/ Модель

Характеристики

Контекст
512 токенов
Параметры
424 млн
Архитектура
bert · dense
Опубликована
20 апр 2024

piccolo-large-zh-v2

ЭмбеддингиТекст → embedding8 профессий

Китайская BERT-модель SenseTime для создания текстовых эмбеддингов и задач семантического поиска, сходства и ранжирования.

204скачиваний за 30 дней68лайковвеса обновлены13 июн 2024

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 оценки35

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

  • CMedQAv1-reranking

    main_score

    Результат

    0,8931

    MTEB

    Публичная таблицаревизия не подтверждена

  • CmedqaRetrieval

    main_score

    Результат

    0,4758

    MTEB

    Публичная таблицаревизия не подтверждена

  • DuRetrieval

    main_score

    Результат

    0,8914

    MTEB

    Публичная таблицаревизия не подтверждена

  • MassiveIntentClassification

    main_score

    Результат

    0,7771

    MTEB

    Публичная таблицаревизия не подтверждена

  • MMarcoRetrieval

    main_score

    Результат

    0,7954

    MTEB

    Публичная таблицаревизия не подтверждена

  • STS22

    main_score

    Результат

    0,6376

    MTEB

    Публичная таблицаревизия не подтверждена

  • AmazonReviewsClassification

    main_score

    Результат

    0,4944

    MTEB

    Публичная таблицаревизия не подтверждена

  • MedicalRetrieval

    main_score

    Результат

    0,6488

    MTEB

    Публичная таблицаревизия не подтверждена

  • PAWSX

    main_score

    Результат

    0,4648

    MTEB

    Публичная таблицаревизия не подтверждена

  • ThuNewsClusteringP2P

    main_score

    Результат

    0,742

    MTEB

    Публичная таблицаревизия не подтверждена

  • TNews

    main_score

    Результат

    0,5452

    MTEB

    Публичная таблицаревизия не подтверждена

  • MultilingualSentiment

    main_score

    Результат

    0,7909

    MTEB

    Публичная таблицаревизия не подтверждена

  • LCQMC

    main_score

    Результат

    0,7955

    MTEB

    Публичная таблицаревизия не подтверждена

  • STSB

    main_score

    Результат

    0,7871

    MTEB

    Публичная таблицаревизия не подтверждена

  • ThuNewsClusteringS2S

    main_score

    Результат

    0,6843

    MTEB

    Публичная таблицаревизия не подтверждена

  • ATEC

    main_score

    Результат

    0,592

    MTEB

    Публичная таблицаревизия не подтверждена

  • Cmnli

    main_score

    Результат

    0,8609

    MTEB

    Публичная таблицаревизия не подтверждена

  • QBQTC

    main_score

    Результат

    0,4591

    MTEB

    Публичная таблицаревизия не подтверждена

  • BQ

    main_score

    Результат

    0,7288

    MTEB

    Публичная таблицаревизия не подтверждена

  • IFlyTek

    main_score

    Результат

    0,521

    MTEB

    Публичная таблицаревизия не подтверждена

  • OnlineShopping

    main_score

    Результат

    0,9462

    MTEB

    Публичная таблицаревизия не подтверждена

  • CLSClusteringP2P

    main_score

    Результат

    0,5793

    MTEB

    Публичная таблицаревизия не подтверждена

  • CovidRetrieval

    main_score

    Результат

    0,8678

    MTEB

    Публичная таблицаревизия не подтверждена

  • MMarcoReranking

    main_score

    Результат

    0,3339

    MTEB

    Публичная таблицаревизия не подтверждена

  • T2Retrieval

    main_score

    Результат

    0,8614

    MTEB

    Публичная таблицаревизия не подтверждена

  • JDReview

    main_score

    Результат

    0,8857

    MTEB

    Публичная таблицаревизия не подтверждена

  • Waimai

    main_score

    Результат

    0,8959

    MTEB

    Публичная таблицаревизия не подтверждена

  • CMedQAv2-reranking

    main_score

    Результат

    0,9014

    MTEB

    Публичная таблицаревизия не подтверждена

  • VideoRetrieval

    main_score

    Результат

    0,731

    MTEB

    Публичная таблицаревизия не подтверждена

  • Ocnli

    main_score

    Результат

    0,8435

    MTEB

    Публичная таблицаревизия не подтверждена

  • CLSClusteringS2S

    main_score

    Результат

    0,481

    MTEB

    Публичная таблицаревизия не подтверждена

  • AFQMC

    main_score

    Результат

    0,6149

    MTEB

    Публичная таблицаревизия не подтверждена

  • T2Reranking

    main_score

    Результат

    0,6715

    MTEB

    Публичная таблицаревизия не подтверждена

  • MassiveScenarioClassification

    main_score

    Результат

    0,8563

    MTEB

    Публичная таблицаревизия не подтверждена

  • EcomRetrieval

    main_score

    Результат

    0,6776

    MTEB

    Публичная таблицаревизия не подтверждена

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Piccolo-large-zh-v2 — китайская модель эмбеддингов, разработанная группой General Model компании SenseTime Research. Она предназначена для получения векторных представлений текста для поиска, ранжирования, оценки сходства, классификации и кластеризации. Модель построена на архитектуре BERT и обучена с использованием многоцелевой комбинированной функции потерь; размер эмбеддинга — 1792 измерения, длина последовательности — до 512 токенов. Обучение поддерживает гибкую размерность векторов благодаря MRL.

