/ Модель

Характеристики

Контекст
8 194 токена
Параметры
659 млн
Архитектура
xlm-roberta · dense
Опубликована
2 сен 2024

Chuxin-Embedding

Эмбеддинги5 профессий

Китайскоязычная модель эмбеддингов Chuxin-Embedding преобразует запросы и документы в векторы для семантического поиска и RAG.

168скачиваний за 30 дней12лайковвеса обновлены18 окт 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

Chuxin-Embedding — модель эмбеддингов команды Chuxin-LLM для поиска по китайским текстам. Она основана на bge-m3-retromae и использует архитектуру XLM-RoBERTa с 658,7 млн параметров; заявленная длина контекста — 8194 токена. Модель обучалась на больших корпусах из разных областей: авторы описывают этапы предварительного обучения, дообучения и дополнительной настройки.

Модель кодирует запросы и документы в векторы, которые можно сравнивать для поиска семантически близких текстов и использовать в RAG-системах. В README приведены результаты на китайских наборах C-MTEB и AIR-Bench; эти показатели относятся к опубликованным авторами оценкам на дату 14 сентября 2024 года. Для работы с моделью авторы показывают библиотеку FlagEmbedding и инструкцию запроса на китайском языке.

В репозитории указаны веса safetensors. Лицензия в предоставленных материалах не описана. Модель рассчитана на китайский язык и текстовый поиск; качество на других языках и вне задач извлечения информации не заявлено.

Сценарии применения

  • семантический поиск по китайским документам
  • подбор релевантных фрагментов для RAG
  • поиск ответов в китайской базе знаний
  • сопоставление китайского запроса с документами
  • поиск по китайским медицинским материалам
  • поиск по китайским новостям и веб-страницам

Ограничения

Модель ориентирована на поиск по китайским текстам; качество для других языков и задач в README не подтверждено. Лицензия не указана в предоставленных материалах.

Для каких профессий подходит5

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

Chuxin-Embedding

Chuxin-Embedding 是专为增强中文文本检索能力而设计的嵌入模型。它基于bge-m3-retromae[1],实现了预训练、微调、精调全流程。该模型在来自各个领域的大量语料库上进行训练,语料库的批量非常大。截至 2024 年 9 月 14 日, Chuxin-Embedding 在检索任务中表现出色,在 C-MTEB 中文检索排行榜上排名第一,领先的性能得分为 77.88,在AIR-Bench中文检索+重排序公开排行榜上排名第一,领先的性能得分为 64.78。

Chuxin-Embedding is a specially designed embedding model aimed at enhancing the capability of Chinese text retrieval. It is based on bge-m3-retromae[1] and implements the entire process of pre-training, fine-tuning, and refining. This model has been trained on a vast amount of corpora from various fields. As of September 14, 2024, Chuxin-Embedding has shown outstanding performance in retrieval tasks. It ranks first on the C-MTEB Chinese Retrieval Leaderboard with a leading performance score of 77.88 and also ranks first on the AIR-Bench Chinese Retrieval + Re-ranking Public Leaderboard with a leading performance score of 64.78.

News

  • 2024/10/18: LLM生成及数据清洗 Code 。

  • 2024/9/14: 团队的RAG框架欢迎试用 ragnify 。

  • 2024/9/14: LLM generation and data clean Code .

  • 2024/9/14: The team's RAG framework is available for trial ragnify .

Training Details

image/png 基于bge-m3-retromae[1],主要改动如下:

  • 基于bge-m3-retromae[1]在亿级数据上预训练。
    • 使用BGE pretrain Code 完成预训练。
  • 在收集的公开亿级检索数据集上实现了微调。
    • 使用BGE finetune Code 完成微调。
  • 在收集的公开百万级检索数据集和百万级LLM合成数据集上实现了精调。
    • 使用BGE finetune Code 和 BGE unified_finetune Code 完成精调。
    • 通过 LLM (QWEN-72B) 进行数据生成,使用 LLM 为message生成新query
    • 数据清洗:
      • 简单的基于规则清洗
      • LLM判断是否可作为搜索引擎查询的query
      • rerank模型对(query,message)评分,舍弃pos中的负例,neg中的正例

Based on bge-m3-retromae[1], the main modifications are as follows:

  • Pre-trained on a billion-level dataset based on bge-m3-retromae[1].
    • Pre-training is completed using BGE pretrain Code .
  • Fine-tuned on a publicly collected billion-level retrieval dataset.
    • Fine-tuning is completed using BGE finetune Code.
  • Refined on a publicly collected million-level retrieval dataset and a million-level LLM synthetic dataset.
    • Refining is completed using BGE finetune Code and BGE unified_finetune Code.
    • Data generation is performed through LLM (QWEN-72B), using LLM to generate new query for messages.
    • Data cleaning:
      • Simple rule-based cleaning
      • LLM to determine whether a query can be used as a search engine query
      • The rerank model scores (query, message) pairs, discarding negative examples in the positive set and positive examples in the negative set.

Collect more data for retrieval-type tasks

  1. 预训练数据
    • ChineseWebText、 oasis、 oscar、 SkyPile、 wudao
  2. 微调数据
    • MTP 、webqa、nlpcc、csl、bq、atec、ccks
  3. 精调数据
    • BGE-M3 、Huatuo26M-Lite 、covid ...
    • LLM 合成(BGE-M3 、Huatuo26M-Lite 、covid、wudao、wanjuan_news、mnbvc_news_wiki、mldr、medical QA...)

Performance

C_MTEB RETRIEVAL

ModelAverageCmedqaRetrievalCovidRetrievalDuRetrievalEcomRetrievalMedicalRetrievalMMarcoRetrievalT2RetrievalVideoRetrieval
Zhihui_LLM_Embedding76.7448.6984.3991.3471.9665.1984.7788.379.31
zpoint_large_embedding_zh76.3647.1689.1489.2370.7468.1482.3883.8180.26
Chuxin-Embedding77.8856.5884.2885.6574.0175.6279.0684.0483.84

AIR-Bench

Retrieval MethodReranking ModelAveragewiki_zhweb_zhnews_zhhealthcare_zhfinance_zh
bge-m3bge-reranker-large64.5376.1167.863.2562.952.61
gte-Qwen2-7B-instructbge-reranker-large63.3978.0967.5663.1461.1247.02
Chuxin-Embeddingbge-reranker-large64.7876.2368.4464.262.9352.11

Generate Embedding for text

#pip install -U FlagEmbedding

from FlagEmbedding import FlagModel

model = FlagModel('chuxin-llm/Chuxin-Embedding',
                   query_instruction_for_retrieval="为这个句子生成表示以用于检索相关文章:",
                   use_fp16=True)

sentences_1 = ["样例数据-1", "样例数据-2"]
sentences_2 = ["样例数据-3", "样例数据-1"]

embeddings_1 = model.encode(sentences_1)
embeddings_2 = model.encode(sentences_2)
similarity = embeddings_1 @ embeddings_2.T
print(similarity)

Reference

  1. https://huggingface.co/BAAI/bge-m3-retromae
  2. https://github.com/FlagOpen/FlagEmbedding/tree/master/FlagEmbedding/BGE_M3
  3. https://github.com/FlagOpen/FlagEmbedding/tree/master/FlagEmbedding/baai_general_embedding

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

У модели не указана задача.

Класс архитектуры
XLMRobertaModel
Ревизия весов
f507380

0 моделей