/ Модель

Характеристики

Контекст
514 токенов
Параметры
110 млн
Архитектура
xlm-roberta · dense
Опубликована
11 июл 2023

vectorizer.raspberry

Заполнение пропусковТекст → текст8 профессий

Многоязычный векторизатор Sinequa на базе XLM-RoBERTa для поиска релевантных фрагментов по запросу через эмбеддинги.

391скачиваний за 30 дней0лайковвеса 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.raspberry — векторизатор компании Sinequa для поиска релевантных фрагментов текста. Он преобразует запросы и passages в эмбеддинги: векторы passages сохраняются в векторном индексе, а вектор запроса используется для поиска по этому индексу. Модель построена на XLM-RoBERTa, содержит около 110,2 млн параметров и выдаёт векторы размерности 256. В метаданных указано ограничение контекста в 514 токенов.

Модель обучена для сопоставления запросов и фрагментов текста, в том числе с использованием трудных негативных примеров и негативов внутри батча. Она нечувствительна к регистру и диакритическим знакам. Поддерживаемые и оценённые языки — английский, французский, немецкий, испанский, итальянский, нидерландский, японский, португальский и упрощённый китайский; автор также отмечает базовую поддержку других языков предобучения XLM-R. В README приведён средний Recall@100 0,613 на наборах BEIR и результаты MIRACL для части языков.

Для запуска README указывает минимальную версию Sinequa 11.10.0 и CUDA compute capability выше 7.5. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

Сценарии применения

  • поиск релевантных фрагментов в векторном индексе
  • семантический поиск по коллекции документов
  • поиск ответов по внутренней базе знаний
  • многоязычный поиск по запросам и passages
  • создание эмбеддингов запросов для поиска

Ограничения

Контекст ограничен 514 токенами; показатели Recall@100 усреднены по англоязычным наборам BEIR, а результаты MIRACL приведены только для части языков. Для работы по инструкции README требуется Sinequa версии 11.10.0 или выше и GPU с CUDA compute capability выше 7.5.

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.raspberry

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.raspberry

Supported Languages

The model was trained and tested in the following languages:

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

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
Relevance (Recall@100)0.613

Note that the relevance score is computed as an average over 14 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 9 aforementioned languages.

Evaluation Metrics

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
Average0.613
Arguana0.957
CLIMATE-FEVER0.468
DBPedia Entity0.377
FEVER0.820
FiQA-20180.639
HotpotQA0.560
MS MARCO0.845
NFCorpus0.287
NQ0.756
Quora0.992
SCIDOCS0.456
SciFact0.906
TREC-COVID0.100
Webis-Touche-20200.413

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
French0.650
German0.528
Spanish0.602
Japanese0.614
Chinese (simplified)0.680

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
0840f47

0 моделей