/ Модель

Характеристики

Контекст
512 токенов
Параметры
2,7 млрд
Размер весов
5,4 ГБ
Базовая модель
MiniCPM-2B-sft-bf16
Библиотека
transformers
Опубликована
4 сен 2024

MiniCPM-Embedding

Генерация текстаТекст → текст8 профессий

Двуязычная модель MiniCPM-Embedding преобразует китайские и английские тексты в эмбеддинги для семантического и межъязыкового поиска.

4 245скачиваний за 30 дней256лайковвеса обновлены23 янв 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 «Текст» — 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 оценки23

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

  • T2Retrieval

    main_score

    Результат

    0,8733

    MTEB

    Публичная таблицаревизия не подтверждена

  • CQADupstackRetrieval

    main_score

    Результат

    0,4653

    MTEB

    Публичная таблицаревизия не подтверждена

  • HotpotQA

    main_score

    Результат

    0,7811

    MTEB

    Публичная таблицаревизия не подтверждена

  • MSMARCO

    main_score

    Результат

    0,4393

    MTEB

    Публичная таблицаревизия не подтверждена

  • NQ

    main_score

    Результат

    0,6929

    MTEB

    Публичная таблицаревизия не подтверждена

  • ClimateFEVER

    main_score

    Результат

    0,3555

    MTEB

    Публичная таблицаревизия не подтверждена

  • TRECCOVID

    main_score

    Результат

    0,8132

    MTEB

    Публичная таблицаревизия не подтверждена

  • CmedqaRetrieval

    main_score

    Результат

    0,4605

    MTEB

    Публичная таблицаревизия не подтверждена

  • CovidRetrieval

    main_score

    Результат

    0,9201

    MTEB

    Публичная таблицаревизия не подтверждена

  • DBPedia

    main_score

    Результат

    0,4782

    MTEB

    Публичная таблицаревизия не подтверждена

  • MedicalRetrieval

    main_score

    Результат

    0,6391

    MTEB

    Публичная таблицаревизия не подтверждена

  • QuoraRetrieval

    main_score

    Результат

    0,8997

    MTEB

    Публичная таблицаревизия не подтверждена

  • SciFact

    main_score

    Результат

    0,866

    MTEB

    Публичная таблицаревизия не подтверждена

  • FEVER

    main_score

    Результат

    0,9076

    MTEB

    Публичная таблицаревизия не подтверждена

  • FiQA2018

    main_score

    Результат

    0,5664

    MTEB

    Публичная таблицаревизия не подтверждена

  • SCIDOCS

    main_score

    Результат

    0,2238

    MTEB

    Публичная таблицаревизия не подтверждена

  • VideoRetrieval

    main_score

    Результат

    0,7805

    MTEB

    Публичная таблицаревизия не подтверждена

  • EcomRetrieval

    main_score

    Результат

    0,7021

    MTEB

    Публичная таблицаревизия не подтверждена

  • MMarcoRetrieval

    main_score

    Результат

    0,8555

    MTEB

    Публичная таблицаревизия не подтверждена

  • ArguAna

    main_score

    Результат

    0,6465

    MTEB

    Публичная таблицаревизия не подтверждена

  • DuRetrieval

    main_score

    Результат

    0,9098

    MTEB

    Публичная таблицаревизия не подтверждена

  • NFCorpus

    main_score

    Результат

    0,3977

    MTEB

    Публичная таблицаревизия не подтверждена

  • Touche2020

    main_score

    Результат

    0,2508

    MTEB

    Публичная таблицаревизия не подтверждена

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

MiniCPM-Embedding — двуязычная модель текстовых эмбеддингов для поиска, разработанная ModelBest, лабораторией обработки естественного языка Университета Цинхуа (THUNLP) и группой информационного поиска Северо-Восточного университета (NEUIR). Она предназначена для семантического поиска на китайском и английском языках, а также для межъязыкового поиска между ними, в том числе в системах RAG.

Модель основана на MiniCPM-2B-sft-bf16 и дообучена на примерно 6 млн открытых, синтетических и закрытых примеров в несколько этапов. Архитектура использует двунаправленное внимание и взвешенный mean pooling. Размер по метаданным — 2,7 млрд параметров; README указывает 2,4 млрд. Размерность эмбеддингов — 2304, максимальная длина входа — 512 токенов. Для запроса можно добавить инструкцию; документы подаются как обычный текст.

