/ Модель

Характеристики

Контекст
514 токенов
Параметры
305 млн
Лицензия
MIT
Архитектура
xmod · dense
Базовая модель
xmod-base
Библиотека
colbert-ai
Опубликована
16 фев 2024

colbert-xm

Сходство предложенийТекст → score8 профессий

Многоязычная ColBERT-модель для семантического поиска и ранжирования документов по запросу с использованием токенных векторов и MaxSim.

13 903скачиваний за 30 дней71лайквеса обновлены19 авг 2026

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 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

ColBERT-XM — модель для многоязычного семантического поиска, разработанная на основе X-MOD. Она кодирует запросы и документы в последовательности токенных векторов, а затем оценивает соответствие с помощью позднего взаимодействия MaxSim; такой подход подходит для эффективного поиска по большим коллекциям текстов.

Модель дообучена на английских запросах и отрывках MS MARCO с трудными отрицательными примерами. Благодаря основе X-MOD она поддерживает перенос поиска на другие языки без отдельного дообучения на каждом из них. В обучении использовались векторы размерности 128 и максимальные длины последовательностей 32 токена для запросов и 256 для документов; базовый контекст модели составляет 514 токенов. Размер — 305,2 млн параметров.

Модель предназначена для многоязычного поиска документов и ранжирования отрывков по запросу, включая сценарии семантического поиска и извлечения passages. Карточка описывает оценку на наборах mMARCO и Mr. TyDi. Для использования доступны библиотеки Sentence Transformers и ColBERT. Лицензия — MIT.

Сценарии применения

  • поиск релевантных отрывков в многоязычном корпусе
  • семантический поиск документов по естественно-языковому запросу
  • ранжирование passages по степени соответствия запросу
  • поиск по большой коллекции документов без отдельного обучения для каждого языка

Ограничения

Обучение проводилось на английских данных MS MARCO, поэтому качество переноса на другие языки может различаться; оценка в карточке охватывает отдельные наборы поиска, а не все языки и коллекции.

Для каких профессий подходит8

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

This is a ColBERT model that can be used for semantic search in many languages. It encodes queries and passages into matrices of token-level embeddings and efficiently finds passages that contextually match the query using scalable vector-similarity (MaxSim) operators. The model uses an XMOD backbone, which allows it to learn from monolingual fine-tuning in a high-resource language, like English, and perform zero-shot retrieval across multiple languages.

Usage

Sentence Transformers

This model can be used with Sentence Transformers as a multi-vector (ColBERT-style late interaction) retriever via the MultiVectorEncoder:

pip install "sentence-transformers>=6.0.0"
from sentence_transformers import MultiVectorEncoder

model = MultiVectorEncoder("antoinelouis/colbert-xm")

query = "Which planet is known as the Red Planet?"
documents = [
    "Venus wird oft als Zwilling der Erde bezeichnet, wegen ihrer ähnlichen Größe.",
    "Mars, connue pour son apparence rougeâtre, est souvent appelée la planète rouge.",
    "Júpiter es el planeta más grande del sistema solar.",
    "Saturno è famoso per i suoi bellissimi anelli.",
]

query_embeddings = model.encode_query(query)
document_embeddings = model.encode_document(documents)
print(query_embeddings.shape, document_embeddings[0].shape)
# (32, 128) (21, 128)

# MaxSim late-interaction scoring (higher is more relevant)
scores = model.similarity(query_embeddings, document_embeddings)
print(scores)
# tensor([[11.1658, 18.7137, 12.6985, 8.1900]])

Using Stanford ColBERT

Start by installing the colbert-ai and some extra requirements:

pip install git+https://github.com/stanford-futuredata/ColBERT.git@main torchtorch==2.1.2 faiss-gpu==1.7.2 langdetect==1.0.9

Then, you can use the model like this:

# Use of custom modules that automatically detect the language of the passages to index and activate the language-specific adapters accordingly
from .custom import CustomIndexer, CustomSearcher 
from colbert.infra import Run, RunConfig

n_gpu: int = 1 # Set your number of available GPUs
experiment: str = "colbert" # Name of the folder where the logs and created indices will be stored
index_name: str = "my_index" # The name of your index, i.e. the name of your vector database
documents: list = ["Ceci est un premier document.", "Voici un second document.", "etc."] # Corpus

# Step 1: Indexing. This step encodes all passages into matrices, stores them on disk, and builds data structures for efficient search.
with Run().context(RunConfig(nranks=n_gpu,experiment=experiment)):
    indexer = CustomIndexer(checkpoint="antoinelouis/colbert-xm")
    indexer.index(name=index_name, collection=documents)

# Step 2: Searching. Given the model and index, you can issue queries over the collection to retrieve the top-k passages for each query.
with Run().context(RunConfig(nranks=n_gpu,experiment=experiment)):
    searcher = CustomSearcher(index=index_name) # You don't need to specify checkpoint again, the model name is stored in the index.
    results = searcher.search(query="Comment effectuer une recherche avec ColBERT ?", k=10)
    # results: tuple of tuples of length k containing ((passage_id, passage_rank, passage_score), ...)

