模型库 / intfloat/multilingual-e5-base

multilingual-e5-base

intfloat sentence-similarity sentence-transformers multilingual af am
intfloat/multilingual-e5-base
4,349,916
下载量
357
收藏数
11
浏览量
mit
许可

简介

多语言E5文本嵌入：技术报告。 王亮，杨楠，黄小龙，杨林军，Rangan Majumder，韦福如，arXiv 2024

模型卡片

许可协议 mit
语言
multilingual af am ar as az be bg bn br bs ca cs cy da de el en eo es et eu fa fi fr fy ga gd gl gu ha he hi hr hu hy id is it ja jv ka kk km kn ko ku ky la lo lt lv mg mk ml mn mr ms my ne nl no om or pa pl ps pt ro ru sa sd si sk sl so sq sr su sv sw ta te th tl tr ug uk ur uz vi xh yi zh
mteb Sentence Transformers sentence-similarity sentence-transformers

模型配置

模型类型 xlm-roberta
架构 XLMRobertaModel

模型详情

已翻译

Multilingual-E5-base

Multilingual E5 Text Embeddings: A Technical Report
Liang Wang, Nan Yang, Xiaolong Huang, Linjun Yang, Rangan Majumder, Furu Wei, arXiv 2024

该模型包含 12 层，embedding 大小为 768。

使用方法

以下是一个示例，用于对 MS-MARCO 段落排序数据集中的查询和段落进行编码。

import torch.nn.functional as F

from torch import Tensor
from transformers import AutoTokenizer, AutoModel

def average_pool(last_hidden_states: Tensor,
                 attention_mask: Tensor) -> Tensor:
    last_hidden = last_hidden_states.masked_fill(~attention_mask[..., None].bool(), 0.0)
    return last_hidden.sum(dim=1) / attention_mask.sum(dim=1)[..., None]

# Each input text should start with "query: " or "passage: ", even for non-English texts.
# For tasks other than retrieval, you can simply use the "query: " prefix.
input_texts = ['query: how much protein should a female eat',
               'query: 南瓜的家常做法',
               "passage: As a general guideline, the CDC's average requirement of protein for women ages 19 to 70 is 46 grams per day. But, as you can see from this chart, you'll need to increase that if you're expecting or training for a marathon. Check out the chart below to see how much protein you should be eating each day.",
               "passage: 1.清炒南瓜丝 原料:嫩南瓜半个 调料:葱、盐、白糖、鸡精 做法: 1、南瓜用刀薄薄的削去表面一层皮,用勺子刮去瓤 2、擦成细丝(没有擦菜板就用刀慢慢切成细丝) 3、锅烧热放油,入葱花煸出香味 4、入南瓜丝快速翻炒一分钟左右,放盐、一点白糖和鸡精调味出锅 2.香葱炒南瓜 原料:南瓜1只 调料:香葱、蒜末、橄榄油、盐 做法: 1、将南瓜去皮,切成片 2、油锅8成热后,将蒜末放入爆香 3、爆香后,将南瓜片放入,翻炒 4、在翻炒的同时,可以不时地往锅里加水,但不要太多 5、放入盐,炒匀 6、南瓜差不多软和绵了之后,就可以关火 7、撒入香葱,即可出锅"]

tokenizer = AutoTokenizer.from_pretrained('intfloat/multilingual-e5-base')
model = AutoModel.from_pretrained('intfloat/multilingual-e5-base')

# Tokenize the input texts
batch_dict = tokenizer(input_texts, max_length=512, padding=True, truncation=True, return_tensors='pt')

outputs = model(**batch_dict)
embeddings = average_pool(outputs.last_hidden_state, batch_dict['attention_mask'])

# normalize embeddings
embeddings = F.normalize(embeddings, p=2, dim=1)
scores = (embeddings[:2] @ embeddings[2:].T) * 100
print(scores.tolist())

支持的语言

该模型从 xlm-roberta-base 初始化，
并在多语言数据集的混合数据上持续训练。
它支持 xlm-roberta 中的 100 种语言，
但低资源语言可能会出现性能下降。

训练细节

初始化：xlm-roberta-base

第一阶段：基于弱监督的对比预训练

数据集 弱监督方式 文本对数量
过滤后的 mC4 (标题, 页面内容) 1B
CC News (标题, 新闻内容) 400M
NLLB 翻译对 2.4B
Wikipedia (分层章节标题, 段落) 150M
过滤后的 Reddit (评论, 回复) 800M
S2ORC (标题, 摘要) 和引用对 100M
Stackexchange (问题, 回答) 50M
xP3 (输入提示, 回复) 80M
其他无监督 SBERT 数据 - 10M

第二阶段：有监督微调

数据集 语言 文本对数量
MS MARCO 英语 500k
NQ 英语 70k
Trivia QA 英语 60k
来自 SimCSE 的 NLI 英语 <300k
ELI5 英语 500k
DuReader Retrieval 中文 86k
KILT Fever 英语 70k
KILT HotpotQA 英语 70k
SQuAD 英语 87k
Quora 英语 150k
Mr. TyDi 11 种语言 50k
MIRACL 16 种语言 40k

对于所有带标签的数据集，我们仅使用其训练集进行微调。

其他训练细节，请参考我们的论文：https://arxiv.org/pdf/2402.05672。

在 Mr. TyDi 上的基准测试结果

| 模型 | 平均 MRR@10 | | ar | bn | en | fi | id | ja | ko | ru | sw | te | th |
|-----------------------|------------|-------|------| --- | --- | --- | --- | --- | --- | --- |

标签

onnx openvino xlm-roberta mteb Sentence Transformers multilingual af am

操作

阅读详情

详细信息

厂商
intfloat
任务
sentence-similarity
框架
sentence-transformers
模型类型
xlm-roberta
许可(HF)
mit
语言
multilingual, af, am, ar, as, az, be, bg, bn, br, bs, ca, cs, cy, da, de, el, en, eo, es, et, eu, fa, fi, fr, fy, ga, gd, gl, gu, ha, he, hi, hr, hu, hy, id, is, it, ja, jv, ka, kk, km, kn, ko, ku, ky, la, lo, lt, lv, mg, mk, ml, mn, mr, ms, my, ne, nl, no, om, or, pa, pl, ps, pt, ro, ru, sa, sd, si, sk, sl, so, sq, sr, su, sv, sw, ta, te, th, tl, tr, ug, uk, ur, uz, vi, xh, yi, zh