pooling({'word_embedding_dimension': 256, '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})
)

📄 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}, 
}

📄 許可證

本模型根據 Apache 許可證 2.0 版 發佈。