Ms Marco MiniLM L12 V2

🚀 用于MS Marco的交叉编码器

本模型在MS Marco段落排序任务上进行了训练。该模型可用于信息检索，给定一个查询，将查询与所有可能的段落（例如通过ElasticSearch检索到的段落）进行编码，然后按降序对段落进行排序。更多详细信息请参阅SBERT.net检索与重排。训练代码可在此处获取：SBERT.net训练MS Marco。

🚀 快速开始

✨ 主要特性

• 基于MS Marco段落排序任务训练，适用于信息检索场景。
• 提供了使用SentenceTransformers和Transformers库的使用示例。

📦 安装指南

文档未提及具体安装步骤，若使用相关代码，需安装SentenceTransformers或Transformers库。

💻 使用示例

基础用法（使用SentenceTransformers）

当你安装了SentenceTransformers库后，使用起来非常简单。你可以像这样使用预训练模型：

from sentence_transformers import CrossEncoder

model = CrossEncoder('cross-encoder/ms-marco-MiniLM-L12-v2')
scores = model.predict([
    ("How many people live in Berlin?", "Berlin had a population of 3,520,031 registered inhabitants in an area of 891.82 square kilometers."),
    ("How many people live in Berlin?", "Berlin is well known for its museums."),
])
print(scores)
# [ 9.218911  -4.0780287]

高级用法（使用Transformers）

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch

model = AutoModelForSequenceClassification.from_pretrained('cross-encoder/ms-marco-MiniLM-L12-v2')
tokenizer = AutoTokenizer.from_pretrained('cross-encoder/ms-marco-MiniLM-L12-v2')

features = tokenizer(['How many people live in Berlin?', 'How many people live in Berlin?'], ['Berlin has a population of 3,520,031 registered inhabitants in an area of 891.82 square kilometers.', 'New York City is famous for the Metropolitan Museum of Art.'],  padding=True, truncation=True, return_tensors="pt")

model.eval()
with torch.no_grad():
    scores = model(**features).logits
    print(scores)

📚 详细文档

在以下表格中，我们提供了各种预训练的交叉编码器及其在TREC深度学习2019和MS Marco段落重排数据集上的性能表现。

注意：运行时间是在V100 GPU上计算得出的。

📄 许可证

本项目采用Apache-2.0许可证。