/ Модель

Характеристики

Контекст
512 токенов
Параметры
129 млн
Лицензия
MIT
Архитектура
bert · dense
Опубликована
8 ноя 2023

gte-base-zh

ЭмбеддингиТекст → embedding9 профессий

gte-base-zh — BERT-модель Alibaba DAMO Academy для создания эмбеддингов китайских текстов, семантического поиска и сравнения предложений.

1 620скачиваний за 30 дней40лайковвеса обновлены5 фев 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 оценки43

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

  • MMarcoRetrieval

    main_score

    Результат

    0,777

    MTEB

    Публичная таблицаревизия не подтверждена

  • AFQMC

    main_score

    Результат

    0,4907

    MTEB

    Публичная таблицаревизия не подтверждена

  • MTOPDomainClassification

    main_score

    Результат

    0,6057

    Общий результат 0,61
    MTEB

    Публичная таблицаревизия совпадает

  • MassiveScenarioClassification

    main_score

    Результат

    0,4747

    Общий результат 0,4601
    MTEB

    Публичная таблицаревизия совпадает

  • AmazonCounterfactualClassification

    main_score

    Результат

    0,576

    Общий результат 0,5897
    MTEB

    Публичная таблицаревизия совпадает

  • T2Reranking

    main_score

    Результат

    0,6636

    MTEB

    Публичная таблицаревизия не подтверждена

  • STSB

    main_score

    Результат

    0,8146

    MTEB

    Публичная таблицаревизия не подтверждена

  • CovidRetrieval

    main_score

    Результат

    0,7574

    MTEB

    Публичная таблицаревизия не подтверждена

  • DuRetrieval

    main_score

    Результат

    0,8364

    MTEB

    Публичная таблицаревизия не подтверждена

  • ThuNewsClusteringS2S

    main_score

    Результат

    0,6361

    MTEB

    Публичная таблицаревизия не подтверждена

  • AmazonReviewsClassification

    main_score

    Результат

    0,2517

    Общий результат 0,2509
    MTEB

    Публичная таблицаревизия совпадает

  • CLSClusteringS2S

    main_score

    Результат

    0,4042

    MTEB

    Публичная таблицаревизия не подтверждена

  • ThuNewsClusteringP2P

    main_score

    Результат

    0,6881

    MTEB

    Публичная таблицаревизия не подтверждена

  • BlurbsClusteringS2S

    main_score

    Результат

    0,0914

    MTEB

    Публичная таблицаревизия совпадает

  • BQ

    main_score

    Результат

    0,655

    MTEB

    Публичная таблицаревизия не подтверждена

  • PAWSX

    main_score

    Результат

    0,2797

    MTEB

    Публичная таблицаревизия не подтверждена

  • MultilingualSentiment

    main_score

    Результат

    0,7579

    MTEB

    Публичная таблицаревизия не подтверждена

  • ATEC

    main_score

    Результат

    0,5083

    MTEB

    Публичная таблицаревизия не подтверждена

  • OnlineShopping

    main_score

    Результат

    0,9336

    MTEB

    Публичная таблицаревизия не подтверждена

  • CMedQAv1-reranking

    main_score

    Результат

    0,8679

    MTEB

    Публичная таблицаревизия не подтверждена

  • CmedqaRetrieval

    main_score

    Результат

    0,4438

    MTEB

    Публичная таблицаревизия не подтверждена

  • MTOPIntentClassification

    main_score

    Результат

    0,3746

    Общий результат 0,3614
    MTEB

    Публичная таблицаревизия совпадает

  • TenKGnadClusteringP2P

    main_score

    Результат

    0,2434

    MTEB

    Публичная таблицаревизия совпадает

  • PawsXPairClassification

    main_score

    Результат

    0,4979

    Общий результат 0,54
    MTEB

    Публичная таблицаревизия совпадает

  • Waimai

    main_score

    Результат

    0,8807

    MTEB

    Публичная таблицаревизия не подтверждена

  • LCQMC

    main_score

    Результат

    0,7406

    MTEB

    Публичная таблицаревизия не подтверждена

  • BlurbsClusteringP2P

    main_score

    Результат

    0,1417

    MTEB

    Публичная таблицаревизия совпадает

  • EcomRetrieval

    main_score

    Результат

    0,6956

    MTEB

    Публичная таблицаревизия не подтверждена

  • QBQTC

    main_score

    Результат

    0,3519

    MTEB

    Публичная таблицаревизия не подтверждена

  • MedicalRetrieval

    main_score

    Результат

    0,6494

    MTEB

    Публичная таблицаревизия не подтверждена

  • CLSClusteringP2P

    main_score

    Результат

    0,4258

    MTEB

    Публичная таблицаревизия не подтверждена

  • Cmnli

    main_score

    Результат

    0,7803

    MTEB

    Публичная таблицаревизия не подтверждена

  • Ocnli

    main_score

    Результат

    0,7158

    MTEB

    Публичная таблицаревизия не подтверждена

  • MMarcoReranking

    main_score

    Результат

    0,2764

    MTEB

    Публичная таблицаревизия не подтверждена

  • VideoRetrieval

    main_score

    Результат

    0,7467

    MTEB

    Публичная таблицаревизия не подтверждена

  • T2Retrieval

    main_score

    Результат

    0,8308

    MTEB

    Публичная таблицаревизия не подтверждена

  • STS22

    main_score

    Результат

    0,6364

    MTEB

    Публичная таблицаревизия не подтверждена

  • MassiveIntentClassification

    main_score

    Результат

    0,3818

    Общий результат 0,3681
    MTEB

    Публичная таблицаревизия совпадает

  • JDReview

    main_score

    Результат

    0,8595

    MTEB

    Публичная таблицаревизия не подтверждена

