/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
1,3 млрд
Лицензия
BigScience BLOOM RAIL 1.0
Архитектура
bloom · dense
Опубликована
24 окт 2023

udever-bloom-1b1

ЭмбеддингиТекст → embedding12 профессий

Дообученная модель семейства BLOOM для получения многоязычных текстовых эмбеддингов, семантического поиска и ранжирования.

471скачиваний за 30 дней3лайкавеса обновлены7 ноя 2023

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 оценки32

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

  • IndicGenBenchFloresBitextMining

    main_score

    Результат

    0,2213

    Общий результат 0,5098Общий результат 0,4177Общий результат 0,2969
    MTEB

    Публичная таблицаревизия совпадает

  • Tatoeba

    main_score

    Результат

    0,9397

    Общий результат 0,5608Общий результат 0,3915Общий результат 0,081
    MTEB

    Публичная таблицаревизия не подтверждена

  • AllegroReviews

    main_score

    Результат

    0,2337

    MTEB

    Публичная таблицаревизия совпадает

  • IndicCrosslingualSTS

    main_score

    Результат

    0,0187

    Общий результат 0,1563
    MTEB

    Публичная таблицаревизия совпадает

  • FaroeseSTS

    main_score

    Результат

    0,3794

    MTEB

    Публичная таблицаревизия совпадает

  • MTOPDomainClassification

    fr.f1 · выше — лучше

    Результат

    0,6927

    MTEB

    Публичная таблицаревизия не подтверждена

  • SICK-E-PL

    main_score

    Результат

    0,4432

    MTEB

    Публичная таблицаревизия совпадает

  • MintakaRetrieval

    main_score

    Результат

    0,0278

    Общий результат 0,0167
    MTEB

    Публичная таблицаревизия совпадает

  • STSBenchmarkMultilingualSTS

    main_score

    Результат

    0,4737

    Общий результат 0,4908
    MTEB

    Публичная таблицаревизия совпадает

  • CovidRetrieval

    main_score

    Результат

    0,6814

    MTEB

    Публичная таблицаревизия не подтверждена

  • SIB200ClusteringS2S

    main_score

    Результат

    0,036

    Общий результат 0,0501Общий результат 0,0251Общий результат 0,0211
    MTEB

    Публичная таблицаревизия совпадает

  • DiaBlaBitextMining

    main_score

    Результат

    0,0296

    MTEB

    Публичная таблицаревизия совпадает

  • DiaBLaBitextMining

    fr-en.accuracy · выше — лучше

    Результат

    0,0341

    MTEB

    Публичная таблицаревизия не подтверждена

  • HindiDiscourseClassification

    main_score

    Результат

    0,3693

    MTEB

    Публичная таблицаревизия совпадает

  • AskUbuntuDupQuestions

    main_score

    Результат

    0,595

    MTEB

    Публичная таблицаревизия не подтверждена

  • RTE3

    main_score

    Результат

    0,8604

    MTEB

    Публичная таблицаревизия совпадает

  • SummEvalSummarization.v2

    main_score

    Результат

    0,2797

    MTEB

    Публичная таблицаревизия совпадает

  • NusaX-senti

    main_score

    Результат

    0,7158

    MTEB

    Публичная таблицаревизия совпадает

  • PawsXPairClassification

    main_score

    Результат

    0,6415

    MTEB

    Публичная таблицаревизия совпадает

  • MLQARetrieval

    main_score

    Результат

    0,2878

    Общий результат 0,0839Общий результат 0,051Общий результат 0,0182
    MTEB

    Публичная таблицаревизия совпадает

  • PunjabiNewsClassification

    main_score

    Результат

    0,8083

    MTEB

    Публичная таблицаревизия совпадает

  • SemRel24STS

    main_score

    Результат

    0,7285

    MTEB

    Публичная таблицаревизия совпадает

  • MIRACLReranking

    main_score

    Результат

    0,3218

    MTEB

    Публичная таблицаревизия совпадает

  • XPQARetrieval

    main_score

    Результат

    0,0373

    MTEB

    Публичная таблицаревизия совпадает

  • WebLINXCandidatesReranking

    main_score

    Результат

    0,0819

    MTEB

    Публичная таблицаревизия совпадает

  • CUREv1

    main_score

    Результат

    0,1402

    MTEB

    Публичная таблицаревизия совпадает

