/ Модель

Характеристики

Контекст
8 192 токена
Параметры
1,2 млрд
Архитектура
llama · dense
Опубликована
22 ноя 2024

sarashina-embedding-v1-1b

ЭмбеддингиТекст → embedding9 профессий

Японская модель SB Intuitions на базе Sarashina2.1-1B, создающая текстовые эмбеддинги для семантического поиска и сравнения текстов.

1 331скачиваний за 30 дней38лайковвеса обновлены31 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 «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 оценки28

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

  • MassiveIntentClassification

    main_score

    Результат

    0,746

    Общий результат 0,7396
    MTEB

    Публичная таблицаревизия совпадает

  • ESCIReranking

    main_score

    Результат

    0,8424

    MTEB

    Публичная таблицаревизия совпадает

  • MultiLongDocRetrieval

    main_score

    Результат

    0,3373

    Общий результат 0,3467
    MTEB

    Публичная таблицаревизия совпадает

  • SIB200Classification

    main_score

    Результат

    0,7535

    Общий результат 0,7824Общий результат 0,7726
    MTEB

    Публичная таблицаревизия совпадает

  • AmazonCounterfactualClassification

    main_score

    Результат

    0,763

    Общий результат 0,7672
    MTEB

    Публичная таблицаревизия совпадает

  • MultiLongDocReranking

    main_score

    Результат

    0,9045

    MTEB

    Публичная таблицаревизия совпадает

  • MIRACLReranking

    main_score

    Результат

    0,5576

    MTEB

    Публичная таблицаревизия совпадает

  • MewsC16JaClustering

    main_score

    Результат

    0,5056

    MTEB

    Публичная таблицаревизия совпадает

  • MassiveScenarioClassification

    main_score

    Результат

    0,78

    Общий результат 0,7843
    MTEB

    Публичная таблицаревизия совпадает

  • AmazonReviewsClassification

    main_score

    Результат

    0,44

    Общий результат 0,4398
    MTEB

    Публичная таблицаревизия совпадает

  • LivedoorNewsClustering.v2

    main_score

    Результат

    0,5852

    MTEB

    Публичная таблицаревизия совпадает

  • MIRACLRetrieval

    main_score

    Результат

    0,5124

    MTEB

    Публичная таблицаревизия совпадает

  • NLPJournalTitleIntroRetrieval.V2

    main_score

    Результат

    0,9661

    MTEB

    Публичная таблицаревизия совпадает

  • JaqketRetrieval

    main_score

    Результат

    0,6412

    MTEB

    Публичная таблицаревизия совпадает

  • JSICK

    main_score

    Результат

    0,7954

    MTEB

    Публичная таблицаревизия совпадает

  • MintakaRetrieval

    main_score

    Результат

    0,4025

    MTEB

    Публичная таблицаревизия совпадает

  • JaCWIRReranking

    main_score

    Результат

    0,8386

    MTEB

    Публичная таблицаревизия совпадает

  • JSTS

    main_score

    Результат

    0,8363

    MTEB

    Публичная таблицаревизия совпадает

  • SIB200ClusteringS2S

    main_score

    Результат

    0,4354

    MTEB

    Публичная таблицаревизия совпадает

  • JQaRAReranking

    main_score

    Результат

    0,5928

    MTEB

    Публичная таблицаревизия совпадает

  • JaGovFaqsRetrieval

    main_score

    Результат

    0,7223

    MTEB

    Публичная таблицаревизия совпадает

  • NLPJournalAbsIntroRetrieval.V2

    main_score

    Результат

    0,9916

    MTEB

    Публичная таблицаревизия совпадает

  • MrTidyRetrieval

    main_score

    Результат

    0,4219

    MTEB

    Публичная таблицаревизия совпадает

  • NLPJournalTitleAbsRetrieval.V2

    main_score

    Результат

    0,9688

    MTEB

    Публичная таблицаревизия совпадает

  • NLPJournalAbsArticleRetrieval.V2

    main_score

    Результат

    0,992

    MTEB

    Публичная таблицаревизия совпадает

  • JapaneseSentimentClassification

    main_score

    Результат

    0,944

    MTEB

    Публичная таблицаревизия совпадает

  • WRIMEClassification

    main_score

    Результат

    0,34

    MTEB

    Публичная таблицаревизия совпадает

  • JaCWIRRetrieval

    main_score

    Результат

    0,8254

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Sarashina-Embedding-v1-1B — японская модель для получения текстовых эмбеддингов, разработанная SB Intuitions на базе языковой модели Sarashina2.1-1B. Она преобразует предложения и абзацы в плотные векторы размерности 1792, пригодные для сравнения по косинусному сходству. Модель построена как Sentence Transformer на архитектуре Llama и поддерживает контекст до 8192 токенов.