В README описаны результаты на китайском бенчмарке C-MTEB и сценарии дообучения для прикладных задач. Модель принимает текст и выдаёт эмбеддинги; в метаданных указан формат PyTorch и около 424,3 млн параметров. Весовые файлы временно сняли с публикации в мае 2024 года, поэтому README предлагает временный доступ через API. Условия лицензирования в предоставленных материалах не указаны.

Сценарии применения

  • семантический поиск по китайским текстам
  • ранжирование результатов поиска
  • сравнение семантического сходства предложений
  • классификация текстов по эмбеддингам
  • кластеризация китайских документов

Ограничения

Модель рассчитана на китайский язык и ограничивает входную последовательность 512 токенами. По README, веса временно сняты с публикации; лицензия в предоставленных материалах не указана.

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

EN | 简体中文

News
[2024-05-16]
Due to certain internal company considerations, we have temporarily removed the model weights. It will be uploaded again after passing our internal review process. Please temporarily access this model via API: https://platform.sensenova.cn/doc?path=/chat/Embeddings/Embeddings.md There is a temporary problem with the API of this page. Please access it temporarily in the following way:

import requests
url = "http://103.237.28.72:8006/v1/qd"
headers = {
    'Content-Type': 'application/json',
    'Accept': 'application/json'
}
data = {
    "inputs": ['hello,world']
}
response = requests.post(url, json=data, headers=headers)
print(response.json())

[2024-05-14]
We have currently release our model weights, training code, and tech report. Discussions are welcome.
For training code, please refer to our github
For training details, please refer to our tech-report

[2024-04-22]

piccolo-large-zh-v2 currently ranks first on the C-MTEB list, leading the previous BERT model by about 1.9 points.

Piccolo-large-zh-v2

piccolo-large-zh-v2 is a Chinese embedding model developed by the general model group from SenseTime Research. This upgraded version of Piccolo aims to prioritize general downstream fine-tuning methods. Piccolo2 primarily leverages an efficient multi-task hybrid loss training approach, effectively harnessing textual data and labels from diverse downstream tasks. In addition, Piccolo2 scales up the embedding dimension and uses MRL training to support more flexible vector dimensions.

💡 Model Hightlights

The main feature of piccolo2 is that it uses a multi-task hybrid loss during training.
For retrieval/sorting tasks, we use the standard InfoNCE with in-batch-negative:

For sts/pair classification tasks, we use cosent loss, which is proved to be better for data with more fine-grained labels(e.g. score values ):

For classification/clustering tasks, by treating text and its semantic labels as positive and negative pairs, we convert the dataset into the format of triples. And then we use InfoNCE to optimize it. However, it’s important to stress that in-batch negatives are no longer used due to the fact that it can easily lead to conflict training targets:

📃 Experiments and Results

Piccolo2 primarily focuses on the downstream general finetune paradigm. Our open source model uses stella-v3.5 as initialization and trained about 2500 steps on 32 GPUS. For more implementation details, please refer to our technical report.

Model NameModel Size (GB)DimensionSequence LengthClassification (9)Clustering (4)Pair Classification (2)Reranking (4)Retrieval (8)STS (8)Average (35)
piccolo-large-zh-v21.21179251274.5962.1790.247074.3663.570.95
gte-Qwen1.5-7B-instruct26.4532768409673.3567.0888.5266.3870.6262.3269.56
acge-text-embedding1.21179251272.7558.787.8467.9872.9362.0969.07

🔨 Usage

The piccolo model can be easily accessed in the sentence-transformer package:

# for s2s/s2p dataset, you can use piccolo as below
from sklearn.preprocessing import normalize
from sentence_transformers import SentenceTransformer
sentences = ["数据1", "数据2"]
matryoshka_dim=1792 # support 256, 512, 768, 1024, 1280, 1536, 1792
model = SentenceTransformer('sensenova/piccolo-large-zh-v2')
embeddings_1 = model.encode(sentences, normalize_embeddings=False)
embeddings_2 = model.encode(sentences, normalize_embeddings=False)
embeddings_1 = normalize(embeddings_1[..., :matryoshka_dim], norm="l2", axis=1)
embeddings_2 = normalize(embeddings_2[..., :matryoshka_dim], norm="l2", axis=1)
similarity = embeddings_1 @ embeddings_2.T

🤗 Model List

ModelLanguageDescriptionprompt
sensenova/piccolo-large-zh-v2Chineseversion2: finetuning with multi-task hybrid loss trainingNone
sensenova/piccolo-large-zhChineseversion1: pretrain under 400 million chinese text pair'查询'/'结果'
sensenova/piccolo-base-zhChineseversion1: pretrain under 400 million chinese text pair'查询'/'结果'

Citation

If you find our tech report, models or code helpful, please cite our report or give a star on github or huggingface!

@misc{2405.06932,
Author = {Junqin Huang and Zhongjie Hu and Zihao Jing and Mengya Gao and Yichao Wu},
Title = {Piccolo2: General Text Embedding with Multi-task Hybrid Loss Training},
Year = {2024},
Eprint = {arXiv:2405.06932},
}

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
05948c1

0 моделей