/ Модель

Характеристики

Контекст
512 токенов
Параметры
424 млн
Лицензия
MIT
Архитектура
bert · dense
Опубликована
7 ноя 2023

gte-large-zh

ЭмбеддингиТекст → embedding9 профессий

Китайская модель эмбеддингов на базе BERT для семантического поиска, сравнения текстов и ранжирования.

4 908скачиваний за 30 дней121лайквеса 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 оценки44

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

  • AmazonReviewsClassification

    main_score

    Результат

    0,2593

    Общий результат 0,2609
    MTEB

    Публичная таблицаревизия совпадает

  • CMedQAv1-reranking

    main_score

    Результат

    0,8609

    MTEB

    Публичная таблицаревизия не подтверждена

  • TenKGnadClusteringP2P

    main_score

    Результат

    0,1416

    MTEB

    Публичная таблицаревизия совпадает

  • TenKGnadClusteringS2S

    main_score

    Результат

    0,0691

    MTEB

    Публичная таблицаревизия совпадает

  • MedicalRetrieval

    main_score

    Результат

    0,6288

    MTEB

    Публичная таблицаревизия не подтверждена

  • STSB

    main_score

    Результат

    0,7968

    MTEB

    Публичная таблицаревизия не подтверждена

  • MultilingualSentiment

    main_score

    Результат

    0,7648

    MTEB

    Публичная таблицаревизия не подтверждена

  • DuRetrieval

    main_score

    Результат

    0,8504

    MTEB

    Публичная таблицаревизия не подтверждена

  • PAWSX

    main_score

    Результат

    0,3855

    MTEB

    Публичная таблицаревизия не подтверждена

  • ATEC

    main_score

    Результат

    0,546

    MTEB

    Публичная таблицаревизия не подтверждена

  • Ocnli

    main_score

    Результат

    0,7759

    MTEB

    Публичная таблицаревизия не подтверждена

  • LCQMC

    main_score

    Результат

    0,744

    MTEB

    Публичная таблицаревизия не подтверждена

  • STS22

    main_score

    Результат

    0,6298

    MTEB

    Публичная таблицаревизия не подтверждена

  • ThuNewsClusteringP2P

    main_score

    Результат

    0,6836

    MTEB

    Публичная таблицаревизия не подтверждена

  • BlurbsClusteringP2P

    main_score

    Результат

    0,0884

    MTEB

    Публичная таблицаревизия совпадает

  • AmazonCounterfactualClassification

    main_score

    Результат

    0,5592

    Общий результат 0,5695
    MTEB

    Публичная таблицаревизия совпадает

  • JDReview

    main_score

    Результат

    0,8672

    MTEB

    Публичная таблицаревизия не подтверждена

  • VideoRetrieval

    main_score

    Результат

    0,737

    MTEB

    Публичная таблицаревизия не подтверждена

  • MassiveIntentClassification

    main_score

    Результат

    0,3098

    Общий результат 0,3275
    MTEB

    Публичная таблицаревизия совпадает

  • ThuNewsClusteringS2S

    main_score

    Результат

    0,6292

    MTEB

    Публичная таблицаревизия не подтверждена

  • BQ

    main_score

    Результат

    0,6441

    MTEB

    Публичная таблицаревизия не подтверждена

  • T2Reranking

    main_score

    Результат

    0,6586

    MTEB

    Публичная таблицаревизия не подтверждена

  • TNews

    main_score

    Результат

    0,5198

    MTEB

    Публичная таблицаревизия не подтверждена

  • MMarcoRetrieval

    main_score

    Результат

    0,7753

    MTEB

    Публичная таблицаревизия не подтверждена

  • AFQMC

    main_score

    Результат

    0,5458

    MTEB

    Публичная таблицаревизия не подтверждена

  • CmedqaRetrieval

    main_score

    Результат

    0,4315

    MTEB

    Публичная таблицаревизия не подтверждена

  • PawsXPairClassification

    main_score

    Результат

    0,5313

    Общий результат 0,5034
    MTEB

    Публичная таблицаревизия совпадает

  • OnlineShopping

    main_score

    Результат

    0,9268

    MTEB

