Gte Small

🚀 gte-small

General Text Embeddings (GTE) 模型是阿里巴巴达摩院训练的文本嵌入模型。它基于 BERT 框架，目前有 GTE-large、GTE-base 和 GTE-small 三种不同规模的模型。该模型在大规模相关文本对语料上进行训练，覆盖广泛的领域和场景，可应用于信息检索、语义文本相似度、文本重排序等多种文本嵌入下游任务。

本项目是对 https://huggingface.co/thenlper/gte-small 的分叉，使用 ONNX 权重以兼容 Transformers.js。具体 JavaScript 使用方法见 JavaScript 部分。

✨ 主要特性

• 基于 BERT 框架，在大规模相关文本对语料上训练。
• 提供三种不同规模的模型，可根据需求选择。
• 可应用于多种文本嵌入下游任务。

📚 详细文档

指标

在 MTEB 基准测试中，将 GTE 模型与其他流行的文本嵌入模型进行了性能比较。更多详细比较结果，请参考 MTEB 排行榜。

💻 使用示例

Python

可结合 Transformers 和 PyTorch 使用：

import torch.nn.functional as F
from torch import Tensor
from transformers import AutoTokenizer, AutoModel

def average_pool(last_hidden_states: Tensor,
                 attention_mask: Tensor) -> Tensor:
    last_hidden = last_hidden_states.masked_fill(~attention_mask[..., None].bool(), 0.0)
    return last_hidden.sum(dim=1) / attention_mask.sum(dim=1)[..., None]

input_texts = [
    "what is the capital of China?",
    "how to implement quick sort in python?",
    "Beijing",
    "sorting algorithms"
]

tokenizer = AutoTokenizer.from_pretrained("Supabase/gte-small")
model = AutoModel.from_pretrained("Supabase/gte-small")

# Tokenize the input texts
batch_dict = tokenizer(input_texts, max_length=512, padding=True, truncation=True, return_tensors='pt')

outputs = model(**batch_dict)
embeddings = average_pool(outputs.last_hidden_state, batch_dict['attention_mask'])

# (Optionally) normalize embeddings
embeddings = F.normalize(embeddings, p=2, dim=1)
scores = (embeddings[:1] @ embeddings[1:].T) * 100
print(scores.tolist())

也可结合 sentence-transformers 使用：

from sentence_transformers import SentenceTransformer
from sentence_transformers.util import cos_sim

sentences = ['That is a happy person', 'That is a very happy person']

model = SentenceTransformer('Supabase/gte-small')
embeddings = model.encode(sentences)
print(cos_sim(embeddings[0], embeddings[1]))

JavaScript

可通过 Transformers.js 在 JavaScript 中使用该模型。

在 Deno 或 Supabase Edge Functions 中使用：

import { serve } from 'https://deno.land/std@0.168.0/http/server.ts'
import { env, pipeline } from 'https://cdn.jsdelivr.net/npm/@xenova/transformers@2.5.0'

// Configuration for Deno runtime
env.useBrowserCache = false;
env.allowLocalModels = false;

const pipe = await pipeline(
  'feature-extraction',
  'Supabase/gte-small',
);

serve(async (req) => {
  // Extract input string from JSON body
  const { input } = await req.json();

  // Generate the embedding from the user input
  const output = await pipe(input, {
    pooling: 'mean',
    normalize: true,
  });

  // Extract the embedding output
  const embedding = Array.from(output.data);

  // Return the embedding
  return new Response(
    JSON.stringify({ embedding }),
    { headers: { 'Content-Type': 'application/json' } }
  );
});

在浏览器中使用（JavaScript Modules）：

<script type="module">

import { pipeline } from 'https://cdn.jsdelivr.net/npm/@xenova/transformers@2.5.0';

const pipe = await pipeline(
  'feature-extraction',
  'Supabase/gte-small',
);

// Generate the embedding from text
const output = await pipe('Hello world', {
  pooling: 'mean',
  normalize: true,
});

// Extract the embedding output
const embedding = Array.from(output.data);

console.log(embedding);

</script>

在 Node.js 或 Web 打包工具（Webpack 等）中使用：

import { pipeline } from '@xenova/transformers';

const pipe = await pipeline(
  'feature-extraction',
  'Supabase/gte-small',
);

// Generate the embedding from text
const output = await pipe('Hello world', {
  pooling: 'mean',
  normalize: true,
});

// Extract the embedding output
const embedding = Array.from(output.data);

console.log(embedding);

限制

该模型仅适用于英文文本，且任何长文本都会被截断为最多 512 个标记。

📄 许可证

本项目采用 MIT 许可证。