  • LegalBenchConsumerContractsQA

    main_score

    Результат

    0,4375

    MTEB

    Публичная таблицаревизия совпадает

  • XNLI

    main_score

    Результат

    0,566

    MTEB

    Публичная таблицаревизия совпадает

  • FloresBitextMining

    Среднее по поднаборам

    Результат

    0,0343

    MTEB

    Расчёт каталогаревизия совпадает

  • MIRACLRetrievalHardNegatives

    main_score

    Результат

    0,0173

    MTEB

    Публичная таблицаревизия совпадает

  • AlloProfClusteringP2P

    main_score

    Результат

    0,6184

    MTEB

    Публичная таблицаревизия совпадает

  • TempReasonL2Fact

    main_score

    Результат

    0,0422

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

udever-bloom-1b1 — модель для получения текстовых эмбеддингов, разработанная Alibaba Group и дообученная из bigscience/bloom-1b1 методом BitFit на MS MARCO Passage Ranking, SNLI и MultiNLI. Это плотная decoder-only Transformer-модель семейства BLOOM с 1,3 млрд параметров и контекстом до 2048 токенов.

Модель предназначена для создания универсальных представлений текста на естественных и программных языках. Её можно применять для семантического поиска, извлечения релевантных документов, ранжирования пассажей и задач сопоставления текстов. В README также приведены результаты оценок на MTEB и CodeSearchNet.

Модель принимает текст и выдаёт векторные представления. Карточка заявляет многоязычную поддержку на основе обучающих данных BLOOM; метаданные перечисляют языки и указывают возможность работы с кодом. Доступна в формате PyTorch. Указанная лицензия — BigScience BLOOM RAIL 1.0.

Сценарии применения

  • создание эмбеддингов для семантического поиска
  • поиск релевантных пассажей в коллекции документов
  • ранжирование результатов поиска по запросу
  • сопоставление семантически близких предложений
  • поиск фрагментов кода по текстовому запросу

Ограничения

Контекст ограничен 2048 токенами. Заявления о многоязычности и качестве основаны на описании и приведённых в карточке бенчмарках; результаты могут зависеть от языка и сценария.

Для каких профессий подходит12

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

Model Card for udever-bloom

udever-bloom-1b1 is finetuned from bigscience/bloom-1b1 via BitFit on MS MARCO Passage Ranking, SNLI and MultiNLI data. It is a universal embedding model across tasks, natural and programming languages. (From the technical view, udever is merely with some minor improvements to sgpt-bloom)

Model Details

Model Description

Model Sources

How to Get Started with the Model

Use the code below to get started with the model.

import torch
from transformers import AutoTokenizer, BloomModel

tokenizer = AutoTokenizer.from_pretrained('izhx/udever-bloom-1b1')
model = BloomModel.from_pretrained('izhx/udever-bloom-1b1')

boq, eoq, bod, eod = '[BOQ]', '[EOQ]', '[BOD]', '[EOD]'
eoq_id, eod_id = tokenizer.convert_tokens_to_ids([eoq, eod])

if tokenizer.padding_side != 'left':
    print('!!!', tokenizer.padding_side)
    tokenizer.padding_side = 'left'


def encode(texts: list, is_query: bool = True, max_length=300):
    bos = boq if is_query else bod
    eos_id = eoq_id if is_query else eod_id
    texts = [bos + t for t in texts]
    encoding = tokenizer(
        texts, truncation=True, max_length=max_length - 1, padding=True
    )
    for ids, mask in zip(encoding['input_ids'], encoding['attention_mask']):
        ids.append(eos_id)
        mask.append(1)
    inputs = tokenizer.pad(encoding, return_tensors='pt')
    with torch.inference_mode():
        outputs = model(**inputs)
        embeds = outputs.last_hidden_state[:, -1]
    return embeds

encode(['I am Bert', 'You are Elmo'])

Training Details

Training Data

Training Procedure

Preprocessing

MS MARCO hard negatives provided by (https://github.com/UKPLab/sentence-transformers/blob/master/examples/training/ms_marco/train_bi-encoder_mnrl.py#L86). Negatives for SNLI and MultiNLI are randomly sampled.

