Gte Qwen1.5 7B Instruct
G
Gte Qwen1.5 7B Instruct
由 Alibaba-NLP 开发
基于Qwen1.5架构的7B参数规模句子嵌入模型,专注于句子相似度计算和多任务评估
下载量 253
发布时间 : 4/20/2024
模型简介
该模型是一个基于Qwen1.5架构的句子嵌入模型,主要用于句子相似度计算和多种自然语言处理任务评估。它在MTEB基准测试中表现出色,支持多种分类、聚类和检索任务。
模型特点
多任务评估能力
在MTEB基准测试中表现优异,支持分类、聚类、检索等多种任务
高性能句子嵌入
能够生成高质量的句子嵌入表示,适用于相似度计算
大规模参数
7B参数规模提供强大的语义理解能力
模型能力
句子相似度计算
文本分类
文本聚类
信息检索
问答系统支持
语义搜索
使用案例
电子商务
产品评论分类
对亚马逊产品评论进行情感极性分类
准确率96.7%,F1分数96.69%
反事实评论检测
识别亚马逊平台上的反事实评论
准确率83.16%,F1分数77.53%
学术研究
论文聚类
对arXiv和biorxiv论文进行主题聚类
V-measure分别达到56.4和51.45
问答系统
重复问题识别
在AskUbuntu论坛中识别重复问题
平均精度66.0%,平均倒数排名78.95
🚀 gte-Qwen1.5-7B-instruct
gte-Qwen1.5-7B-instruct 是 gte 嵌入模型家族的最新成员。该模型基于 Qwen1.5-7B 大语言模型开发,充分借鉴了 Qwen1.5-7B 模型强大的自然语言处理能力。通过我们先进的嵌入训练技术进行优化,该模型具备了以下关键改进:
- 集成双向注意力机制,增强上下文理解能力。
- 仅在查询端进行指令微调,提高效率。
- 在涵盖不同领域和场景的大规模多语言文本语料库上进行全面训练。这种训练结合了弱监督和监督数据,确保模型适用于多种语言和众多下游任务。
我们还推出了 gte-base-en-v1.5 和 gte-large-en-v1.5,这两款英语嵌入模型在 MTEB 基准测试中,于相同模型规模类别下取得了最优成绩,并且支持最长达 8192 的上下文长度。
✨ 主要特性
- 强大的上下文理解:通过双向注意力机制,模型能够更深入地理解文本的上下文信息,从而提供更准确的嵌入表示。
- 高效的指令微调:仅在查询端进行指令微调,避免了不必要的计算开销,提高了模型的运行效率。
- 多语言支持:在大规模多语言语料库上进行训练,使得模型能够处理多种语言的文本,适用于全球范围内的应用场景。
- 广泛的下游任务适用性:经过全面的训练,模型能够在多种下游任务中表现出色,如文本分类、检索、聚类等。
📦 安装指南
运行该模型需要安装以下库:
transformers>=4.39.2
flash_attn>=2.5.6
💻 使用示例
Sentence Transformers
from sentence_transformers import SentenceTransformer
model = SentenceTransformer("Alibaba-NLP/gte-Qwen1.5-7B-instruct", trust_remote_code=True)
# 如果你想减少最大长度:
model.max_seq_length = 8192
queries = [
"how much protein should a female eat",
"summit define",
]
documents = [
"As a general guideline, the CDC's average requirement of protein for women ages 19 to 70 is 46 grams per day. But, as you can see from this chart, you'll need to increase that if you're expecting or training for a marathon. Check out the chart below to see how much protein you should be eating each day.",
"Definition of summit for English Language Learners. : 1 the highest point of a mountain : the top of a mountain. : 2 the highest level. : 3 a meeting or series of meetings between the leaders of two or more governments.",
]
query_embeddings = model.encode(queries, prompt_name="query")
document_embeddings = model.encode(documents)
scores = (query_embeddings @ document_embeddings.T) * 100
print(scores.tolist())
# [[70.00668334960938, 8.184843063354492], [14.62419319152832, 77.71407318115234]]
你可以查看 config_sentence_transformers.json 了解所有预定义的提示名称。此外,你也可以使用 model.encode(queries, prompt="Instruct: ...\nQuery: "
来使用自定义提示。
Transformers
import torch
import torch.nn.functional as F
from torch import Tensor
from transformers import AutoTokenizer, AutoModel
def last_token_pool(last_hidden_states: Tensor,
attention_mask: Tensor) -> Tensor:
left_padding = (attention_mask[:, -1].sum() == attention_mask.shape[0])
if left_padding:
return last_hidden_states[:, -1]
else:
sequence_lengths = attention_mask.sum(dim=1) - 1
