/ Модель

Характеристики

Контекст
8 192 токена
Параметры
305 млн
Лицензия
Apache 2.0
Архитектура
new · dense
Опубликована
20 июл 2024

gte-multilingual-base

ЭмбеддингиТекст → embedding9 профессий

Многоязычный энкодер GTE для построения плотных и разреженных текстовых представлений, поиска и сравнения текстов.

1,4 млнскачиваний за 30 дней383лайкавеса обновлены5 июл 2025

Бенчмарки

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

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Эмбеддинги» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки41

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

  • MLSUMClusteringS2S

    main_score

    Результат

    0,4287

    Общий результат 0,4046
    MTEB

    Публичная таблицадругая ревизия

  • WebFAQBitextMiningQAs

    main_score

    Результат

    0,9874

    Общий результат 0,9965Общий результат 0,9957Общий результат 0,9956
    MTEB

    Публичная таблицадругая ревизия

  • KnowMeBench

    main_score

    Результат

    0,3802

    MTEB

    Публичная таблицадругая ревизия

  • MIRACLRetrievalHardNegatives

    main_score

    Результат

    0,639

    MTEB

    Публичная таблицадругая ревизия

  • MassiveIntentClassification

    main_score

    Результат

    0,6454

    MTEB

    Публичная таблицадругая ревизия

  • FiQA-PL

    main_score

    Результат

    0,2896

    MTEB

    Публичная таблицаревизия не подтверждена

  • ArXivHierarchicalClusteringP2P

    main_score

    Результат

    0,5799

    MTEB

    Публичная таблицадругая ревизия

  • STS17

    main_score

    Результат

    0,7645

    MTEB

    Публичная таблицадругая ревизия

  • REALTALK

    main_score

    Результат

    0,1417

    MTEB

    Публичная таблицадругая ревизия

  • ItaCaseholdClassification

    main_score

    Результат

    0,6285

    MTEB

    Публичная таблицадругая ревизия

  • OpusparcusPC

    main_score

    Результат

    0,9666

    MTEB

    Публичная таблицадругая ревизия

  • IndicGenBenchFloresBitextMining

    main_score

    Результат

    0,9933

    Общий результат 0,8591
    MTEB

    Публичная таблицадругая ревизия

  • AmazonCounterfactualClassification

    main_score

    Результат

    0,726

    MTEB

    Публичная таблицадругая ревизия

  • RiaNewsRetrievalHardNegatives

    main_score

    Результат

    0,8544

    MTEB

    Публичная таблицадругая ревизия

  • EPBench

    main_score

    Результат

    1

    Общий результат 0,714
    MTEB

    Публичная таблицадругая ревизия

  • MemGovern

    main_score

    Результат

    0,9063

    MTEB

    Публичная таблицадругая ревизия

  • FinQARetrieval

    main_score

    Результат

    0,4401

    MTEB

    Публичная таблицадругая ревизия

  • CQADupstackAndroidRetrieval

    main_score

    Результат

    0,471

    MTEB

    Публичная таблицаревизия не подтверждена

  • SynPerSTS

    main_score

    Результат

    0,8689

    MTEB

    Публичная таблицадругая ревизия

  • MLQARetrieval

    main_score

    Результат

    0,5698

    Общий результат 0,7495Общий результат 0,6174
    MTEB

    Публичная таблицадругая ревизия

  • Quail

    main_score

    Результат

    0,0826

    MTEB

    Публичная таблицадругая ревизия

  • WebFAQRetrieval

    main_score

    Результат

    0,7962

    MTEB

    Публичная таблицадругая ревизия

  • T2Retrieval

    main_score

    Результат

    0,8472

    MTEB

    Публичная таблицаревизия не подтверждена

  • WebFAQBitextMiningQuestions

    main_score

    Результат

    0,9105

    MTEB

    Публичная таблицадругая ревизия

  • RARbCode

    main_score

    Результат

    0,5128

    MTEB

    Публичная таблицадругая ревизия

  • RuSciBenchOECDClassification

    main_score

    Результат

    0,4528

    MTEB

    Публичная таблицадругая ревизия

  • SkQuadReranking

    main_score

    Результат

    0,6291

    MTEB

    Публичная таблицадругая ревизия

  • mMARCO-NL

    main_score

    Результат

    0,2713

    MTEB

    Публичная таблицадругая ревизия

  • CQADupstackGisRetrieval-Fa

    main_score

    Результат

    0,2497

    MTEB

    Публичная таблицадругая ревизия

  • FiQA2018

    main_score

    Результат

    0,4501

    MTEB

    Публичная таблицаревизия не подтверждена

  • NusaX-senti

    main_score

    Результат

    0,668

    Общий результат 0,602
    MTEB

    Публичная таблицадругая ревизия

  • StackExchangeClusteringP2P

    main_score

    Результат

    0,3171

    MTEB

    Публичная таблицаревизия не подтверждена

  • SprintDuplicateQuestions-VN

    main_score

    Результат

    0,9711

    MTEB

    Публичная таблицадругая ревизия

  • SIB200Classification

    main_score

    Результат

    0,6616

    MTEB

    Публичная таблицадругая ревизия

  • NusaXBitextMining

    main_score

    Результат

    0,6181

    MTEB

    Публичная таблицадругая ревизия

  • PlscClusteringP2P.v2

    main_score