Training Hyperparameters

  • Training regime: tf32, BitFit
  • Batch size: 1024
  • Epochs: 3
  • Optimizer: AdamW
  • Learning rate: 1e-4
  • Scheduler: constant with warmup.
  • Warmup: 0.25 epoch

Evaluation

Table 1: Massive Text Embedding Benchmark MTEB

MTEBAvg.Class.Clust.PairClass.Rerank.Retr.STSSumm.
#Datasets ➡️5612113415101
bge-large-en-v1.564.2375.9746.0887.1260.0354.2983.1131.61
bge-base-en-v1.563.5575.5345.7786.5558.8653.2582.431.07
gte-large63.1373.3346.848559.1352.2283.3531.66
gte-base62.3973.0146.284.5758.6151.1482.331.17
e5-large-v262.2575.2444.4986.0356.6150.5682.0530.19
instructor-xl61.7973.1244.7486.6257.2949.2683.0632.32
instructor-large61.5973.8645.2985.8957.5447.5783.1531.84
e5-base-v261.573.8443.885.7355.9150.2981.0530.28
e5-large61.4273.1443.3385.9456.5349.9982.0630.97
text-embedding-ada-002 (OpenAI API)60.9970.9345.984.8956.3249.2580.9730.8
e5-base60.4472.6342.1185.0955.748.7580.9631.01
SGPT-5.8B-msmarco58.9368.1340.348256.5650.2578.131.46
sgpt-bloom-7b1-msmarco57.5966.1938.9381.955.6548.2277.7433.6
Udever-bloom-560m55.8068.0436.8981.0552.6041.1979.9332.06
Udever-bloom-1b158.2870.1839.1183.1154.2845.2781.5231.10
Udever-bloom-3b59.8671.9140.7484.0654.9047.6782.3730.62
Udever-bloom-7b160.6372.1340.8185.4055.9149.3483.0130.97

Table 2: CodeSearchNet

CodeSearchNetGoRubyPythonJavaJSPHPAvg.
CodeBERT69.370.684.086.874.870.676.0
GraphCodeBERT84.173.287.975.771.172.577.4
cpt-code S97.786.399.894.086.096.793.4
cpt-code M97.585.599.994.486.597.293.5
sgpt-bloom-7b1-msmarco76.7969.2595.6877.9370.3573.4577.24
Udever-bloom-560m75.3866.6796.2378.9969.3973.6976.73
Udever-bloom-1b178.7672.8597.6782.7774.3878.9780.90
Udever-bloom-3b80.6375.4098.0283.8876.1879.6782.29
Udever-bloom-7b179.3776.5998.3884.6877.4980.0382.76

Table 3: Chinese multi-domain retrieval Multi-cpr

E-commerceEntertainment videoMedical
ModelTrainBackboneMRR@10Recall@1kMRR@10Recall@1kMRR@10Recall@1k
BM25--0.2250.8150.2250.7800.1870.482
Doc2Query--0.2390.8260.2380.7940.2100.505
DPR-1In-DomainBERT0.2700.9210.2540.9340.3270.747
DPR-2In-DomainBERT-CT0.2890.9260.2630.9350.3390.769
text-embedding-ada-002GeneralGPT0.1830.8250.1590.7860.2450.593
sgpt-bloom-7b1-msmarcoGeneralBLOOM0.2420.8400.2270.8290.3110.675
Udever-bloom-560mGeneralBLOOM0.1560.8020.1490.7490.2450.571
Udever-bloom-1b1GeneralBLOOM0.2440.8630.2080.8150.2410.557
Udever-bloom-3bGeneralBLOOM0.2670.8710.2280.8360.2880.619
Udever-bloom-7b1GeneralBLOOM0.2960.8890.2670.9070.3430.705

More results refer to paper section 3.

Technical Specifications

Model Architecture and Objective

Compute Infrastructure

  • Nvidia A100 SXM4 80GB.
  • torch 2.0.0, transformers 4.29.2.

Citation

BibTeX:

@article{zhang2023language,
  title={Language Models are Universal Embedders},
  author={Zhang, Xin and Li, Zehan and Zhang, Yanzhao and Long, Dingkun and Xie, Pengjun and Zhang, Meishan and Zhang, Min},
  journal={arXiv preprint arXiv:2310.08232},
  year={2023}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
BloomModel
Ревизия весов
7bf1ee2

0 моделей