Ruri Large V2

🚀 Ruri：日语通用文本嵌入模型

Ruri 是一款用于日语文本的嵌入模型，能够提取文本特征并计算句子相似度，在相关任务中表现出色。目前 v3 版本模型已发布，性能更优。

🚀 快速开始

安装依赖库

首先需要安装 Sentence Transformers 库及其相关依赖：

pip install -U sentence-transformers fugashi sentencepiece unidic-lite

加载模型并进行推理

安装完成后，你可以加载模型并进行推理：

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

# 从 🤗 Hub 下载模型
model = SentenceTransformer("cl-nagoya/ruri-large-v2")

# 别忘了在查询文本前添加前缀 "クエリ: "，在段落文本前添加前缀 "文章: "
sentences = [
    "クエリ: 瑠璃色はどんな色？",
    "文章: 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」（略号 dp-pB）と定義している[1][2]。",
    "クエリ: ワシやタカのように、鋭いくちばしと爪を持った大型の鳥類を総称して「何類」というでしょう?",
    "文章: ワシ、タカ、ハゲワシ、ハヤブサ、コンドル、フクロウが代表的である。これらの猛禽類はリンネ前後の時代(17~18世紀)には鷲類・鷹類・隼類及び梟類に分類された。ちなみにリンネは狩りをする鳥を単一の目(もく)にまとめ、vultur(コンドル、ハゲワシ)、falco(ワシ、タカ、ハヤブサなど)、strix(フクロウ)、lanius(モズ)の4属を含めている。",
]

embeddings = model.encode(sentences, convert_to_tensor=True)
print(embeddings.size())
# [4, 1024]

similarities = F.cosine_similarity(embeddings.unsqueeze(0), embeddings.unsqueeze(1), dim=2)
print(similarities)
# [[1.0000, 0.9525, 0.6462, 0.6736],
#  [0.9525, 1.0000, 0.6442, 0.6690],
#  [0.6462, 0.6442, 1.0000, 0.9046],
#  [0.6736, 0.6690, 0.9046, 1.0000]]

✨ 主要特性

• 多版本可选：提供了不同参数规模的 v3 版本模型，如 cl-nagoya/ruri-v3-30m、cl-nagoya/ruri-v3-70m 等，可根据需求选择。
• 性能优异：在 JMTEB 基准测试中，Ruri-Large v2 模型取得了 74.55 的平均成绩，在多个指标上表现出色。

📦 安装指南

安装 Sentence Transformers 库及其相关依赖：

pip install -U sentence-transformers fugashi sentencepiece unidic-lite

💻 使用示例

基础用法

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

# 从 🤗 Hub 下载模型
model = SentenceTransformer("cl-nagoya/ruri-large-v2")

# 别忘了在查询文本前添加前缀 "クエリ: "，在段落文本前添加前缀 "文章: "
sentences = [
    "クエリ: 瑠璃色はどんな色？",
    "文章: 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」（略号 dp-pB）と定義している[1][2]。",
    "クエリ: ワシやタカのように、鋭いくちばしと爪を持った大型の鳥類を総称して「何類」というでしょう?",
    "文章: ワシ、タカ、ハゲワシ、ハヤブサ、コンドル、フクロウが代表的である。これらの猛禽類はリンネ前後の時代(17~18世紀)には鷲類・鷹類・隼類及び梟類に分類された。ちなみにリンネは狩りをする鳥を単一の目(もく)にまとめ、vultur(コンドル、ハゲワシ)、falco(ワシ、タカ、ハヤブサなど)、strix(フクロウ)、lanius(モズ)の4属を含めている。",
]

embeddings = model.encode(sentences, convert_to_tensor=True)
print(embeddings.size())
# [4, 1024]

similarities = F.cosine_similarity(embeddings.unsqueeze(0), embeddings.unsqueeze(1), dim=2)
print(similarities)
# [[1.0000, 0.9525, 0.6462, 0.6736],
#  [0.9525, 1.0000, 0.6442, 0.6690],
#  [0.6462, 0.6442, 1.0000, 0.9046],
#  [0.6736, 0.6690, 0.9046, 1.0000]]

📚 详细文档

JMTEB 基准测试

使用 JMTEB 进行评估，以下是部分模型的测试结果：

🔧 技术细节

模型描述

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 1024, '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})
)

框架版本

• Python: 3.10.13
• Sentence Transformers: 3.0.0
• Transformers: 4.41.2
• PyTorch: 2.3.1+cu118
• Accelerate: 0.30.1
• Datasets: 2.19.1
• Tokenizers: 0.19.1

📄 许可证

本模型根据 Apache 许可证 2.0 版 发布。

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}, 
}