Модель подходит для поиска по коллекциям документов и межъязычного поиска китайский—английский. Карточка сообщает о тестировании на бенчмарках BEIR и C-MTEB/Retrieval, но приведённые таблицы неполны, поэтому по ним нельзя сделать полный вывод о качестве. Лицензия в предоставленных данных не указана.

Сценарии применения

  • семантический поиск по англоязычным документам
  • поиск по китайскоязычным документам
  • поиск китайских документов по запросу на английском
  • поиск английских документов по запросу на китайском
  • подбор документов для RAG-системы

Ограничения

Максимальная длина входа составляет 512 токенов. Предоставленные материалы не указывают лицензию, а таблицы результатов бенчмарков приведены не полностью.

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

MiniCPM-Embedding

MiniCPM-Embedding 是面壁智能与清华大学自然语言处理实验室(THUNLP)、东北大学信息检索小组(NEUIR)共同开发的中英双语言文本嵌入模型,有如下特点:

  • 出色的中文、英文检索能力。
  • 出色的中英跨语言检索能力。

MiniCPM-Embedding 基于 MiniCPM-2B-sft-bf16 训练,结构上采取双向注意力和 Weighted Mean Pooling [1]。采取多阶段训练方式,共使用包括开源数据、机造数据、闭源数据在内的约 600 万条训练数据。

欢迎关注 RAG 套件系列:

MiniCPM-Embedding is a bilingual & cross-lingual text embedding model developed by ModelBest Inc. , THUNLP and NEUIR , featuring:

  • Exceptional Chinese and English retrieval capabilities.
  • Outstanding cross-lingual retrieval capabilities between Chinese and English.

MiniCPM-Embedding is trained based on MiniCPM-2B-sft-bf16 and incorporates bidirectional attention and Weighted Mean Pooling [1] in its architecture. The model underwent multi-stage training using approximately 6 million training examples, including open-source, synthetic, and proprietary data.

We also invite you to explore the RAG toolkit series:

[1] Muennighoff, N. (2022). Sgpt: Gpt sentence embeddings for semantic search. arXiv preprint arXiv:2202.08904.

模型信息 Model Information

  • 模型大小:2.4B

  • 嵌入维度:2304

  • 最大输入token数:512

  • Model Size: 2.4B

  • Embedding Dimension: 2304

  • Max Input Tokens: 512

使用方法 Usage

输入格式 Input Format

本模型支持 query 侧指令,格式如下:

MiniCPM-Embedding supports query-side instructions in the following format:

Instruction: {{ instruction }} Query: {{ query }}

例如:

For example:

Instruction: 为这个医学问题检索相关回答。Query: 咽喉癌的成因是什么?
Instruction: Given a claim about climate change, retrieve documents that support or refute the claim. Query: However the warming trend is slower than most climate models have forecast.

也可以不提供指令,即采取如下格式:

MiniCPM-Embedding also works in instruction-free mode in the following format:

Query: {{ query }}

我们在 BEIR 与 C-MTEB/Retrieval 上测试时使用的指令见 instructions.json,其他测试不使用指令。文档侧直接输入文档原文。

When running evaluation on BEIR and C-MTEB/Retrieval, we use instructions in instructions.json. For other evaluations, we do not use instructions. On the document side, we directly use the bare document as the input.

环境要求 Requirements

transformers==4.37.2

示例脚本 Demo

Huggingface Transformers


from transformers import AutoModel, AutoTokenizer
import torch
import torch.nn.functional as F

model_name = "openbmb/MiniCPM-Embedding"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModel.from_pretrained(model_name, trust_remote_code=True, torch_dtype=torch.float16).to("cuda")
# You can also use the following line to enable the Flash Attention 2 implementation
# model = AutoModel.from_pretrained(model_name, trust_remote_code=True, attn_implementation="flash_attention_2", torch_dtype=torch.float16).to("cuda")
model.eval()