batch_size = last_hidden_states.shape[0]
return last_hidden_states[torch.arange(batch_size, device=last_hidden_states.device), sequence_lengths]
def get_detailed_instruct(task_description: str, query: str) -> str:
return f'Instruct: {task_description}\nQuery: {query}'
# 每个查询都必须附带一个描述任务的单句指令
task = 'Given a web search query, retrieve relevant passages that answer the query'
queries = [
get_detailed_instruct(task, 'how much protein should a female eat'),
get_detailed_instruct(task, 'summit define')
]
# 检索文档无需添加指令
documents = [
"As a general guideline, the CDC's average requirement of protein for women ages 19 to 70 is 46 grams per day. But, as you can see from this chart, you'll need to increase that if you're expecting or training for a marathon. Check out the chart below to see how much protein you should be eating each day.",
"Definition of summit for English Language Learners. : 1 the highest point of a mountain : the top of a mountain. : 2 the highest level. : 3 a meeting or series of meetings between the leaders of two or more governments."
]
input_texts = queries + documents
tokenizer = AutoTokenizer.from_pretrained('Alibaba-NLP/gte-Qwen1.5-7B-instruct', trust_remote_code=True)
model = AutoModel.from_pretrained('Alibaba-NLP/gte-Qwen1.5-7B-instruct', trust_remote_code=True)
max_length = 8192
# 对输入文本进行分词
batch_dict = tokenizer(input_texts, max_length=max_length, padding=True, truncation=True, return_tensors='pt')
outputs = model(**batch_dict)
embeddings = last_token_pool(outputs.last_hidden_state, batch_dict['attention_mask'])
# 对嵌入进行归一化处理
embeddings = F.normalize(embeddings, p=2, dim=1)
scores = (embeddings[:2] @ embeddings[2:].T) * 100
print(scores.tolist())
# [[70.00666809082031, 8.184867858886719], [14.62420654296875, 77.71405792236328]]
📚 详细文档
模型信息
属性 | 详情 |
---|---|
模型规模 | 7B |
嵌入维度 | 4096 |
最大输入令牌数 | 32k |
评估
MTEB & C-MTEB
你可以使用 scripts/eval_mteb.py 脚本来复现 gte-Qwen1.5-7B-instruct 模型在 MTEB(英语)/C-MTEB(中文)上的以下评估结果:
模型名称 | MTEB(56) | C-MTEB(35) |
---|---|---|
bge-base-en-1.5 | 64.23 | - |
bge-large-en-1.5 | 63.55 | - |
gte-large-en-v1.5 | 65.39 | - |
gte-base-en-v1.5 | 64.11 | - |
mxbai-embed-large-v1 | 64.68 | - |
acge_text_embedding | - | 69.07 |
stella-mrl-large-zh-v3.5-1792d | - | 68.55 |
gte-large-zh | - | 66.72 |
multilingual-e5-base | 59.45 | 56.21 |
multilingual-e5-large | 61.50 | 58.81 |
e5-mistral-7b-instruct | 66.63 | 60.81 |
gte-Qwen1.5-7B-instruct | 67.34 | 69.52 |
📄 许可证
本项目采用 Apache 2.0 许可证。
📖 引用
如果你觉得我们的论文或模型有帮助,请考虑引用以下文献:
@article{li2023towards,
title={Towards general text embeddings with multi-stage contrastive learning},
author={Li, Zehan and Zhang, Xin and Zhang, Yanzhao and Long, Dingkun and Xie, Pengjun and Zhang, Meishan},
journal={arXiv preprint arXiv:2308.03281},
year={2023}
}
Jina Embeddings V3
Jina Embeddings V3 是一个多语言句子嵌入模型,支持超过100种语言,专注于句子相似度和特征提取任务。
文本嵌入
Transformers 支持多种语言