    Результат

    0,709

    MTEB

    Публичная таблицадругая ревизия

  • Quora-PL

    main_score

    Результат

    0,8076

    MTEB

    Публичная таблицаревизия не подтверждена

  • CUREv1

    main_score

    Результат

    0,5783

    MTEB

    Публичная таблицадругая ревизия

  • TwentyNewsgroupsClustering.v2

    main_score

    Результат

    0,5015

    MTEB

    Публичная таблицадругая ревизия

  • News21InstructionRetrieval

    main_score

    Результат

    0,0125

    MTEB

    Публичная таблицадругая ревизия

  • CTKFactsNLI

    main_score

    Результат

    0,7575

    MTEB

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

gte-multilingual-base — модель семейства GTE от Alibaba, предназначенная для создания текстовых представлений и поиска по сходству. Это энкодерный трансформер примерно на 305 млн параметров с плотными эмбеддингами размерности 768; также поддерживает разреженные векторы и эластичные по размеру плотные представления.

Модель подходит для многоязычного и межъязыкового поиска, поиска по длинным текстам и оценки сходства текстов. README сообщает о поддержке более 70 языков; среди языков, перечисленных в метаданных, есть английский, китайский, французский, польский, арабский, хинди, японский и корейский. Максимальная длина входа — 8192 токена. По заявлению разработчика, энкодерная архитектура снижает требования к вычислениям и ускоряет инференс по сравнению с некоторыми более крупными моделями GTE на базе LLM.

Для практического использования эмбеддинги можно получать через Transformers, sentence-transformers или сервисы инференса, включая TEI. Лицензия — Apache-2.0. Заявления о качестве основаны на оценках разработчика; результаты могут отличаться на конкретных данных и задачах.

Сценарии применения

  • многоязычный семантический поиск по документам
  • поиск документов на другом языке по запросу
  • сравнение сходства двух текстов
  • поиск по длинным текстам и документам
  • создание эмбеддингов для поискового индекса

Ограничения

Опубликованные показатели качества отражают оценки на выбранных разработчиком наборах и не гарантируют таких же результатов на конкретных данных. Максимальная длина входа составляет 8192 токена.

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-multilingual-base

The gte-multilingual-base model is the latest in the GTE (General Text Embedding) family of models, featuring several key attributes:

  • High Performance: Achieves state-of-the-art (SOTA) results in multilingual retrieval tasks and multi-task representation model evaluations when compared to models of similar size.
  • Training Architecture: Trained using an encoder-only transformers architecture, resulting in a smaller model size. Unlike previous models based on decode-only LLM architecture (e.g., gte-qwen2-1.5b-instruct), this model has lower hardware requirements for inference, offering a 10x increase in inference speed.
  • Long Context: Supports text lengths up to 8192 tokens.
  • Multilingual Capability: Supports over 70 languages.
  • Elastic Dense Embedding: Support elastic output dense representation while maintaining the effectiveness of downstream tasks, which significantly reduces storage costs and improves execution efficiency.
  • Sparse Vectors: In addition to dense representations, it can also generate sparse vectors.

Paper: mGTE: Generalized Long-Context Text Representation and Reranking Models for Multilingual Text Retrieval

Model Information

  • Model Size: 305M
  • Embedding Dimension: 768
  • Max Input Tokens: 8192

Usage

Get Dense Embeddings with Transformers

# Requires transformers>=4.36.0

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

input_texts = [
    "what is the capital of China?",
    "how to implement quick sort in python?",
    "北京",
    "快排算法介绍"
]

model_name_or_path = 'Alibaba-NLP/gte-multilingual-base'
tokenizer = AutoTokenizer.from_pretrained(model_name_or_path)
model = AutoModel.from_pretrained(model_name_or_path, trust_remote_code=True)

# Tokenize the input texts
batch_dict = tokenizer(input_texts, max_length=8192, padding=True, truncation=True, return_tensors='pt')

outputs = model(**batch_dict)

dimension=768 # The output dimension of the output embedding, should be in [128, 768]
embeddings = outputs.last_hidden_state[:, 0][:dimension]

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

# [[0.3016996383666992, 0.7503870129585266, 0.3203084468841553]]

Use with sentence-transformers

# Requires sentence-transformers>=3.0.0

from sentence_transformers import SentenceTransformer

input_texts = [
    "what is the capital of China?",
    "how to implement quick sort in python?",
    "北京",
    "快排算法介绍"
]

model_name_or_path="Alibaba-NLP/gte-multilingual-base"
model = SentenceTransformer(model_name_or_path, trust_remote_code=True)
embeddings = model.encode(input_texts, normalize_embeddings=True) # embeddings.shape (4, 768)

