/ Модель

Характеристики

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

gte-en-mlm-large

Заполнение пропусковТекст → текст4 профессии

Англоязычный энкодер GTE-v1.5 для заполнения масок и построения текстовых представлений с контекстом до 8192 токенов.

588скачиваний за 30 дней7лайковвеса 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-large — англоязычный текстовый энкодер серии GTE-v1.5, разработанный Institute for Intelligent Computing группы Alibaba. Модель предназначена для получения текстовых представлений и может служить основой для задач поиска и ранжирования текста. В карточке она указана как вариант GTEv1.5-en-MLM-large-8192 из статьи о представлениях и ранжировании многоязычных текстов с длинным контекстом.

Архитектура — Transformer++ на базе энкодера BERT с RoPE и GLU; словарь основан на bert-base-uncased. Модель содержит около 433,9 млн параметров, принимает последовательности длиной до 8192 токенов и обучалась методом masked language modeling на англоязычном корпусе C4. Для варианта large в README приведён результат GLUE 87,58.

В метаданных Hugging Face основная задача обозначена как fill-mask. Лицензия — Apache-2.0. Карточка не подтверждает поддержку русского языка; выводы о качестве на других языках делать нельзя.

Сценарии применения

  • предсказание пропущенных слов в английском тексте
  • получение представлений английских текстов для поиска
  • ранжирование результатов англоязычного поиска
  • оценка качества классификационных моделей на английском

Ограничения

Модель ориентирована на английский язык, поэтому её пригодность для русского и других языков не подтверждена. В метаданных основной задачей указано fill-mask; возможности поиска и ранжирования описаны в README как назначение серии моделей, но отдельные оценки для этого варианта не приведены.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

gte-en-mlm-large

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-large-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-512: lr 2e-4, mlm_probability 0.3, batch_size 4096, num_steps 300000, rope_base 10000
  • MLM-2048: lr 5e-5, mlm_probability 0.3, batch_size 4096, num_steps 30000, rope_base 10000
  • MLM-8192: lr 5e-5, mlm_probability 0.3, batch_size 1024, num_steps 30000, rope_base 160000

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
fa86a24

0 моделей