J
jinaai
3.7M
911
Ms Marco MiniLM L6 V2
Apache-2.0
基于MS Marco段落排序任务训练的交叉编码器模型,用于信息检索中的查询-段落相关性评分
文本嵌入 英语
M
cross-encoder
2.5M
86
Opensearch Neural Sparse Encoding Doc V2 Distill
Apache-2.0
基于蒸馏技术的稀疏检索模型,专为OpenSearch优化,支持免推理文档编码,在搜索相关性和效率上优于V1版本
文本嵌入
Transformers 英语

O
opensearch-project
1.8M
7
Sapbert From PubMedBERT Fulltext
Apache-2.0
基于PubMedBERT的生物医学实体表征模型,通过自对齐预训练优化语义关系捕捉
文本嵌入 英语
S
cambridgeltl
1.7M
49
Gte Large
MIT
GTE-Large 是一个强大的句子转换器模型,专注于句子相似度和文本嵌入任务,在多个基准测试中表现出色。
文本嵌入 英语
G
thenlper
1.5M
278
Gte Base En V1.5
Apache-2.0
GTE-base-en-v1.5 是一个英文句子转换器模型,专注于句子相似度任务,在多个文本嵌入基准测试中表现优异。
文本嵌入
Transformers 支持多种语言

G
Alibaba-NLP
1.5M
63
Gte Multilingual Base
Apache-2.0
GTE Multilingual Base 是一个多语言的句子嵌入模型,支持超过50种语言,适用于句子相似度计算等任务。
文本嵌入
Transformers 支持多种语言

G
Alibaba-NLP
1.2M
246
Polybert
polyBERT是一个化学语言模型,旨在实现完全由机器驱动的超快聚合物信息学。它将PSMILES字符串映射为600维密集指纹,以数值形式表示聚合物化学结构。
文本嵌入
Transformers

P
kuelumbus
1.0M
5
Bert Base Turkish Cased Mean Nli Stsb Tr
Apache-2.0
基于土耳其语BERT的句子嵌入模型,专为语义相似度任务优化
文本嵌入
Transformers 其他

B
emrecan
1.0M
40
GIST Small Embedding V0
MIT
基于BAAI/bge-small-en-v1.5模型微调的文本嵌入模型,通过MEDI数据集与MTEB分类任务数据集训练,优化了检索任务的查询编码能力。
文本嵌入
Safetensors 英语
G
avsolatorio
945.68k
29
精选推荐AI模型
Llama 3 Typhoon V1.5x 8b Instruct
专为泰语设计的80亿参数指令模型,性能媲美GPT-3.5-turbo,优化了应用场景、检索增强生成、受限生成和推理任务
大型语言模型
Transformers 支持多种语言

L
scb10x
3,269
16
Cadet Tiny
Openrail
Cadet-Tiny是一个基于SODA数据集训练的超小型对话模型,专为边缘设备推理设计,体积仅为Cosmo-3B模型的2%左右。
对话系统
Transformers 英语

C
ToddGoldfarb
2,691
6
Roberta Base Chinese Extractive Qa
基于RoBERTa架构的中文抽取式问答模型,适用于从给定文本中提取答案的任务。
问答系统 中文
R
uer
2,694
98