stella

stella 模型

stella是一个通用的中文文本编码模型，目前有两个版本：base 和 large，两个版本的模型均支持1024的输入长度。

完整的训练思路和训练过程已记录在博客，欢迎阅读讨论。

训练数据：

开源数据(wudao_base_200GB[1]、m3e[2]和simclue[3])，重点选择了长度大于512的文本
在通用语料库上使用大型语言模型构造了一批(问题, 段落)和(句子, 段落)数据

训练方法：

对比学习损失函数
带有难负例的对比学习损失函数(分别基于bm25和向量构造了难负例)
EWC(弹性权重整合)[4]
cosent损失[5]
每种类型的数据使用一个迭代器，分别计算损失进行更新

初始权重： stella-base-zh和stella-large-zh分别以piccolo-base-zh[6]和piccolo-large-zh作为基础模型，512-1024的位置嵌入使用层次分解位置编码[7]进行初始化。感谢商汤科技研究院开源的piccolo系列模型。

stella是一个通用中文文本编码模型，目前有两个版本：base和large，两个版本均支持1024的输入长度。

训练数据主要包括：

开源训练数据（wudao_base_200GB、m3e和simclue），重点选择了长度大于512的文本。
在通用语料库上使用大型语言模型构造的一批（问题，段落）和（句子，段落）数据。

损失函数主要包括：

对比学习损失函数
带有难负例的对比学习损失函数（基于bm25和向量构造难负例）
EWC（弹性权重整合）
cosent损失

模型权重初始化： stella-base-zh和stella-large-zh分别使用piccolo-base-zh和piccolo-large-zh作为基础模型，512-1024位置嵌入使用层次分解位置编码的初始化策略。

训练策略：每种类型的数据使用一个迭代器，分别计算损失。

项目文件说明

./run_train.py # 训练脚本
./src/add_new_pos_embed.py # 扩展现有模型长度的脚本
./src/run_eval_stella.py # 评估cmteb效果的脚本

指标

C-MTEB 排行榜

stella模型在C-MTEB[8]的结果，评测脚本请参见博客。

模型名称	模型大小 (GB)	维度	序列长度	平均 (35)	分类 (9)	聚类 (4)	对分类 (2)	重排序 (4)	检索 (8)	语义相似度 (8)
stella-large-zh	0.65	1024	1024	64.54	67.62	48.65	78.72	65.98	71.02	58.3
stella-base-zh	0.2	768	1024	64.16	67.77	48.7	76.09	66.95	71.07	56.54
piccolo-large-zh	0.65	1024	512	64.11	67.03	47.04	78.38	65.98	70.93	58.02
bge-large-zh	1.3	1024	512	63.96	68.32	48.39	78.94	65.11	71.52	54.98
piccolo-base-zh	0.2	768	512	63.66	66.98	47.12	76.61	66.68	71.2	55.9
bge-large-zh-no-instruct	1.3	1024	512	63.4	68.58	50.01	76.77	64.9	70.54	53
bge-base-zh	0.41	768	512	62.8	67.07	47.64	77.5	64.91	69.53	54.12

长文本评估

通过实际观察发现，C-MTEB的评测数据长度基本都小于512，更关键的是那些长度大于512的文本，其重点都在前半部分。这里以CMRC2018的数据为例说明这个问题：

问题：《无双大蛇z》是谁旗下ω-force开发的动作游戏？

段落：《无双大蛇z》是光荣旗下ω-force开发的动作游戏，于2009年3月12日登陆索尼playstation3，并于2009年11月27日推......

段落长度为800多，大于512，但对于这个问题而言只需要前面40个字就足以检索，多余的内容对模型来说是一种噪声，反而降低了效果。简言之，现有数据集的两个问题： 1）长度大于512的数据过少 2）即便大于512，对于检索而言也只需要前512的文本内容导致无法准确评估模型的长文本编码能力。

为解决这个问题，我们收集了相关开源数据并使用规则进行过滤，最终整理了6份长文本测试集，分别是：

CMRC2018，通用百科
CAIL，法律阅读理解
DRCD，繁体百科，已转简体
Military，军工问答
Squad，英文阅读理解，已转中文
Multifieldqa_zh，清华的大模型长文本理解能力评测数据[9]

处理规则是选取答案在512长度之后的文本，短的测试数据会进行欠采样，长短文本占比约为1:2，因此模型既需要理解短文本也需要理解长文本。除了Military数据集，我们提供了其他5个测试数据的下载地址：https://drive.google.com/file/d/1WC6EWaCbVgz-vPMDFH4TwAMkLyh5WNcN/view?usp=sharing

评测指标为Recall@5，结果如下：

数据集	piccolo-base-zh	piccolo-large-zh	bge-base-zh	bge-large-zh	stella-base-zh	stella-large-zh
CMRC2018	94.34	93.82	91.56	93.12	96.08	95.56
CAIL	28.04	33.64	31.22	33.94	34.62	37.18
DRCD	78.25	77.9	78.34	80.26	86.14	84.58
Military	76.61	73.06	75.65	75.81	83.71	80.48
Squad	91.21	86.61	87.87	90.38	93.31	91.21
Multifieldqa_zh	81.41	83.92	83.92	83.42	79.9	80.4
平均	74.98	74.83	74.76	76.15	78.96	78.24
注意：由于长文本评估数据数量有限，在构建时也使用了训练部分数据。如果您自行评估，请注意模型的训练数据以避免数据泄露。

使用方法

本模型是在piccolo基础上训练的，因此使用方法与piccolo完全相同。
注意：在stella中，指令中的冒号是英文冒号，即查询: 和结果: 。

在sentence-transformer库中的使用方法：

# 对于短对短数据集，以下是通用的使用方式
from sentence_transformers import SentenceTransformer

sentences = ["数据1", "数据2"]
model = SentenceTransformer('infgrad/stella-base-zh')
print(model.max_seq_length)
embeddings_1 = model.encode(sentences, normalize_embeddings=True)
embeddings_2 = model.encode(sentences, normalize_embeddings=True)
similarity = embeddings_1 @ embeddings_2.T
print(similarity)
# 如果是短对长数据集，建议添加指令，以帮助模型更好地进行检索。
# 注意指令中使用的是英文冒号

直接使用transformers库：

from transformers import AutoModel, AutoTokenizer
from sklearn.preprocessing import normalize

model = AutoModel.from_pretrained('infgrad/stella-base-zh')
tokenizer = AutoTokenizer.from_pretrained('infgrad/stella-base-zh')
sentences = ["数据1", "数据ABCDEFGH"]
batch_data = tokenizer(
    batch_text_or_text_pairs=sentences,
    padding="longest",
    return_tensors="pt",
    max_length=1024,
    truncation=True,
)
attention_mask = batch_data["attention_mask"]
model_output = model(**batch_data)
last_hidden = model_output.last_hidden_state.masked_fill(~attention_mask[..., None].bool(), 0.0)
vectors = last_hidden.sum(dim=1) / attention_mask.sum(dim=1)[..., None]
vectors = normalize(vectors, norm="l2", axis=1, )
print(vectors.shape)  # 2,768