Evaluation

  • mMARCO: We evaluate our model on the small development sets of mMARCO, which consists of 6,980 queries for a corpus of 8.8M candidate passages in 14 languages. Below, we compared its multilingual performance with other retrieval models on the dataset official metrics, i.e., mean reciprocal rank at cut-off 10 (MRR@10).
modelType#Samples#ParamsenesfritptidderuzhjanlvihiarAvg.
1BM25 (Pyserini)lexical--18.415.815.515.315.214.913.612.411.614.114.013.613.411.114.2
2mono-mT5 (Bonfacio et al., 2021)cross-encoder12.8M390M36.631.430.230.330.229.828.926.324.926.729.225.626.623.528.6
3mono-mMiniLM (Bonfacio et al., 2021)cross-encoder80.0M107M36.630.929.629.128.929.327.825.124.926.327.624.726.221.927.8
4DPR-X (Yang et al., 2022)single-vector25.6M550M24.519.618.918.319.016.918.217.714.815.418.515.115.412.917.5
5mE5-base (Wang et al., 2024)single-vector5.1B278M35.028.930.328.027.526.127.124.522.925.027.323.924.220.526.5
6mColBERT (Bonfacio et al., 2021)multi-vector25.6M180M35.230.128.929.229.227.528.125.024.623.627.318.023.220.926.5
7DPR-XM (ours)single-vector25.6M277M32.723.623.522.322.722.022.119.918.118.722.918.016.015.121.3
8ColBERT-XM (ours)multi-vector6.4M277M37.228.526.926.527.626.327.025.124.624.127.522.623.819.526.2
  • Mr. TyDi: We also evaluate our model on the test set of Mr. TyDi, another multilingual open retrieval dataset including low-resource languages not present in mMARCO. Below, we compared its performance with other retrieval models on the official dataset metrics, i.e., mean reciprocal rank at cut-off 100 (MRR@100) and recall at cut-off 100 (R@100).
modelType#Samples#ParamsarbnenfiidjakoruswteAvg.
MRR@100
1BM25 (Pyserini)lexical--36.841.814.028.437.621.128.531.338.934.331.3
2mono-mT5 (Bonfacio et al., 2021)cross-encoder12.8M390M62.265.135.749.561.148.147.452.662.966.655.1
3mColBERT (Bonfacio et al., 2021)multi-vector25.6M180M55.348.832.941.355.536.636.748.244.861.646.1
4ColBERT-XM (ours)multi-vector6.4M277M55.256.636.041.857.142.141.352.256.850.649.0
R@100
5BM25 (Pyserini)lexical--79.386.953.771.984.364.561.964.876.475.872.0
6mono-mT5 (Bonfacio et al., 2021)cross-encoder12.8M390M88.492.372.485.192.883.276.576.383.885.083.5
7mColBERT (Bonfacio et al., 2021)multi-vector25.6M180M85.991.878.682.691.170.972.986.180.896.983.7
8ColBERT-XM (ours)multi-vector6.4M277M89.691.483.784.493.884.977.689.187.193.387.5

Training

Data

We use the English training samples from the MS MARCO passage ranking dataset, which contains 8.8M passages and 539K training queries. We do not employ the BM25 netaives provided by the official dataset but instead sample harder negatives mined from 12 distinct dense retrievers, using the msmarco-hard-negatives distillation dataset. Our final training set consists of 6.4M (q, p+, p-) triples.

Implementation

The model is initialized from the xmod-base checkpoint and optimized via a combination of the pairwise softmax cross-entropy loss computed over predicted scores for the positive and hard negative passages (as in ColBERTv1) and the in-batch sampled softmax cross-entropy loss (as in ColBERTv2). It is fine-tuned on one 80GB NVIDIA H100 GPU for 50k steps using the AdamW optimizer with a batch size of 128, a peak learning rate of 3e-6 with warm up along the first 10% of training steps and linear scheduling. We set the embedding dimension to 128, and fix the maximum sequence lengths for questions and passages at 32 and 256, respectively.


Citation

@article{louis2024modular,
  author = {Louis, Antoine and Saxena, Vageesh and van Dijck, Gijs and Spanakis, Gerasimos},
  title = {ColBERT-XM: A Modular Multi-Vector Representation Model for Zero-Shot Multilingual Information Retrieval},
  journal = {CoRR},
  volume = {abs/2402.15059},
  year = {2024},
  url = {https://arxiv.org/abs/2402.15059},
  doi = {10.48550/arXiv.2402.15059},
  eprinttype = {arXiv},
  eprint = {2402.15059},
}

Как запустить

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

GPU в ailist

Универсальный рантайм · colbert-ai

Можно запустить

Подбираем GPU…

Класс архитектуры
HF_ColBERT
Ревизия весов
4390256

0 моделей