# sim scores
scores = model.similarity(embeddings[:1], embeddings[1:])

print(scores.tolist())
# [[0.301699697971344, 0.7503870129585266, 0.32030850648880005]]

Use with infinity

Usage via docker and infinity, MIT Licensed.

docker run --gpus all -v $PWD/data:/app/.cache -p "7997":"7997" \
michaelf34/infinity:0.0.69 \
v2 --model-id Alibaba-NLP/gte-multilingual-base --revision "main" --dtype float16 --batch-size 32 --device cuda --engine torch --port 7997

Use with Text Embeddings Inference (TEI)

Usage via Docker and Text Embeddings Inference (TEI):

  • CPU:
docker run --platform linux/amd64 \
  -p 8080:80 \
  -v $PWD/data:/data \
  --pull always \
  ghcr.io/huggingface/text-embeddings-inference:cpu-1.7 \
  --model-id Alibaba-NLP/gte-multilingual-base \
  --dtype float16
  • GPU:
docker run --gpus all \
  -p 8080:80 \
  -v $PWD/data:/data \
  --pull always \
  ghcr.io/huggingface/text-embeddings-inference:1.7 \
  --model-id Alibaba-NLP/gte-multilingual-base \
  --dtype float16

Then you can send requests to the deployed API via the OpenAI-compatible v1/embeddings route (more information about the OpenAI Embeddings API):

curl https://0.0.0.0:8080/v1/embeddings \
  -H "Content-Type: application/json" \
  -d '{
    "input": [
      "what is the capital of China?",
      "how to implement quick sort in python?",
      "北京",
      "快排算法介绍"
    ],
    "model": "Alibaba-NLP/gte-multilingual-base",
    "encoding_format": "float"
  }'

Use with custom code to get dense embeddings and sparse token weights

# You can find the script gte_embedding.py in https://huggingface.co/Alibaba-NLP/gte-multilingual-base/blob/main/scripts/gte_embedding.py

from gte_embedding import GTEEmbeddidng

model_name_or_path = 'Alibaba-NLP/gte-multilingual-base'
model = GTEEmbeddidng(model_name_or_path)
query = "中国的首都在哪儿"

docs = [
    "what is the capital of China?",
    "how to implement quick sort in python?",
    "北京",
    "快排算法介绍"
]

embs = model.encode(docs, return_dense=True,return_sparse=True)
print('dense_embeddings vecs', embs['dense_embeddings'])
print('token_weights', embs['token_weights'])
pairs = [(query, doc) for doc in docs]
dense_scores = model.compute_scores(pairs, dense_weight=1.0, sparse_weight=0.0)
sparse_scores = model.compute_scores(pairs, dense_weight=0.0, sparse_weight=1.0)
hybrid_scores = model.compute_scores(pairs, dense_weight=1.0, sparse_weight=0.3)

print('dense_scores', dense_scores)
print('sparse_scores', sparse_scores)
print('hybrid_scores', hybrid_scores)

# dense_scores [0.85302734375, 0.257568359375, 0.76953125, 0.325439453125]
# sparse_scores [0.0, 0.0, 4.600879669189453, 1.570279598236084]
# hybrid_scores [0.85302734375, 0.257568359375, 2.1497951507568356, 0.7965233325958252]

Evaluation

We validated the performance of the gte-multilingual-base model on multiple downstream tasks, including multilingual retrieval, cross-lingual retrieval, long text retrieval, and general text representation evaluation on the MTEB Leaderboard, among others.

Retrieval Task

Retrieval results on MIRACL and MLDR (multilingual), MKQA (crosslingual), BEIR and LoCo (English).

image

  • Detail results on MLDR

image

  • Detail results on LoCo

MTEB

Results on MTEB English, Chinese, French, Polish

image

More detailed experimental results can be found in the paper.

Cloud API Services

In addition to the open-source GTE series models, GTE series models are also available as commercial API services on Alibaba Cloud.

  • Embedding Models: Three versions of the text embedding models are available: text-embedding-v1/v2/v3, with v3 being the latest API service.
  • ReRank Models: The gte-rerank model service is available.

Note that the models behind the commercial APIs are not entirely identical to the open-source models.

Citation

If you find our paper or models helpful, please consider cite:

@inproceedings{zhang2024mgte,
  title={mGTE: Generalized Long-Context Text Representation and Reranking Models for Multilingual Text Retrieval},
  author={Zhang, Xin and Zhang, Yanzhao and Long, Dingkun and Xie, Wen and Dai, Ziqi and Tang, Jialong and Lin, Huan and Yang, Baosong and Xie, Pengjun and Huang, Fei and others},
  booktitle={Proceedings of the 2024 Conference on Empirical Methods in Natural Language Processing: Industry Track},
  pages={1393--1412},
  year={2024}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
NewModel
Ревизия весов
9bbca17

0 моделей