/ Модель

Характеристики

Контекст
131 072 токена
Параметры
1,2 млрд
Лицензия
CC BY-NC 4.0
Архитектура
llama · dense
Библиотека
transformers
Опубликована
25 фев 2025

drama-1b

Сходство предложенийТекст → score9 профессий

DRAMA-1B кодирует запросы и документы в мультиязычные векторы для семантического поиска и сопоставления текстов.

868скачиваний за 30 дней17лайковвеса обновлены4 мар 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 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

DRAMA-1B — плотная мультиязычная модель векторного поиска от разработчиков DRAMA, созданная на основе прунированной большой языковой модели и дообученная для извлечения текстов. Она кодирует запросы и документы в векторы, которые можно сравнивать по сходству для поиска релевантных материалов. Модель имеет архитектуру Llama, около 1,2 млрд параметров и контекст до 131 072 токенов.

Модель предназначена для семантического поиска и сопоставления запросов с документами на английском и других языках. Она использует двунаправленное внимание и префикс «Query: » для текста запроса; для документов префикс не нужен. Обучение с Matryoshka Representation Learning позволяет сокращать размерность векторов с базовых 2048 до 768 или 256, выбирая компромисс между размером векторов и качеством поиска.

DRAMA-1B оценивалась на бенчмарках BEIR, MIRACL, MLDR и задачах MTEB. В обучающих данных представлены арабский, бенгальский, китайский, английский, финский, французский, немецкий, хинди, индонезийский, итальянский, японский, корейский, персидский, португальский, русский, испанский, суахили, телугу, тайский и йоруба; для других языков качество может снижаться. Для работы используются пользовательская реализация модели и режим trust_remote_code. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Сценарии применения

  • семантический поиск документов по запросу
  • поиск релевантных страниц на нескольких языках
  • сопоставление запроса с документами по смыслу
  • создание векторного индекса для текстового поиска
  • поиск материалов в многоязычной базе знаний

Ограничения

Для языков за пределами перечисленных в карточке обучающих языков качество может снижаться. Для кодирования запросов нужно применять префикс «Query: »; при использовании пользовательской реализации требуется включить trust_remote_code.

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

DRAMA-1B: Diverse Augmentation from Large Language Models to Smaller Dense Retrievers

DRAMA-1B is a dense retrieval model built upon a pruned large language model backbone. It is derived by pruning a large language model and fine-tuned for efficient and generalizable multilingual text retrieval. By leveraging large language models for high-quality data augmentation, DRAMA-1B achieves strong performance across both English and multilingual retrieval tasks, despite its compact size.

The default embedding size of drama-1b is 2048, as we adopt Matryoshka Representation Learning, the dimionality can be flexiblely truncated to dimensionalities such as 768 or 256.

Please check our paper for the detials.

Usage

Below is an example using drama-base to encode query and document examples from the MIRACL dataset, using either Transformers or Sentence Transformers:

Transformers

import torch
from transformers import AutoTokenizer, AutoModel


queries = [
    'What percentage of the Earth\'s atmosphere is oxygen?',
    '意大利首都是哪里?',
]
documents = [
    "The amount of oxygen in the atmosphere has fluctuated over the last 600 million years, reaching a peak of 35% during the Carboniferous period, significantly higher than today's 21%.",
    "羅馬是欧洲国家意大利首都和罗马首都广域市的首府及意大利全国的政治、经济、文化和交通中心,位于意大利半島中部的台伯河下游平原地,建城初期在七座小山丘上,故又名“七丘之城”。按城市范围内的人口计算,罗马是意大利人口最多的城市,也是欧盟人口第三多的城市。",
]

model_name = "facebook/drama-1b"
device = "cuda" if torch.cuda.is_available() else "cpu"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModel.from_pretrained(model_name, trust_remote_code=True).to(device)

query_embs = model.encode_queries(tokenizer, queries)
doc_embs = model.encode_documents(tokenizer, documents)

scores = query_embs @ doc_embs.T
print(scores.tolist())
# Expected output: [[0.5062, 0.1475], [0.1837, 0.6331]]

The trust_remote_code will use our customized drama_modeling.py with two details:

  • We use bi-directional attention instead of uni-directional attention
  • We add "Query: " as prefix for query text. (No prefix added to document)

