colbertv2-camembert-L4-mmarcoFR

colbertv2-camembert-L4-mmarcoFR

轻量级法语语义检索模型支持高效文本匹配

该法语语义检索模型采用轻量级设计,通过token级别编码实现文本匹配。模型在mMARCO-fr数据集评测中取得91.9%的召回率,参数量为54M。支持RAGatouille和colbert-ai框架集成,可用于构建法语搜索系统。

mMARCO法语模型GithubColBERT模型RAGatouille语义搜索Huggingface开源项目

项目概述

colbertv2-camembert-L4-mmarcoFR是一个用于法语语义搜索的轻量级ColBERTv2模型。该项目主要通过将查询和文本段落编码为矩阵形式的词级嵌入,并使用可扩展的向量相似度(MaxSim)运算符来高效查找与查询在上下文中匹配的段落。

主要特点

  • 基于ColBERTv2架构开发
  • 专门针对法语进行优化
  • 模型体积轻量,仅54M参数
  • 支持高效的语义搜索
  • 提供完整的使用示例和评估数据

技术实现

该模型基于camembert-L4检查点进行初始化,采用了KL散度损失和批内采样的softmax交叉熵损失的组合方式进行优化。训练过程使用了一块80GB的NVIDIA H100 GPU,经过325k步训练,采用AdamW优化器,批量大小为32,峰值学习率为1e-5。模型的嵌入维度设置为32,问题和段落的最大序列长度分别固定为32和160个词元。

使用方法

该项目提供了两种使用方式:

  1. 通过RAGatouille库使用
  2. 通过ColBERT-AI库使用

两种方式都支持文档索引和搜索功能,用户可以根据具体需求选择合适的使用方式。

性能评估

该模型在mMARCO-fr数据集上进行了评估,测试集包含6,980个查询和880万个候选段落。评估指标包括:

  • Recall@1000: 91.9%
  • Recall@500: 90.3%
  • Recall@100: 81.9%
  • Recall@10: 56.7%
  • MRR@10: 32.3%

与其他公开的法语ColBERT模型相比,该模型在保持较小模型体积的同时,展现出了出色的性能表现。

训练数据

模型使用mMARCO数据集的法语部分进行训练,包含880万个段落和539K训练查询。训练过程中采用了62个来自12个不同密集检索器的困难负样本,并使用交叉编码器重排序器对所有查询-段落对进行相关性评分,最终得到约1040万个64路元组用于模型训练。

应用价值

这个项目为法语文本检索和语义搜索提供了一个高效且实用的解决方案,特别适合需要处理大规模法语文本数据的应用场景。其轻量级的特性使其能够在资源受限的环境中得到良好应用。

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多