BAAI/bge-base-en-v1.5
FlagEmbedding Model List | FAQ | Usage | Evaluation | Train | Contact | Citation | License For more details please refer to our Github: FlagEmbedding(https://github.com/FlagOpen/FlagEmbedding). If you are looking for a model that supports more langua...
Thành tựu nổi bật
Những danh hiệu mới nhất của dự án
#1 Repository Của Tuần
#1 Repository Của Tuần
#1 Repository Của Tuần
🚀 Mô hình BGE base v1.5: Cỗ máy tính điểm mạnh cho tìm kiếm ngữ nghĩa
BGE base v1.5 — mô hình nhúng câu (sentence embedding) hiệu suất cao từ BAAI, được huấn luyện chuyên sâu cho tính năng tương đồng câu và truy xuất thông tin.
BGE base v1.5 là phiên bản cập nhật của dòng mô hình BGE (Bidirectional Guided Encoder) do BAAI phát triển. Dựa trên kiến trúc BERT, mô hình này được tối ưu để tạo biểu diễn vectơ ngữ nghĩa chất lượng cao cho câu và văn bản, hỗ trợ các nhiệm vụ như tìm kiếm ngữ nghĩa, phân loại, gom cụm và đo độ tương đồng. Phiên bản 1.5 mang lại cải tiến về độ chính xác và khả năng tổng quát hóa trên nhiều ngôn ngữ.
✨ Điểm nổi bật
- Kiến trúc BERT: Nền tảng vững chắc dựa trên BERT, hỗ trợ trích xuất đặc trưng ngữ nghĩa sâu.
- Tối ưu cho truy xuất: Hiệu suất xuất sắc trên các bài toán Retrieval trong MTEB, đặc biệt là MRR và nDCG.
- Đánh giá toàn diện: Đạt điểm cao trên hơn 60 tập dữ liệu MTEB, bao gồm cả Classification, Clustering, STS và Reranking.
- Hỗ trợ ONNX và Safetensors: Dễ dàng triển khai trong môi trường sản xuất với nhiều định dạng mô hình.
- Phiên bản base nhẹ: Cân bằng giữa tốc độ suy diễn và độ chính xác, phù hợp cho hầu hết các ứng dụng.
- Huấn luyện trên dữ liệu đa dạng: Bao gồm cả dữ liệu tiếng Anh và một số ngôn ngữ khác, nâng cao khả năng tổng quát hóa.
💡 Vì sao đáng chú ý
BGE base v1.5 nổi bật nhờ khả năng cân bằng giữa độ chính xác và hiệu suất. Không chỉ đạt kết quả tốt trên các bài toán truy xuất phức tạp như ArguAna hay CQADupstack, mô hình còn cho thấy sức mạnh ổn định trên các nhiệm vụ phân loại (Amazon Polarity: 93.39% độ chính xác) và đo độ tương đồng (BIOSSES: 89.25% cos_sim_pearson). Điều này làm cho nó trở thành lựa chọn lý tưởng cho các hệ thống tìm kiếm ngữ nghĩa, chatbot thông minh và các ứng dụng AI cần hiểu biết sâu về ngữ nghĩa.
#SentenceTransformers #BERT #SemanticSearch #MTEB #FeatureExtraction #TiniX
Similar Projects
Discover other similar projects and AI models.
FlagEmbedding Model List | FAQ | Usage | Evaluation | Train | Contact | Citation | License More details please refer to our Github: FlagEmbedding(https://github.com/FlagOpen/FlagEmbedding). If you are looking for a model that supports more languages,...
all-MiniLM-L6-v2 This is a sentence-transformers(https://www.SBERT.net) model: It maps sentences & paragraphs to a 384 dimensional dense vector space and can be used for tasks like clustering or semantic search. Usage (Sentence-Transformers) Using t...
FlagEmbedding Model List | FAQ | Usage | Evaluation | Train | Contact | Citation | License For more details please refer to our Github: FlagEmbedding(https://github.com/FlagOpen/FlagEmbedding). If you are looking for a model that supports more langua...
sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 This is a sentence-transformers(https://www.SBERT.net) model: It maps sentences & paragraphs to a 384 dimensional dense vector space and can be used for tasks like clustering or semantic se...
For more details please refer to our github repo: https://github.com/FlagOpen/FlagEmbedding BGE-M3 (paper(https://arxiv.org/pdf/2402.03216.pdf), code(https://github.com/FlagOpen/FlagEmbedding/tree/master/FlagEmbedding/BGEM3)) In this project, we intr...
all-mpnet-base-v2 This is a sentence-transformers(https://www.SBERT.net) model: It maps sentences & paragraphs to a 768 dimensional dense vector space and can be used for tasks like clustering or semantic search. Usage (Sentence-Transformers) Using...
Cross-Encoder for MS Marco This model was trained on the MS Marco Passage Ranking(https://github.com/microsoft/MSMARCO-Passage-Ranking) task. The model can be used for Information Retrieval: Given a query, encode the query will all possible passages...
Multilingual-E5-large Multilingual E5 Text Embeddings: A Technical Report(https://arxiv.org/pdf/2402.05672). Liang Wang, Nan Yang, Xiaolong Huang, Linjun Yang, Rangan Majumder, Furu Wei, arXiv 2024 This model has 24 layers and the embedding size is...
BERT base model (uncased) Pretrained model on English language using a masked language modeling (MLM) objective. It was introduced in this paper(https://arxiv.org/abs/1810.04805) and first released in this repository(https://github.com/google-resear...