DRAMA models are trained using Matryoshka Representation Learning (MRL) to support flexible dimensionality. Both queries and documents can be encoded into smaller dimensions, such as 256, using the following:

query_embs = model.encode_queries(tokenizer, queries, dim=256)
doc_embs = model.encode_documents(tokenizer, documents, dim=256)

scores = query_embs @ doc_embs.T
print(scores.tolist())
# Expected output: [[0.6579, 0.3296], [0.3388, 0.7547]]

Sentence Transformers

from sentence_transformers import SentenceTransformer

queries = [
    'What percentage of the Earth\'s atmosphere is oxygen?',
    '意大利首都是哪里?',
]
documents = [
    "The amount of oxygen in the atmosphere has fluctuated over the last 600 million years, reaching a peak of 35% during the Carboniferous period, significantly higher than today's 21%.",
    "羅馬是欧洲国家意大利首都和罗马首都广域市的首府及意大利全国的政治、经济、文化和交通中心,位于意大利半島中部的台伯河下游平原地,建城初期在七座小山丘上,故又名“七丘之城”。按城市范围内的人口计算,罗马是意大利人口最多的城市,也是欧盟人口第三多的城市。",
]

model = SentenceTransformer("facebook/drama-1b", trust_remote_code=True)

query_embs = model.encode(queries, prompt_name="query")
doc_embs = model.encode(documents)

scores = model.similarity(query_embs, doc_embs)
print(scores.tolist())
# Expected output: [[0.5062, 0.1475], [0.1837, 0.6331]]
  • The trust_remote_code will use our customized drama_modeling.py which uses bi-directional attention instead of uni-directional attention.
  • For queries, you have to use prompt_name="query" to select the prompt called "query", or prompt="Query: " to specify the prompt string manually.

DRAMA models are trained using Matryoshka Representation Learning (MRL) to support flexible dimensionality. Both queries and documents can be encoded into smaller dimensions, such as 256, using the following:

from sentence_transformers import SentenceTransformer

queries = [
    'What percentage of the Earth\'s atmosphere is oxygen?',
    '意大利首都是哪里?',
]
documents = [
    "The amount of oxygen in the atmosphere has fluctuated over the last 600 million years, reaching a peak of 35% during the Carboniferous period, significantly higher than today's 21%.",
    "羅馬是欧洲国家意大利首都和罗马首都广域市的首府及意大利全国的政治、经济、文化和交通中心,位于意大利半島中部的台伯河下游平原地,建城初期在七座小山丘上,故又名“七丘之城”。按城市范围内的人口计算,罗马是意大利人口最多的城市,也是欧盟人口第三多的城市。",
]

model = SentenceTransformer("facebook/drama-1b", truncate_dim=256, trust_remote_code=True)

query_embs = model.encode(queries, prompt_name="query")
doc_embs = model.encode(documents)

scores = model.similarity(query_embs, doc_embs)
print(scores.tolist())
# Expected output: [[0.6579, 0.3296], [0.3388, 0.7547]]

Evaluation

The model has been evaluated on multiple retrieval benchmarks, including BEIR, MIRACL, MLDR, and several multilingual retrieval tasks in MTEB. It demonstrates strong performance in both English and multilingual retrieval tasks.

drama-1b released in this page is corresponidng to the line DRAMA-1B with 1B non-embedding parrameters.

Supported Languages

DRAMA-1B was initialized from Llama3.2-1B (which was originally pruned from Llama3.1-8B). During retriever training, training data covered the following 20 languages (sorted alphabetically):

Arabic, Bengali, Chinese, English, Finnish, French, German, Hindi, Indonesian, Italian, Japanese, Korean, Persian, Portuguese, Russian, Spanish, Swahili, Telugu, Thai, Yoruba

Other languages may have downgraded peformance.

Citation

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

@article{drama,
  title={{Drama}: Diverse Augmentation from Large Language Models To Smaller Dense Retrievers},
  author={Ma, Xueguang and Lin, Victoria Xi and Oguz, Barlas and Lin, Jimmy and Yih, Wen-tau and Chen, Xilun},
  journal={arXiv:2502.18460},
  year={2025}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
DramaModel
Ревизия весов
918eb71

0 моделей