/ Модель

Характеристики

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

gte-small-zh

ЭмбеддингиТекст → embedding8 профессий

Компактная BERT-модель Alibaba для создания эмбеддингов китайского текста, семантического поиска и сравнения сходства.

6 333скачиваний за 30 дней19лайковвеса обновлены19 мая 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

    0,7501

    MTEB

    Публичная таблицаревизия не подтверждена

  • VideoRetrieval

    main_score

    Результат

    0,6769

    MTEB

    Публичная таблицаревизия не подтверждена

  • AmazonCounterfactualClassification

    main_score

    Результат

    0,6137

    Общий результат 0,6296
    MTEB

    Публичная таблицаревизия совпадает

  • T2Retrieval

    main_score

    Результат

    0,7812

    MTEB

    Публичная таблицаревизия не подтверждена

  • LCQMC

    main_score

    Результат

    0,7272

    MTEB

    Публичная таблицаревизия не подтверждена

  • BlurbsClusteringS2S

    main_score

    Результат

    0,0851

    MTEB

    Публичная таблицаревизия совпадает

  • PawsXPairClassification

    main_score

    Результат

    0,4727

    Общий результат 0,5062
    MTEB

    Публичная таблицаревизия совпадает

  • AFQMC

    main_score

    Результат

    0,3669

    MTEB

    Публичная таблицаревизия не подтверждена

  • T2Reranking

    main_score

    Результат

    0,6539

    MTEB

    Публичная таблицаревизия не подтверждена

  • TenKGnadClusteringS2S

    main_score

    Результат

    0,0757

    MTEB

    Публичная таблицаревизия совпадает

  • MMarcoReranking

    main_score

    Результат

    0,2613

    MTEB

    Публичная таблицаревизия не подтверждена

  • CovidRetrieval

    main_score

    Результат

    0,6165

    MTEB

    Публичная таблицаревизия не подтверждена

  • MassiveIntentClassification

    main_score

    Результат

    0,3108

    Общий результат 0,3258
    MTEB

    Публичная таблицаревизия совпадает

  • FalseFriendsGermanEnglish

    main_score

    Результат

    0,4875

    MTEB

    Публичная таблицаревизия совпадает

  • AmazonReviewsClassification

    main_score

    Результат

    0,2783

    Общий результат 0,281
    MTEB

    Публичная таблицаревизия совпадает

  • ThuNewsClusteringP2P

    main_score

    Результат

    0,6379

    MTEB

    Публичная таблицаревизия не подтверждена

  • ATEC

    main_score

    Результат

    0,4577

    MTEB

    Публичная таблицаревизия не подтверждена

  • Ocnli

    main_score

    Результат

    0,6053

    MTEB

    Публичная таблицаревизия не подтверждена

  • EcomRetrieval

    main_score

    Результат

    0,5791

    MTEB

    Публичная таблицаревизия не подтверждена

  • TenKGnadClusteringP2P

    main_score

    Результат

    0,1473

    MTEB

    Публичная таблицаревизия совпадает

  • STS22

    main_score

    Результат

    0,6672

    MTEB

    Публичная таблицаревизия не подтверждена

  • BQ

    main_score

    Результат

    0,4964

    MTEB

    Публичная таблицаревизия не подтверждена

  • DuRetrieval

    main_score

    Результат

    0,7857

    MTEB

    Публичная таблицаревизия не подтверждена

  • CMedQAv2-reranking

    main_score

    Результат

    0,8726

    MTEB

    Публичная таблицаревизия не подтверждена

  • MTOPIntentClassification

    main_score

    Результат

    0,403

    Общий результат 0,3873
    MTEB

    Публичная таблицаревизия совпадает

  • QBQTC

    main_score

    Результат

    0,3697

    MTEB

    Публичная таблицаревизия не подтверждена

  • CLSClusteringP2P

    main_score

    Результат

    0,3954

    MTEB

    Публичная таблицаревизия не подтверждена

  • TNews

    main_score

    Результат

    0,4965

    MTEB

    Публичная таблицаревизия не подтверждена

  • Cmnli

    main_score

    Результат

    0,6921

    MTEB

    Публичная таблицаревизия не подтверждена

  • ThuNewsClusteringS2S

    main_score

    Результат

    0,5514

    MTEB

    Публичная таблицаревизия не подтверждена

  • MassiveScenarioClassification

    main_score

    Результат

    0,4206

    Общий результат 0,3957
    MTEB

    Публичная таблицаревизия совпадает

  • MTOPDomainClassification

    main_score

    Результат

    0,6323

    Общий результат 0,6176
    MTEB

    Публичная таблицаревизия совпадает

  • Waimai

    main_score

    Результат

    0,8496

    MTEB

    Публичная таблицаревизия не подтверждена

  • OnlineShopping

    main_score

    Результат

    0,8913

    MTEB

    Публичная таблицаревизия не подтверждена

  • CLSClusteringS2S

    main_score

    Результат

    0,3733

    MTEB

    Публичная таблицаревизия не подтверждена

  • IFlyTek

    main_score

    Результат

    0,4115

    MTEB

    Публичная таблицаревизия не подтверждена

  • JDReview

    main_score

    Результат

    0,8283

    MTEB

    Публичная таблицаревизия не подтверждена

  • MultilingualSentiment

    main_score

    Результат

    0,682

    MTEB

    Публичная таблицаревизия не подтверждена

  • CMedQAv1-reranking

    main_score

    Результат

    0,8608

    MTEB

    Публичная таблицаревизия не подтверждена

  • BlurbsClusteringP2P

    main_score

    Результат

    0,1134

    MTEB

    Публичная таблицаревизия совпадает

  • PAWSX

    main_score

    Результат

    0,1277

    MTEB

    Публичная таблицаревизия не подтверждена

  • MedicalRetrieval

    main_score

    Результат

    0,6264

    MTEB

    Публичная таблицаревизия не подтверждена

  • CmedqaRetrieval

    main_score

    Результат

    0,4246

    MTEB

    Публичная таблицаревизия не подтверждена

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

GTE-small-zh — компактная модель текстовых эмбеддингов семейства General Text Embeddings, разработанная Alibaba DAMO Academy на основе архитектуры BERT. Она обучена на больших наборах пар текстов с оценками релевантности и предназначена для получения векторных представлений китайских текстов.

Модель подходит для семантического поиска, сравнения сходства предложений, извлечения информации и ранжирования текстов. Размер модели составляет около 36 млн параметров, размерность эмбеддингов — 512, максимальная длина последовательности — 512 токенов. Веса доступны в форматах PyTorch и safetensors.

Модель рассчитана исключительно на китайские тексты; более длинные входы обрезаются до 512 токенов. Лицензия — MIT.

Сценарии применения

  • семантический поиск по китайским документам
  • поиск релевантных текстов по запросу на китайском языке
  • сравнение семантического сходства китайских предложений
  • ранжирование найденных китайских текстов
  • извлечение информации из китайского корпуса

Ограничения

Модель предназначена только для китайских текстов; входы длиннее 512 токенов обрезаются.

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

gte-small-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-small-zh")
model = AutoModel.from_pretrained("thenlper/gte-small-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-small-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
af7bd46

0 моделей