gte-small

gte-small项目介绍

项目概述

gte-small是一个通用文本嵌入(General Text Embeddings, GTE)模型,由阿里巴巴达摩院开发。它是GTE系列模型中的小型版本,其他还包括gte-base和gte-large。GTE模型主要基于BERT框架,通过在大规模相关文本对语料库上进行训练,覆盖了广泛的领域和场景。这使得GTE模型可以应用于各种文本嵌入的下游任务,包括信息检索、语义文本相似度、文本重排序等。

模型特点

gte-small模型具有以下特点:

1. 模型大小小巧,仅为0.07GB,适合资源受限的场景。
2. 输出384维的嵌入向量。
3. 最大序列长度为512个token。
4. 在MTEB基准测试中表现出色,综合得分61.36,与一些更大的模型相当。

性能对比

在MTEB基准测试中,gte-small与其他流行的文本嵌入模型进行了比较:

1. 在总体平均分上,gte-small得分61.36,仅略低于gte-base(62.39)和gte-large(63.13)。
2. 在聚类任务上表现优异,得分44.89。
3. 在语义文本相似度(STS)任务上得分82.07,接近更大的模型。
4. 在文本重排序任务上得分57.7,优于一些更大的模型。

使用方法

gte-small模型支持Python和JavaScript两种使用方式:

1. Python:

   • 可以使用Transformers和PyTorch库。
   • 也可以使用sentence-transformers库进行简单的使用。

2. JavaScript:

   • 可以通过Transformers.js库在浏览器、Deno或Node.js环境中使用。
   • 支持在Supabase Edge Functions中部署。

局限性

gte-small模型也存在一些局限性:

1. 仅支持英语文本。
2. 长文本会被截断到最多512个token。

结语

尽管gte-small是GTE系列中最小的模型,但它在各种文本嵌入任务中表现出色,特别是在考虑到其小巧的模型大小时。它为需要在资源受限环境下进行文本嵌入的应用提供了一个很好的选择,同时保持了较高的性能水平。