Модель обучена в два этапа: контрастное обучение на слабой разметке и дообучение на размеченных парах для сопоставления запросов и документов. Она предназначена для семантического поиска, оценки сходства текстов, поиска перефразировок, классификации и кластеризации. В README сообщается о высоком среднем результате на 16 наборах JMTEB; метаданные также указывают поддержку английского наряду с японским.

Лицензия Sarashina Model NonCommercial License Agreement ограничивает коммерческое использование. Модель ориентирована прежде всего на японские тексты, поэтому качество для других языков и специализированных областей может отличаться.

Сценарии применения

  • семантический поиск по японским документам
  • поиск ответов на японские запросы в коллекции текстов
  • оценка семантического сходства предложений
  • поиск перефразировок
  • кластеризация японских текстов
  • классификация текстов по эмбеддингам

Ограничения

Использование ограничено некоммерческими целями условиями лицензии. Модель в первую очередь рассчитана на японский язык; качество для других языков и специализированных областей может отличаться.

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

Sarashina-Embedding-v1-1B

日本語のREADME/Japanese README

"Sarashina-Embedding-v1-1B" is a Japanese text embedding model, based on the 1.2B-parameter Japanese LLM "Sarashina2.1-1B". We trained this model with multi-stage contrastive learning. We achieved the state-of-the-art average score across 16 datasets in JMTEB (Japanese Massive Text Embedding Benchmark).

This model maps sentences & paragraphs to a 1792-dimensional dense vector space and can be used for semantic textual similarity, semantic search, paraphrase mining, text classification, clustering, and other applications.

Model Details

Model Description

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 8192, 'do_lower_case': False}) with Transformer model: LlamaModel 
  (1): Pooling({'word_embedding_dimension': 1792, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': False, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': True, 'include_prompt': False})
)

Usage

First install the Sentence Transformers library:

pip install -U sentence-transformers

Then you can load this model and run inference.

from sentence_transformers import SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("sbintuitions/sarashina-embedding-v1-1b")
# Run inference
sentences = [
    '更級日記は、平安時代中期に菅原孝標女によって書かれた回想録です。',
    'Sarashinaは、SB Intuitionsが開発した日本語大規模言語モデルです。これまでに7B, 13B, 70B, 8x70Bのモデルが公開されています。',
    'サラシナエンベディングは日本語言語モデルをベースにした日本語埋め込みモデルです。'
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 1792]

# Get the similarity scores between the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]

Note

  • You do not need to add prefixes such as "Query: " and "Document: " to the beginning of the input sentence.
  • This model is licensed under the Sarashina Model NonCommercial License Agreement, which has restrictions on commercial use. If you are interested in utilizing this model for your business, please feel free to contact us through our contact page.

Training

"Sarashina-Embedding-v1-1B" is created through the following two-stage learning process:

Stage 1: Weakly-supervised Learning

To achieve generic text embedding performance across a wide range of domains, we performed contrastive training on weakly-supervised data consisting of our own web-crawled data and open data.

Datasets

datasetcounts
Auto Wiki QA/NLI50,521,135
web-crawled data (ours)47,370,649
MQA12,941,472
llm-japanese-dataset9,074,340
Wikipedia5,555,212
Quiz dataset (ours)988,478
Natural Questions132,796
JSQuAD62,859
SNOW(T15+T23)62,758
JaQuAD31,746
MKQA3,318
total126,744,763

Step2: Supervised Fine-tuning

To enable the model to learn a more accurate query-document similarity, we performed supervised fine-tuning using the following datasets.

Datasets

datasetcounts
JSNLI141,388
NU-MNLI67,987
Mr. TyDi (only Japanese subset)3,697
Natural Questions (sampled)20,000
total233,072

Evaluation Results with JMTEB

ModelMax TokensAvg.RetrievalSTSClassificationRerankingClusteringPairClassification
OpenAI/text-embedding-3-large1819174.0574.4882.5277.5893.5853.3262.35
cl-nagoya/ruri-large51273.3173.0283.1377.4392.9951.8262.29
pkshatech/GLuCoSE-base-ja-v251272.2373.3682.9674.2193.0148.6562.37
pkshatech/RoSEtta-base-ja102472.0473.2181.3972.4192.6953.2361.74
intfloat/multilingual-e5-large51270.9070.9879.7072.8992.9651.2462.15
Sarashina-Embedding-v1-1B(This model)819275.5077.6182.7178.3793.7453.8662.00

License

This model is licensed under Sarashina Model NonCommercial License Agreement.

If you are interested in using this model for commercial purposes, please feel free to contact us through our contact page.

Footnotes

  1. Benchmarked on April 23, 2024. ↩

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaModel
Ревизия весов
d060fcd

0 моделей