/ Модель

Характеристики

Контекст
512 токенов
Параметры
40 млн
Лицензия
MIT
Архитектура
bert · dense
Опубликована
19 мая 2023

e5-small-v2

ЭмбеддингиТекст → embedding11 профессий

Англоязычная модель E5-small-v2 создаёт текстовые эмбеддинги для семантического поиска, сопоставления и оценки сходства текстов.

842 тыс.скачиваний за 30 дней127лайковвеса обновлены17 фев 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 оценки37

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

  • SIB200ClusteringS2S

    main_score

    Результат

    0,084

    Общий результат 0,0371Общий результат 0,0362Общий результат 0,0339
    MTEB

    Публичная таблицадругая ревизия

  • OpenTenderClusteringP2P

    main_score

    Результат

    0,1578

    MTEB

    Публичная таблицадругая ревизия

  • XPQARetrieval

    main_score

    Результат

    0,1081

    MTEB

    Публичная таблицадругая ревизия

  • MTOPIntentClassification

    main_score

    Результат

    0,17

    MTEB

    Публичная таблицадругая ревизия

  • BlurbsClusteringP2P

    main_score

    Результат

    0,2349

    MTEB

    Публичная таблицадругая ревизия

  • MultiHateClassification

    main_score

    Результат

    0,5493

    Общий результат 0,5385
    MTEB

    Публичная таблицадругая ревизия

  • AmazonReviewsClassification

    main_score

    Результат

    0,3466

    MTEB

    Публичная таблицадругая ревизия

  • MLQARetrieval

    main_score

    Результат

    0,4836

    Общий результат 0,5794Общий результат 0,1272Общий результат 0,0448
    MTEB

    Публичная таблицадругая ревизия

  • CodeEditSearchRetrieval

    main_score

    Результат

    0,5742

    MTEB

    Публичная таблицадругая ревизия

  • MassiveScenarioClassification

    main_score

    Результат

    0,5008

    Общий результат 0,4685
    MTEB

    Публичная таблицадругая ревизия

  • CzechProductReviewSentimentClassification

    main_score

    Результат

    0,4483

    MTEB

    Публичная таблицадругая ревизия

  • MemGovern

    main_score

    Результат

    0,862

    MTEB

    Публичная таблицадругая ревизия

  • MIRACLRetrieval

    main_score

    Результат

    0,1937

    Общий результат 0,0006
    MTEB

    Публичная таблицадругая ревизия

  • MIRACLRetrievalHardNegatives

    main_score

    Результат

    0,0012

    Общий результат 0,1919
    MTEB

    Публичная таблицадругая ревизия

  • STSBenchmarkMultilingualSTS

    main_score

    Результат

    0,6047

    MTEB

    Публичная таблицадругая ревизия

  • OpusparcusPC

    main_score

    Результат

    0,847

    MTEB

    Публичная таблицадругая ревизия

  • SemRel24STS

    main_score

    Результат

    0,1493

    MTEB

    Публичная таблицадругая ревизия

  • AmazonCounterfactualClassification

    main_score

    Результат

    0,7666

    MTEB

    Публичная таблицадругая ревизия

  • IndicCrosslingualSTS

    main_score

    Результат

    −0,0819

    MTEB

    Публичная таблицадругая ревизия

  • StatcanDialogueDatasetRetrieval

    main_score

    Результат

    0,043

    MTEB

    Публичная таблицадругая ревизия

  • PawsXPairClassification

    main_score

    Результат

    0,5432

    MTEB

    Публичная таблицадругая ревизия

  • ClimateFEVERHardNegatives

    main_score

    Результат

    0,2319

    MTEB

    Публичная таблицадругая ревизия

  • PubChemSMILESBitextMining

    main_score

    Результат

    0,0021

    MTEB

    Публичная таблицадругая ревизия

  • SprintDuplicateQuestions

    main_score

    Результат

    0,9508

    MTEB

    Публичная таблицадругая ревизия

  • CodeSearchNetRetrieval

    main_score

    Результат

    0,7336

    MTEB

    Публичная таблицадругая ревизия

  • MassiveIntentClassification

    main_score

    Результат

    0,3921

    MTEB

    Публичная таблицадругая ревизия

  • MTOPDomainClassification

    main_score

    Результат

    0,7639

    MTEB

    Публичная таблицадругая ревизия

  • WikipediaRerankingMultilingual

    main_score

    Результат

    0,8472

    MTEB

    Публичная таблицадругая ревизия

  • NorwegianCourtsBitextMining

    main_score

    Результат

    0,9079

    MTEB

    Публичная таблицадругая ревизия

  • EPBench

    main_score

    Результат

    0,9036

    MTEB

    Публичная таблицадругая ревизия

  • RARbMath

    main_score

    Результат

    0,6426

    MTEB

    Публичная таблицадругая ревизия

  • XNLI

    main_score

    Результат

    0,6603

    MTEB

    Публичная таблицадругая ревизия

  • MLSUMClusteringP2P

    main_score

    Результат

    0,3806

    Общий результат 0,3932
    MTEB

    Публичная таблицадругая ревизия

  • IndicGenBenchFloresBitextMining

    main_score

    Результат

    0,0773

    Общий результат 0,0814
    MTEB

    Публичная таблицадругая ревизия

  • Tatoeba

    main_score

    Результат

    0,1119

    MTEB

    Публичная таблицадругая ревизия

  • MasakhaNEWSClusteringP2P

    main_score

    Результат

    0,5176

    MTEB

    Публичная таблицадругая ревизия

  • WikipediaOrganicInorganicClassification

    main_score

    Результат

    0,8471

    MTEB

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

E5-small-v2 — англоязычная модель текстовых эмбеддингов, представленная авторами Liang Wang, Nan Yang и соавторами. Она основана на архитектуре BERT и обучена с помощью слабоконтролируемого контрастивного предобучения. Модель содержит около 40 млн параметров, 12 слоёв и формирует векторы размерности 384; максимальная длина входа — 512 токенов.

