Ruri V3 70m

🚀 Ruri：日語通用文本嵌入模型

Ruri v3 是一個基於 ModernBERT-Ja 構建的通用日語文本嵌入模型。它在日語文本嵌入任務中具有顯著的技術優勢，能夠高效處理長文本，為自然語言處理領域提供了強大的支持。

✨ 主要特性

• 卓越性能：在日語文本嵌入任務中表現出色，達到了當前的先進水平。
• 長序列支持：支持最長達 8192 個標記的序列長度，相比之前版本（v1、v2）的 512 個標記有了顯著提升。
• 擴展詞彙表：詞彙表擴展到 100K 個標記，而 v1 和 v2 僅為 32K。更大的詞彙表使輸入序列更短，提高了效率。
• 集成 FlashAttention：採用 ModernBERT 架構，集成了 FlashAttention，實現了更快的推理和微調。
• 單一分詞器：僅使用 SentencePiece 作為分詞器，無需外部分詞工具，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。

📦 安裝指南

你可以使用 transformers 庫 v4.48.0 或更高版本直接使用我們的模型：

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 Flash Attention 2 運行模型：

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

💻 使用示例

基礎用法

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-v3-70m", device=device)

# Ruri 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）用於編碼語義信息。
# "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, 384]

similarities = F.cosine_similarity(embeddings.unsqueeze(0), embeddings.unsqueeze(1), dim=2)
print(similarities)
# [[1.0000, 0.9555, 0.8430, 0.6772, 0.7077],
#  [0.9555, 1.0000, 0.8333, 0.6636, 0.6971],
#  [0.8430, 0.8333, 1.0000, 0.8554, 0.8639],
#  [0.6772, 0.6636, 0.8554, 1.0000, 0.9500],
#  [0.7077, 0.6971, 0.8639, 0.9500, 1.0000]]

📚 詳細文檔

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

使用 JMTEB 進行評估：

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': 384, '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})
)

🔧 技術細節

Ruri v3 在日語文本嵌入任務中展現了卓越的性能，主要得益於其先進的架構和技術創新。它基於 ModernBERT-Ja 構建，集成了 FlashAttention 技術，實現了更快的推理和微調。同時，擴展的詞彙表和對長序列的支持，使得模型在處理複雜的日語文本時更加高效和準確。

📄 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}, 
}