  • TNews

    main_score

    Результат

    0,5365

    MTEB

    Публичная таблицаревизия не подтверждена

  • TenKGnadClusteringS2S

    main_score

    Результат

    0,1063

    MTEB

    Публичная таблицаревизия совпадает

  • IFlyTek

    main_score

    Результат

    0,4862

    MTEB

    Публичная таблицаревизия не подтверждена

  • CMedQAv2-reranking

    main_score

    Результат

    0,872

    MTEB

    Публичная таблицаревизия не подтверждена

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

gte-base-zh — модель текстовых эмбеддингов семейства General Text Embeddings (GTE), разработанная Alibaba DAMO Academy на основе архитектуры BERT. Она предназначена для получения векторных представлений китайских текстов и подходит для информационного поиска, сравнения смысловой близости предложений и ранжирования текстов. Модель содержит 129,5 млн параметров и принимает последовательности длиной до 512 токенов; более длинные тексты обрезаются.

Метаданные указывают на векторные представления и задачи извлечения признаков и сравнения предложений. Репозиторий содержит веса PyTorch и Safetensors. Модель распространяется по лицензии MIT.

Сценарии применения

  • семантический поиск по китайским документам
  • поиск релевантных текстов по запросу на китайском языке
  • сравнение смысловой близости китайских предложений
  • ранжирование результатов поиска по релевантности
  • кластеризация китайских текстов по смыслу

Ограничения

Модель рассчитана исключительно на китайские тексты; последовательности длиннее 512 токенов обрезаются.

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

gte-base-zh

General Text Embeddings (GTE) model. Towards General Text Embeddings with Multi-stage Contrastive Learning

The GTE models are trained by Alibaba DAMO Academy. They are mainly based on the BERT framework and currently offer different sizes of models for both Chinese and English Languages. The GTE models are trained on a large-scale corpus of relevance text pairs, covering a wide range of domains and scenarios. This enables the GTE models to be applied to various downstream tasks of text embeddings, including information retrieval, semantic textual similarity, text reranking, etc.

Model List

ModelsLanguageMax Sequence LengthDimensionModel Size
GTE-large-zhChinese51210240.67GB
GTE-base-zhChinese51210240.67GB
GTE-small-zhChinese51210240.67GB
GTE-largeEnglish51210240.67GB
GTE-baseEnglish51210240.67GB
GTE-smallEnglish51210240.67GB

Metrics

We compared the performance of the GTE models with other popular text embedding models on the MTEB (CMTEB for Chinese language) benchmark. For more detailed comparison results, please refer to the MTEB leaderboard.

  • Evaluation results on CMTEB
ModelModel Size (GB)Embedding DimensionsSequence LengthAverage (35 datasets)Classification (9 datasets)Clustering (4 datasets)Pair Classification (2 datasets)Reranking (4 datasets)Retrieval (8 datasets)STS (8 datasets)
gte-large-zh0.65102451266.7271.3453.0781.1467.4272.4957.82
gte-base-zh0.2076851265.9271.2653.8680.4467.0071.7155.96
stella-large-zh-v20.651024102465.1369.0549.1682.6866.4170.1458.66
stella-large-zh0.651024102464.5467.6248.6578.7265.9871.0258.3
bge-large-zh-v1.51.3102451264.5369.1348.9981.665.8470.4656.25
stella-base-zh-v20.21768102464.3668.2949.479.9666.170.0856.92
stella-base-zh0.21768102464.1667.7748.776.0966.9571.0756.54
piccolo-large-zh0.65102451264.1167.0347.0478.3865.9870.9358.02
piccolo-base-zh0.276851263.6666.9847.1276.6166.6871.255.9
gte-small-zh0.151251260.0864.4948.9569.9966.2165.5049.72
bge-small-zh-v1.50.151251257.8263.9644.1870.460.9261.7749.1
m3e-base0.4176851257.7967.5247.6863.9959.5456.9150.47
text-embedding-ada-002(openai)-1536819253.0264.3145.6869.5654.2852.043.35

Usage

Code example

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

input_texts = [
    "中国的首都是哪里",
    "你喜欢去哪里旅游",
    "北京",
    "今天中午吃什么"
]

tokenizer = AutoTokenizer.from_pretrained("thenlper/gte-base-zh")
model = AutoModel.from_pretrained("thenlper/gte-base-zh")

# Tokenize the input texts
batch_dict = tokenizer(input_texts, max_length=512, padding=True, truncation=True, return_tensors='pt')

outputs = model(**batch_dict)
embeddings = outputs.last_hidden_state[:, 0]
 
# (Optionally) normalize embeddings
embeddings = F.normalize(embeddings, p=2, dim=1)
scores = (embeddings[:1] @ embeddings[1:].T) * 100
print(scores.tolist())

Use with sentence-transformers:

from sentence_transformers import SentenceTransformer
from sentence_transformers.util import cos_sim

sentences = ['中国的首都是哪里', '中国的首都是北京']

model = SentenceTransformer('thenlper/gte-base-zh')
embeddings = model.encode(sentences)
print(cos_sim(embeddings[0], embeddings[1]))

Limitation

This model exclusively caters to Chinese texts, and any lengthy texts will be truncated to a maximum of 512 tokens.

Citation

If you find our paper or models helpful, please consider citing them as follows:

@article{li2023towards,
  title={Towards general text embeddings with multi-stage contrastive learning},
  author={Li, Zehan and Zhang, Xin and Zhang, Yanzhao and Long, Dingkun and Xie, Pengjun and Zhang, Meishan},
  journal={arXiv preprint arXiv:2308.03281},
  year={2023}
}

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
71ab794

0 моделей