Minicpm Reranker

🚀 MiniCPM-Reranker

MiniCPM-Reranker 是面壁智能与清华大学自然语言处理实验室（THUNLP）、东北大学信息检索小组（NEUIR）共同开发的中英双语言文本重排序模型。它具备出色的中文、英文重排序能力，以及出色的中英跨语言重排序能力，为文本重排序任务提供了强大的支持。

✨ 主要特性

• 具备出色的中文、英文重排序能力。
• 拥有出色的中英跨语言重排序能力。

📦 安装指南

环境要求

transformers==4.37.2
flash-attn>2.3.5

💻 使用示例

输入格式

本模型支持指令，输入格式如下：

<s>Instruction: {{ instruction }} Query: {{ query }}</s>{{ document }}

例如：

<s>Instruction: 为这个医学问题检索相关回答。Query: 咽喉癌的成因是什么？</s>（文档省略）

<s>Instruction: Given a claim about climate change, retrieve documents that support or refute the claim. Query: However the warming trend is slower than most climate models have forecast.</s>(document omitted)

也可以不提供指令，即采取如下格式：

<s>Query: {{ query }}</s>{{ document }}

我们在BEIR与C-MTEB/Retrieval上测试时使用的指令见 instructions.json，其他测试不使用指令。

示例脚本

Huggingface Transformers

from transformers import AutoModelForSequenceClassification, AutoTokenizer
import torch
import numpy as np

model_name = "openbmb/MiniCPM-Reranker"
tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)
tokenizer.padding_side = "right"

model = AutoModelForSequenceClassification.from_pretrained(model_name, trust_remote_code=True, torch_dtype=torch.float16).to("cuda")
# You can also use the following code to use flash_attention_2
# model = AutoModelForSequenceClassification.from_pretrained(model_name, trust_remote_code=True,attn_implementation="flash_attention_2", torch_dtype=torch.float16).to("cuda")

model.eval()

@torch.no_grad()
def rerank(input_query, input_docs):
    tokenized_inputs = tokenizer([[input_query, input_doc] for input_doc in input_docs], return_tensors="pt", padding=True, truncation=True, max_length=1024) 

    for k in tokenized_inputs:
      tokenized_inputs [k] = tokenized_inputs[k].to("cuda")

    outputs = model(**tokenized_inputs)
    score = outputs.logits
    return score.float().detach().cpu().numpy()

queries = ["中国的首都是哪里？"]
passages = [["beijing", "shanghai"]]

INSTRUCTION = "Query: "
queries = [INSTRUCTION + query for query in queries]

scores = []
for i in range(len(queries)):
    print(queries[i])
    scores.append(rerank(queries[i],passages[i]))

print(np.array(scores))  # [[[-4.7460938][-8.8515625]]]

Sentence Transformer

from sentence_transformers import CrossEncoder
import torch

#
model_name = "openbmb/MiniCPM-Reranker"
model = CrossEncoder(model_name,max_length=1024,trust_remote_code=True, automodel_args={"torch_dtype": torch.float16})
# You can also use the following code to use flash_attention_2
#model = CrossEncoder(model_name,max_length=1024,trust_remote_code=True, automodel_args={"attn_implementation":"flash_attention_2","torch_dtype": torch.float16})

model.tokenizer.padding_side = "right"

query = "中国的首都是哪里？"
passages = [["beijing", "shanghai"]]

INSTRUCTION = "Query: "
query = INSTRUCTION + query

sentence_pairs = [[query, doc] for doc in passages]

scores = model.predict(sentence_pairs, convert_to_tensor=True).tolist()
rankings = model.rank(query, passages, return_documents=True, convert_to_tensor=True)

print(scores) # [0.0087432861328125, 0.00020503997802734375]
for ranking in rankings:
    print(f"Score: {ranking['score']:.4f}, Corpus: {ranking['text']}")
  
# ID: 0, Score: 0.0087, Text: beijing
# ID: 1, Score: 0.0002, Text: shanghai

📚 详细文档

模型信息

实验结果

中文与英文重排序结果

中文对bge-large-zh-v1.5检索的top-100进行重排，英文对bge-large-en-v1.5检索的top-100进行重排。

中英跨语言重排序结果

对bge-m3(Dense)检索的top100进行重排。

🔧 技术细节

MiniCPM-Reranker 基于 MiniCPM-2B-sft-bf16 训练，结构上采取双向注意力。采取多阶段训练方式，共使用包括开源数据、机造数据、闭源数据在内的约 600 万条训练数据。

📄 许可证

• 本仓库中代码依照 Apache-2.0 协议开源。
• MiniCPM-Reranker 模型权重的使用则需要遵循 MiniCPM 模型协议。
• MiniCPM-Reranker 模型权重对学术研究完全开放。如需将模型用于商业用途，请填写此问卷。

欢迎关注 RAG 套件系列：

• 检索模型：MiniCPM-Embedding
• 重排模型：MiniCPM-Reranker
• 面向 RAG 场景的 LoRA 插件：MiniCPM3-RAG-LoRA