# 由于在 `model.forward` 中缩放了最终隐层表示,此处的 mean pooling 实际上起到了 weighted mean pooling 的作用
# As we scale hidden states in `model.forward`, mean pooling here actually works as weighted mean pooling
def mean_pooling(hidden, attention_mask):
    s = torch.sum(hidden * attention_mask.unsqueeze(-1).float(), dim=1)
    d = attention_mask.sum(dim=1, keepdim=True).float()
    reps = s / d
    return reps

@torch.no_grad()
def encode(input_texts):
    batch_dict = tokenizer(input_texts, max_length=512, padding=True, truncation=True, return_tensors='pt', return_attention_mask=True).to("cuda")
    
    outputs = model(**batch_dict)
    attention_mask = batch_dict["attention_mask"]
    hidden = outputs.last_hidden_state

    reps = mean_pooling(hidden, attention_mask)   
    embeddings = F.normalize(reps, p=2, dim=1).detach().cpu().numpy()
    return embeddings

queries = ["中国的首都是哪里?"]
passages = ["beijing", "shanghai"]


INSTRUCTION = "Query: "
queries = [INSTRUCTION + query for query in queries]

embeddings_query = encode(queries)
embeddings_doc = encode(passages)

scores = (embeddings_query @ embeddings_doc.T)
print(scores.tolist())  # [[0.3535913825035095, 0.18596848845481873]]

Sentence Transformers

import torch
from sentence_transformers import SentenceTransformer

model_name = "openbmb/MiniCPM-Embedding"
model = SentenceTransformer(model_name, trust_remote_code=True, model_kwargs={ "torch_dtype": torch.float16})
# You can also use the following line to enable the Flash Attention 2 implementation
# model = SentenceTransformer(model_name, trust_remote_code=True, attn_implementation="flash_attention_2", model_kwargs={ "torch_dtype": torch.float16})

queries = ["中国的首都是哪里?"]
passages = ["beijing", "shanghai"]

INSTRUCTION = "Query: "

embeddings_query = model.encode(queries, prompt=INSTRUCTION)
embeddings_doc = model.encode(passages)

scores = (embeddings_query @ embeddings_doc.T)
print(scores.tolist())  # [[0.35365450382232666, 0.18592746555805206]]

实验结果 Evaluation Results

中文与英文检索结果 CN/EN Retrieval Results

模型 ModelC-MTEB/Retrieval (NDCG@10)BEIR (NDCG@10)
bge-large-zh-v1.570.46-
gte-large-zh72.49-
Zhihui_LLM_Embedding76.74
bge-large-en-v1.5-54.29
gte-en-large-v1.5-57.91
NV-Retriever-v1-60.9
bge-en-icl-62.16
NV-Embed-v2-62.65
me5-large63.6651.43
bge-m3(Dense)65.4348.82
gte-multilingual-base(Dense)71.9551.08
gte-Qwen2-1.5B-instruct71.8658.29
gte-Qwen2-7B-instruct76.0360.25
bge-multilingual-gemma273.7359.24
MiniCPM-Embedding76.7658.56
MiniCPM-Embedding+MiniCPM-Reranker77.0861.61

中英跨语言检索结果 CN-EN Cross-lingual Retrieval Results

模型 ModelMKQA En-Zh_CN (Recall@20)NeuCLIR22 (NDCG@10)NeuCLIR23 (NDCG@10)
me5-large44.39.0125.33
bge-m3(Dense)66.430.4941.09
gte-multilingual-base(Dense)68.239.4645.86
gte-Qwen2-1.5B-instruct68.5249.1145.05
gte-Qwen2-7B-instruct68.2749.1449.6
MiniCPM-Embedding72.9552.6549.95
MiniCPM-Embedding+MiniCPM-Reranker74.3353.2154.12

许可证 License

  • 本仓库中代码依照 Apache-2.0 协议开源。
  • MiniCPM-Embedding 模型权重的使用则需要遵循 MiniCPM 模型协议。
  • MiniCPM-Embedding 模型权重对学术研究完全开放。如需将模型用于商业用途,请填写此问卷。
  • The code in this repo is released under the Apache-2.0 License.
  • The usage of MiniCPM-Embedding model weights must strictly follow MiniCPM Model License.md.
  • The models and weights of MiniCPM-Embedding are completely free for academic research. After filling out a "questionnaire" for registration, MiniCPM-Embedding weights are also available for free commercial use.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
MiniCPM
Ревизия весов
dc0f82b

0 моделей