    Публичная таблицаревизия не подтверждена

  • IFlyTek

    main_score

    Результат

    0,496

    MTEB

    Публичная таблицаревизия не подтверждена

  • MTOPDomainClassification

    main_score

    Результат

    0,5669

    Общий результат 0,5605
    MTEB

    Публичная таблицаревизия совпадает

  • CLSClusteringS2S

    main_score

    Результат

    0,3891

    MTEB

    Публичная таблицаревизия не подтверждена

  • T2Retrieval

    main_score

    Результат

    0,8193

    MTEB

    Публичная таблицаревизия не подтверждена

  • EcomRetrieval

    main_score

    Результат

    0,6725

    MTEB

    Публичная таблицаревизия не подтверждена

  • BlurbsClusteringS2S

    main_score

    Результат

    0,084

    MTEB

    Публичная таблицаревизия совпадает

  • QBQTC

    main_score

    Результат

    0,3336

    MTEB

    Публичная таблицаревизия не подтверждена

  • CMedQAv2-reranking

    main_score

    Результат

    0,8646

    MTEB

    Публичная таблицаревизия не подтверждена

  • MassiveScenarioClassification

    main_score

    Результат

    0,3738

    Общий результат 0,3975
    MTEB

    Публичная таблицаревизия совпадает

  • CovidRetrieval

    main_score

    Результат

    0,8841

    MTEB

    Публичная таблицаревизия не подтверждена

  • CLSClusteringP2P

    main_score

    Результат

    0,421

    MTEB

    Публичная таблицаревизия не подтверждена

  • MMarcoReranking

    main_score

    Результат

    0,3119

    MTEB

    Публичная таблицаревизия не подтверждена

  • Waimai

    main_score

    Результат

    0,8837

    MTEB

    Публичная таблицаревизия не подтверждена

  • Cmnli

    main_score

    Результат

    0,8251

    MTEB

    Публичная таблицаревизия не подтверждена

  • FalseFriendsGermanEnglish

    main_score

    Результат

    0,4834

    MTEB

    Публичная таблицаревизия совпадает

  • MTOPIntentClassification

    main_score

    Результат

    0,3566

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

gte-large-zh — модель текстовых эмбеддингов General Text Embeddings (GTE), разработанная Alibaba DAMO Academy на основе архитектуры BERT и обученная контрастивным обучением на больших наборах пар текстов, связанных по релевантности. Она предназначена для китайских текстов и преобразует их в векторы размерности 1024 для поиска и сравнения по смыслу.

Модель подходит для информационного поиска, оценки семантического сходства и ранжирования текстов, а также может использоваться в классификации и кластеризации. Максимальная длина входной последовательности — 512 токенов; более длинные тексты обрезаются. В тестировании на китайском бенчмарке CMTEB модель показала средний результат 66,72 по 35 наборам данных. Репозиторий содержит веса PyTorch и Safetensors, лицензия — MIT.

Сценарии применения

  • семантический поиск по китайским документам
  • поиск релевантных фрагментов для RAG
  • сравнение сходства китайских предложений
  • ранжирование результатов поиска по релевантности
  • кластеризация китайских текстов

Ограничения

Модель рассчитана исключительно на китайские тексты. Вход длиннее 512 токенов обрезается.

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-large-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-zhChinese5125120.21GB
GTE-small-zhChinese5125120.10GB
GTE-largeEnglish51210240.67GB
GTE-baseEnglish5125120.21GB
GTE-smallEnglish5123840.10GB

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-zh0.151251260.0464.3548.9569.9966.2165.5049.72
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-large-zh")
model = AutoModel.from_pretrained("thenlper/gte-large-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 = ['That is a happy person', 'That is a very happy person']

model = SentenceTransformer('thenlper/gte-large-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
64c364e

0 моделей