/ Модель

Характеристики

Контекст
514 токенов
Параметры
110 млн
Архитектура
xlm-roberta · dense
Опубликована
9 окт 2024

vectorizer.guava

Заполнение пропусковТекст → текст8 профессий

Многоязычный векторизатор Sinequa, который кодирует текстовые запросы и фрагменты в эмбеддинги для семантического поиска.

206скачиваний за 30 дней1лайквеса обновлены23 янв 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

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

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

vectorizer.guava — многоязычная модель-векторизатор, разработанная Sinequa для поиска релевантных фрагментов текста. Она преобразует запросы и passages в векторы: векторы passages сохраняются в индексе, а вектор запроса используется для поиска подходящих фрагментов. Модель построена на базе mMiniLMv2-L6-H384-distilled-from-XLMR-Large и имеет архитектуру XLM-RoBERTa; в метаданных указано 110,2 млн параметров, а README указывает 107 млн. Выходные эмбеддинги имеют размерность 256 благодаря дополнительному плотному слою, контекст — до 514 токенов.

Модель обучена для семантического поиска на английском, французском, немецком, испанском, итальянском, нидерландском, японском, португальском, китайском (упрощённом и традиционном) и польском языках. Она нечувствительна к регистру и диакритическим знакам. README сообщает о среднем Recall@100 0,616 на англоязычных наборах BEIR и приводит результаты для ряда языков MIRACL и традиционного китайского. Для запуска в Sinequa требуется версия не ниже 11.10.0; для GPU указана CUDA compute capability выше 7.5. Лицензия в предоставленных данных не указана.

Сценарии применения

  • семантический поиск по коллекции текстовых документов
  • поиск релевантных фрагментов по запросу на нескольких языках
  • построение векторного индекса для passages
  • извлечение контекста для системы RAG
  • поиск по документам с нечувствительностью к регистру и диакритике

Ограничения

README приводит Recall@100 только для части языков и наборов данных, поэтому качество на других языках и типах поиска может отличаться. Для GPU требуется CUDA compute capability выше 7.5, а работа в Sinequa требует версии не ниже 11.10.0.

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

Model Card for vectorizer.guava

This model is a vectorizer developed by Sinequa. It produces an embedding vector given a passage or a query. The passage vectors are stored in our vector index and the query vector is used at query time to look up relevant passages in the index.

Model name: vectorizer.guava

Supported Languages

The model was trained and tested in the following languages:

  • English
  • French
  • German
  • Spanish
  • Italian
  • Dutch
  • Japanese
  • Portuguese
  • Chinese (simplified)
  • Chinese (traditional)
  • Polish

Besides these languages, basic support can be expected for additional 91 languages that were used during the pretraining of the base model (see Appendix A of XLM-R paper).

Scores

MetricValue
English Relevance (Recall@100)0.616

Note that the relevance scores are computed as an average over several retrieval datasets (see details below).

Inference Times

GPUQuantization typeBatch size 1Batch size 32
NVIDIA A10FP161 ms5 ms
NVIDIA A10FP322 ms18 ms
NVIDIA T4FP161 ms12 ms
NVIDIA T4FP323 ms52 ms
NVIDIA L4FP162 ms5 ms
NVIDIA L4FP324 ms24 ms

GPU Memory usage

Quantization typeMemory
FP16550 MiB
FP321050 MiB

Note that GPU memory usage only includes how much GPU memory the actual model consumes on an NVIDIA T4 GPU with a batch size of 32. It does not include the fix amount of memory that is consumed by the ONNX Runtime upon initialization which can be around 0.5 to 1 GiB depending on the used GPU.

Requirements

Model Details

Overview

  • Number of parameters: 107 million
  • Base language model: mMiniLMv2-L6-H384-distilled-from-XLMR-Large (Paper, GitHub)
  • Insensitive to casing and accents
  • Output dimensions: 256 (reduced with an additional dense layer)
  • Training procedure: Query-passage-negative triplets for datasets that have mined hard negative data, Query-passage pairs for the rest. Number of negatives is augmented with in-batch negative strategy

Training Data

The model have been trained using all datasets that are cited in the all-MiniLM-L6-v2 model. In addition to that, this model has been trained on the datasets cited in this paper on the first 9 aforementioned languages. It has also been trained on this dataset for polish capacities, and a translated version of msmarco-zh for traditional chinese capacities.

Evaluation Metrics

English

To determine the relevance score, we averaged the results that we obtained when evaluating on the datasets of the BEIR benchmark. Note that all these datasets are in English.

DatasetRecall@100
Average0.616
Arguana0.956
CLIMATE-FEVER0.471
DBPedia Entity0.379
FEVER0.824
FiQA-20180.642
HotpotQA0.579
MS MARCO0.85
NFCorpus0.289
NQ0.765
Quora0.993
SCIDOCS0.467
SciFact0.899
TREC-COVID0.104
Webis-Touche-20200.407

Traditional Chinese

This model has traditional chinese capacities, that are being evaluated over the same dev set at msmarco-zh, translated in traditional chinese.

DatasetRecall@100
msmarco-zh-traditional0.738

In comparison, raspberry scores a 0.693 on this dataset.

Other languages

We evaluated the model on the datasets of the MIRACL benchmark to test its multilingual capacities. Note that not all training languages are part of the benchmark, so we only report the metrics for the existing languages.

LanguageRecall@100
French0.672
German0.594
Spanish0.632
Japanese0.603
Chinese (simplified)0.702

Как запустить

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

GPU в ailist

Универсальный рантайм · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры
XLMRobertaForMaskedLM
Ревизия весов
b7363be

0 моделей