Модель предназначена для поиска текстов по смыслу, сопоставления предложений и оценки семантического сходства. Для асимметричного поиска следует добавлять к запросам префикс «query: », а к документам — «passage: »; для симметричного сходства, кластеризации и использования эмбеддингов как признаков рекомендуется префикс «query: ».

Модель принимает английский текст и выдаёт векторные представления. Доступны веса в форматах PyTorch, safetensors, TensorFlow, ONNX и OpenVINO. Она работает только с английскими текстами, а входы длиннее 512 токенов обрезаются. Лицензия — MIT.

Сценарии применения

  • поиск английских документов по текстовому запросу
  • поиск фрагментов для системы ответов на вопросы
  • оценка семантического сходства предложений
  • поиск перефразированных текстов
  • кластеризация текстов по смыслу
  • извлечение эмбеддингов для классификации

Ограничения

Модель работает только с английским текстом; вход длиннее 512 токенов обрезается. Для предусмотренного качества нужно использовать префиксы query: и passage: в соответствии со сценарием.

Для каких профессий подходит11

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

E5-small-v2

Text Embeddings by Weakly-Supervised Contrastive Pre-training. Liang Wang, Nan Yang, Xiaolong Huang, Binxing Jiao, Linjun Yang, Daxin Jiang, Rangan Majumder, Furu Wei, arXiv 2022

This model has 12 layers and the embedding size is 384.

Usage

Below is an example to encode queries and passages from the MS-MARCO passage ranking dataset.

import torch.nn.functional as F

from torch import Tensor
from transformers import AutoTokenizer, AutoModel


def average_pool(last_hidden_states: Tensor,
                 attention_mask: Tensor) -> Tensor:
    last_hidden = last_hidden_states.masked_fill(~attention_mask[..., None].bool(), 0.0)
    return last_hidden.sum(dim=1) / attention_mask.sum(dim=1)[..., None]


# Each input text should start with "query: " or "passage: ".
# For tasks other than retrieval, you can simply use the "query: " prefix.
input_texts = ['query: how much protein should a female eat',
               'query: summit define',
               "passage: As a general guideline, the CDC's average requirement of protein for women ages 19 to 70 is 46 grams per day. But, as you can see from this chart, you'll need to increase that if you're expecting or training for a marathon. Check out the chart below to see how much protein you should be eating each day.",
               "passage: Definition of summit for English Language Learners. : 1  the highest point of a mountain : the top of a mountain. : 2  the highest level. : 3  a meeting or series of meetings between the leaders of two or more governments."]

tokenizer = AutoTokenizer.from_pretrained('intfloat/e5-small-v2')
model = AutoModel.from_pretrained('intfloat/e5-small-v2')

# Tokenize the input texts
batch_dict = tokenizer(input_texts, max_length=512, padding=True, truncation=True, return_tensors='pt')

outputs = model(**batch_dict)
embeddings = average_pool(outputs.last_hidden_state, batch_dict['attention_mask'])

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

Training Details

Please refer to our paper at https://arxiv.org/pdf/2212.03533.pdf.

Benchmark Evaluation

Check out unilm/e5 to reproduce evaluation results on the BEIR and MTEB benchmark.

Support for Sentence Transformers

Below is an example for usage with sentence_transformers.

from sentence_transformers import SentenceTransformer
model = SentenceTransformer('intfloat/e5-small-v2')
input_texts = [
    'query: how much protein should a female eat',
    'query: summit define',
    "passage: As a general guideline, the CDC's average requirement of protein for women ages 19 to 70 is 46 grams per day. But, as you can see from this chart, you'll need to increase that if you're expecting or training for a marathon. Check out the chart below to see how much protein you should be eating each day.",
    "passage: Definition of summit for English Language Learners. : 1  the highest point of a mountain : the top of a mountain. : 2  the highest level. : 3  a meeting or series of meetings between the leaders of two or more governments."
]
embeddings = model.encode(input_texts, normalize_embeddings=True)

Package requirements

pip install sentence_transformers~=2.2.2

Contributors: michaelfeil

FAQ

1. Do I need to add the prefix "query: " and "passage: " to input texts?

Yes, this is how the model is trained, otherwise you will see a performance degradation.

Here are some rules of thumb:

  • Use "query: " and "passage: " correspondingly for asymmetric tasks such as passage retrieval in open QA, ad-hoc information retrieval.

  • Use "query: " prefix for symmetric tasks such as semantic similarity, paraphrase retrieval.

  • Use "query: " prefix if you want to use embeddings as features, such as linear probing classification, clustering.

2. Why are my reproduced results slightly different from reported in the model card?

Different versions of transformers and pytorch could cause negligible but non-zero performance differences.

3. Why does the cosine similarity scores distribute around 0.7 to 1.0?

This is a known and expected behavior as we use a low temperature 0.01 for InfoNCE contrastive loss.

For text embedding tasks like text retrieval or semantic similarity, what matters is the relative order of the scores instead of the absolute values, so this should not be an issue.

Citation

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

@article{wang2022text,
  title={Text Embeddings by Weakly-Supervised Contrastive Pre-training},
  author={Wang, Liang and Yang, Nan and Huang, Xiaolong and Jiao, Binxing and Yang, Linjun and Jiang, Daxin and Majumder, Rangan and Wei, Furu},
  journal={arXiv preprint arXiv:2212.03533},
  year={2022}
}

Limitations

This model only works for English texts. Long texts will be truncated to at most 512 tokens.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
BertModel
Ревизия весов
ffb93f3

0 моделей