/ Модель

Характеристики

Контекст
8 192 токена
Параметры
137 млн
Лицензия
Apache 2.0
Архитектура
new · dense
Опубликована
6 авг 2024

gte-en-mlm-base

Заполнение пропусковТекст → текст9 профессий

Англоязычный текстовый энкодер GTE-v1.5 для кодирования текста и использования в задачах поиска и ранжирования.

685скачиваний за 30 дней8лайковвеса обновлены6 авг 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

gte-en-mlm-base — англоязычный текстовый энкодер GTE-v1.5, разработанный Institute for Intelligent Computing группы Alibaba. Модель основана на энкодере Transformer++: BERT с RoPE и GLU; для токенизации используется словарь bert-base-uncased. Веса содержат 136,7 млн параметров, максимальная длина входа — 8192 токена.

Модель обучена на английской части C4 методом masked language modeling и предназначена для кодирования текста. Она входит в серию обобщённых энкодеров GTE для представления текста и задач поиска и ранжирования; в опубликованной таблице для этой версии приведён результат GLUE 85,61. Репозиторий предоставляет веса в формате safetensors. Лицензия — Apache 2.0.

Сценарии применения

  • кодирование английских текстов для поиска
  • подготовка текстовых представлений для ранжирования
  • обработка длинных английских последовательностей до 8192 токенов
  • заполнение пропусков в английском тексте

Ограничения

Модель обучена и описана для английского языка; карточка не приводит результатов по задачам поиска или ранжирования для этой конкретной версии. Для получения текстовых представлений и ранжирования может потребоваться подходящая обвязка или настройка под задачу.

Для каких профессий подходит9

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

gte-en-mlm-base

We introduce GTE-v1.5 series, new generalized text encoder, embedding and reranking models that the context length of up to 8192. The models are built upon the transformer++ encoder backbone (BERT + RoPE + GLU, code refer to Alibaba-NLP/new-impl) as well as the vocabulary of bert-base-uncased.

This text encoder is the GTEv1.5-en-MLM-base-8192 in table 13 of our paper.

Model list

ModelsLanguageModel SizeMax Seq. LengthGLUEXTREME-R
gte-multilingual-mlm-baseMultiple306M819283.4764.44
gte-en-mlm-baseEnglish-819285.61-
gte-en-mlm-largeEnglish-819287.58-

Training Details

Training Data

  • Masked language modeling (MLM): c4-en

Training Procedure

To enable the backbone model to support a context length of 8192, we adopted a multi-stage training strategy. The model first undergoes preliminary MLM pre-training on shorter lengths. And then, we resample the data, reducing the proportion of short texts, and continue the MLM pre-training.

The entire training process is as follows:

  • MLM-2048: lr 5e-4, mlm_probability 0.3, batch_size 4096, num_steps 70000, rope_base 10000
  • MLM-8192: lr 5e-5, mlm_probability 0.3, batch_size 1024, num_steps 20000, rope_base 500000

Evaluation

ModelsLanguageModel SizeMax Seq. LengthGLUEXTREME-R
gte-multilingual-mlm-baseMultiple306M819283.4764.44
gte-en-mlm-baseEnglish137M819285.61-
gte-en-mlm-largeEnglish435M819287.58-
MosaicBERT-baseEnglish137M12885.4-
MosaicBERT-base-2048English137M204885-
JinaBERT-baseEnglish137M51285-
nomic-bert-2048English137M204884-
MosaicBERT-largeEnglish434M12886.1-
JinaBERT-largeEnglish434M51283.7-
XLM-R-baseMultiple279M51280.4462.02
RoBERTa-baseEnglish125M51286.4-
RoBERTa-largeEnglish355M51288.9-

Citation

If you find our paper or models helpful, please consider citing them as follows:

@misc{zhang2024mgte,
  title={mGTE: Generalized Long-Context Text Representation and Reranking Models for Multilingual Text Retrieval}, 
  author={Xin Zhang and Yanzhao Zhang and Dingkun Long and Wen Xie and Ziqi Dai and Jialong Tang and Huan Lin and Baosong Yang and Pengjun Xie and Fei Huang and Meishan Zhang and Wenjie Li and Min Zhang},
  year={2024},
  eprint={2407.19669},
  archivePrefix={arXiv},
  primaryClass={cs.CL},
  url={https://arxiv.org/abs/2407.19669}, 
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры
NewForMaskedLM
Ревизия весов
5d8e84a

0 моделей