专为日本文本检索及句子相似度设计的嵌入模型
模型专注于日本文本处理,可在CPU上运行,提升检索任务性能。通过蒸馏大规模嵌入及多阶段对比学习,GLuCoSE v2在MIRACL等任务中的表现出色。其支持语义相似度测量,适用于查询和段落检索,使用余弦相似度函数,支持512标记的输入,生成768维输出。
GLuCoSE-base-ja-v2 是一个专注于日语文本嵌入的模型,尤其在信息检索任务中表现出色。这个模型可以在普通的CPU上运行,以评估语句间的语义相似性,并作为基于查询的段落搜索系统。
GLuCoSE-base-ja-v2 模型基于 GLuCoSE进行构建,并通过大规模嵌入模型的蒸馏与多阶段对比学习进行微调。
可以使用 SentenceTransformer 进行推理,代码如下:
from sentence_transformers import SentenceTransformer import torch.nn.functional as F # 从 Hugging Face Hub 下载模型 model = SentenceTransformer("pkshatech/GLuCoSE-base-ja-v2") # 每个输入文本应以 "query: " 或 "passage: " 开头。 sentences = [ 'query: PKSHAはどんな会社ですか?', 'passage: 研究開発したアルゴリズムを、多くの企業のソフトウエア・オペレーションに導入しています。', 'query: 日本で一番高い山は?', 'passage: 富士山(ふじさん)は、標高3776.12 m、日本最高峰(剣ヶ峰)の独立峰で、その優美な風貌は日本国外でも日本の象徴として広く知られている。', ] embeddings = model.encode(sentences,convert_to_tensor=True) print(embeddings.shape) # [4, 768] # 获取嵌入的相似性得分 similarities = F.cosine_similarity(embeddings.unsqueeze(0), embeddings.unsqueeze(1), dim=2) print(similarities) # [[1.0000, 0.6050, 0.4341, 0.5537], # [0.6050, 1.0000, 0.5018, 0.6815], # [0.4341, 0.5018, 1.0000, 0.7534], # [0.5537, 0.6815, 0.7534, 1.0000]]
还可以使用 Transformers 进行推理,代码如下:
import torch.nn.functional as F from torch import Tensor from transformers import AutoTokenizer, AutoModel def mean_pooling(last_hidden_states: Tensor,attention_mask: Tensor) -> Tensor: emb = last_hidden_states * attention_mask.unsqueeze(-1) emb = emb.sum(dim=1) / attention_mask.sum(dim=1).unsqueeze(-1) return emb # 从 Hugging Face Hub 下载模型 tokenizer = AutoTokenizer.from_pretrained("pkshatech/GLuCoSE-base-ja-v2") model = AutoModel.from_pretrained("pkshatech/GLuCoSE-base-ja-v2") # 每个输入文本应以 "query: " 或 "passage: " 开头。 sentences = [ 'query: PKSHAはどんな会社ですか?', 'passage: 研究開発したアルゴリズムを、多くの企業のソフトウエア・オペレーションに導入しています。', 'query: 日本で一番高い山は?', 'passage: 富士山(ふじさん)は、標高3776.12 m、日本最高峰(剣ヶ峰)の独立峰で、その優美な風貌は日本国外でも日本の象徴として広く知られている。', ] # 令输入文本进行标记化 batch_dict = tokenizer(sentences, max_length=512, padding=True, truncation=True, return_tensors='pt') outputs = model(**batch_dict) embeddings = mean_pooling(outputs.last_hidden_state, batch_dict['attention_mask']) print(embeddings.shape) # [4, 768] # 获取嵌入的相似性得分 similarities = F.cosine_similarity(embeddings.unsqueeze(0), embeddings.unsqueeze(1), dim=2) print(similarities) # [[1.0000, 0.6050, 0.4341, 0.5537], # [0.6050, 1.0000, 0.5018, 0.6815], # [0.4341, 0.5018, 1.0000, 0.7534], # [0.5537, 0.6815, 0.7534, 1.0000]]
GLuCoSE v2 的微调包括以下步骤:
步骤1:集成蒸馏
步骤2:对比学习
步骤3:检索特定的对比学习
模型在多个数据集上进行评估,并与其他模型进行对比,GLuCoSE v2 在某些指标上表现优异。
模型 | 大小 | MIRACL<br>Recall@5 | JQaRA<br>nDCG@10 | JaCWIR<br>MAP@10 | MLDR<br>nDCG@10 |
---|---|---|---|---|---|
GLuCoSE v2 | 0.1B | 85.5 | 60.6 | 85.3 | 33.8 |
在 JMTEB 基准上,GLuCoSE v2 的表现也优于许多其他模型。
模型 | 大小 | 平均值 | 检索 | STS | 分类 | 重排序 | 聚类 | 对比分类 |
---|---|---|---|---|---|---|---|---|
GLuCoSE v2 | 0.1B | 72.23 | 73.36 | 82.96 | 74.21 | 93.01 | 48.65 | 62.37 |
Chihiro Yano、Mocho Go、Hideyuki Tachibana、Hiroto Takegawa、Yotaro Watanabe 共同参与了该项目的开发。
该模型采用 Apache许可证2.0版本发布,可供公众自由使用和改进。
全能AI智能助手,随时解答生活与工作的多样问题
问小白,由元石科技研发的AI智能助手,快速准确地解答各种生活和工作问题,包括但不限于搜索、规划和社交互动,帮助用户在日常生活中提高效率,轻松管理个人事务。
实时语音翻译/同声传译工具
Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手,它拥有超精准的音频识别翻译能力,几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球,无论你是留学生、商务人士、韩剧美剧爱好者,还是出国游玩、多国会议、跨国追星等等,都可以满足你所有需要同传的场景需求,线上线下通用,扫除语言障碍,让全世界的语言交流不再有国界。
一键生成PPT和Word,让学习生活更轻松
讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。
深度推理能力全新升级,全面对标OpenAI o1
科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。
一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型
Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。
字节跳动发布的AI编程神器IDE
Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。
AI助力,做PPT更简单!
咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。
选题、配图、成文,一站式创作,让内容运营更高效
讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。
专业的AI公文写作平台,公文写作神器
AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。
OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。
openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号