Mmlw Roberta Base

🚀 MMLW-roberta-base

MMLW（必须有更好的消息）是用于波兰语的神经文本编码器。这是一个蒸馏模型，可用于生成适用于许多任务的嵌入，如语义相似度、聚类、信息检索等。该模型也可作为进一步微调的基础。它能将文本转换为768维的向量。

该模型使用波兰语RoBERTa检查点进行初始化，然后在包含6000万对波兰语 - 英语文本的多样化语料库上，采用多语言知识蒸馏方法进行训练。我们使用英语FlagEmbeddings (BGE)作为蒸馏的教师模型。

🚀 快速开始

安装依赖

你可以使用以下命令安装sentence-transformers库：

pip install sentence-transformers

代码示例

from sentence_transformers import SentenceTransformer
from sentence_transformers.util import cos_sim

query_prefix = "zapytanie: "
answer_prefix = ""
queries = [query_prefix + "Jak dożyć 100 lat?"]
answers = [
    answer_prefix + "Trzeba zdrowo się odżywiać i uprawiać sport.",
    answer_prefix + "Trzeba pić alkohol, imprezować i jeździć szybkimi autami.",
    answer_prefix + "Gdy trwała kampania politycy zapewniali, że rozprawią się z zakazem niedzielnego handlu."
]
model = SentenceTransformer("sdadas/mmlw-roberta-base")
queries_emb = model.encode(queries, convert_to_tensor=True, show_progress_bar=False)
answers_emb = model.encode(answers, convert_to_tensor=True, show_progress_bar=False)

best_answer = cos_sim(queries_emb, answers_emb).argmax().item()
print(answers[best_answer])
# Trzeba zdrowo się odżywiać i uprawiać sport.

注意事项

⚠️ 重要提示

我们的嵌入模型在编码文本时需要使用特定的前缀和后缀。对于此模型，每个查询前面都应加上前缀 "zapytanie: "。

✨ 主要特性

• 可用于生成适用于多种任务的嵌入，如语义相似度、聚类、信息检索等。
• 作为蒸馏模型，可作为进一步微调的基础。
• 将文本转换为768维的向量。

💻 使用示例

基础用法

from sentence_transformers import SentenceTransformer
from sentence_transformers.util import cos_sim

query_prefix = "zapytanie: "
answer_prefix = ""
queries = [query_prefix + "Jak dożyć 100 lat?"]
answers = [
    answer_prefix + "Trzeba zdrowo się odżywiać i uprawiać sport.",
    answer_prefix + "Trzeba pić alkohol, imprezować i jeździć szybkimi autami.",
    answer_prefix + "Gdy trwała kampania politycy zapewniali, że rozprawią się z zakazem niedzielnego handlu."
]
model = SentenceTransformer("sdadas/mmlw-roberta-base")
queries_emb = model.encode(queries, convert_to_tensor=True, show_progress_bar=False)
answers_emb = model.encode(answers, convert_to_tensor=True, show_progress_bar=False)

best_answer = cos_sim(queries_emb, answers_emb).argmax().item()
print(answers[best_answer])
# Trzeba zdrowo się odżywiać i uprawiać sport.

📚 详细文档

评估结果

• 该模型在波兰大规模文本嵌入基准测试（MTEB）中达到了61.05的平均得分。详细结果请参见MTEB排行榜。
• 该模型在波兰信息检索基准测试中达到了53.60的NDCG@10。详细结果请参见PIRB排行榜。

致谢

该模型在格但斯克工业大学TASK中心倡议提供的A100 GPU集群支持下进行训练。

引用

@article{dadas2024pirb,
  title={{PIRB}: A Comprehensive Benchmark of Polish Dense and Hybrid Text Retrieval Methods}, 
  author={Sławomir Dadas and Michał Perełkiewicz and Rafał Poświata},
  year={2024},
  eprint={2402.13350},
  archivePrefix={arXiv},
  primaryClass={cs.CL}
}

📄 许可证

本项目采用Apache-2.0许可证。