tct_colbert-msmarco

知识蒸馏技术驱动的密集文档检索深度学习模型

模型训练深度学习信息检索 Huggingface TCT-ColBERT 排序优化 Github 开源项目模型

TCT-ColBERT是一个采用知识蒸馏技术的密集文档检索模型。该模型通过教师模型紧耦合方法，实现了BERT模型的轻量化，在维持检索效果的同时提高了运行效率。项目支持Pyserini框架集成，提供完整的模型实现代码。

ms-marco-TinyBERT-L-6 - 跨编码器在信息检索与重排序中的应用

Cross-EncoderGithubHuggingfaceMS MarcoSentenceTransformers信息检索开源项目模型模型性能

TinyBERT-L-6模型在MS Marco Passage Ranking任务中进行了优化，解决信息检索中的查询与段落排序问题。该模型通过交叉编码器实现高效的信息检索，提升查准率并缩短排序时间。支持Transformers与SentenceTransformers工具使用，简化实现流程，展示良好性能。项目提供详尽的训练代码和性能评估，助力深度学习场景下的信息处理任务优化。

colbertv2-camembert-L4-mmarcoFR - 轻量级法语语义检索模型支持高效文本匹配

ColBERTGithubHuggingfaceRAGatouillemMARCO开源项目模型法语模型语义搜索

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。

cocodr-base-msmarco - 零样本文本检索与分布鲁棒学习模型

BEIRCOCO-DRGithubHuggingface向量相似度开源项目模型模型预训练自然语言处理

COCODR是一个基于BERT-base架构的文本检索模型，通过BEIR语料库预训练和MS MARCO数据集微调而成。模型采用对比学习和分布鲁棒学习方法，解决零样本密集检索中的分布偏移问题。借助HuggingFace transformers框架，模型可用于文本嵌入和相似度计算。

ms-marco-MiniLM-L-4-v2 - MS Marco跨编码器模型优化信息检索和段落排序效率

Cross-EncoderGithubHuggingfaceMS Marco信息检索开源项目模型模型评估自然语言处理

ms-marco-MiniLM-L-4-v2是一款针对MS Marco段落排序任务优化的跨编码器模型。在TREC DL 19和MS Marco开发集评测中，该模型的NDCG@10和MRR@10分别达到73.04和37.70，展现出优秀性能。它适用于查询-段落匹配和重排序等信息检索任务，每秒可处理2500个文档，在效率和性能间取得良好平衡。研究人员可通过Transformers或SentenceTransformers库轻松应用此模型。

ms-marco-MiniLM-L-12-v2 - 跨编码器模型实现高效信息检索与段落排序

Cross-EncoderGithubHuggingfaceMS MarcoSentenceTransformers信息检索开源项目模型自然语言处理

ms-marco-MiniLM-L-12-v2是为MS Marco段落排序任务开发的跨编码器模型。该模型在信息检索领域表现优异，能够高效编码和排序查询与段落。在TREC Deep Learning 2019和MS Marco Passage Reranking数据集上，模型分别达到74.31的NDCG@10和39.02的MRR@10。每秒处理960个文档的速度使其在准确性和效率间实现了良好平衡，适用于各类信息检索应用场景。

bert-multilingual-passage-reranking-msmarco - BERT多语言文本重排序模型优化搜索效果

BERTGithubHuggingface多语言开源项目搜索引擎机器学习模型模型训练

这是一个支持100多种语言的BERT段落重排序模型,通过对搜索查询和文本段落的语义匹配分析,可将搜索结果相关性提升61%。模型在MS MARCO数据集上训练,可无缝集成到Elasticsearch中,适用于多语言搜索优化场景。实测表明,其在英语性能与单语模型相当,在德语等其他语言上表现更优。

ms-marco-MiniLM-L-6-v2 - MiniLM-L-6跨编码器模型提升MS Marco信息检索效率

GithubHuggingfaceMS MarcoSentenceTransformers交叉编码器信息检索开源项目模型模型性能

ms-marco-MiniLM-L-6-v2是一个针对MS Marco信息检索任务优化的跨编码器模型。在TREC Deep Learning 2019和MS Marco Passage Reranking数据集上，其NDCG@10和MRR@10分别达到74.30和39.01。模型每秒处理1800个文档，平衡了性能和效率。基于SentenceTransformers库，该模型可轻松集成到信息检索系统中，用于查询-段落相关性排序。

simlm-msmarco-reranker - SimLM预训练的高性能密集段落检索模型

GithubHuggingfaceSimLM信息检索密集段落检索开源项目模型自然语言处理预训练模型

simlm-msmarco-reranker模型采用简单的瓶颈架构,通过自监督预训练压缩段落信息。在MS-MARCO等数据集上表现优异,超越ColBERTv2等多向量方法。该模型仅需无标签语料库即可训练,适用于缺乏标记数据的场景。研究人员可以使用此模型计算查询和段落的相关性得分,应用于信息检索和文本排序任务。

answerai-colbert-small-v1 - 小型多向量检索模型性能优异参数少效果好

ColBERTGithubHuggingfaceRAGatouille多向量模型开源项目文本搜索检索模型模型

answerai-colbert-small-v1是Answer.AI开发的ColBERT多向量检索模型。仅有33百万参数，却在多项基准测试中表现出色，超越了许多大规模模型。采用JaColBERTv2.5训练方法，支持文档检索和重排序任务。可通过RAGatouille、Stanford ColBERT等库使用。

ms-marco-MiniLM-L-6-v2 - 高性能跨编码器模型用于信息检索和文本排序

Cross-EncoderGithubHuggingfaceMS Marco信息检索开源项目模型模型性能自然语言处理

ms-marco-MiniLM-L-6-v2是一款针对MS Marco段落排序任务开发的跨编码器模型。该模型在信息检索领域表现卓越，能够高效编码和排序查询与文本段落。在TREC Deep Learning 2019和MS Marco Passage Reranking数据集评测中，模型展现出优异性能，NDCG@10和MRR@10分别达到74.30和39.01。ms-marco-MiniLM-L-6-v2兼顾效率与准确性，每秒可处理1800个文档，为信息检索应用提供了实用解决方案。

推荐项目

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手，通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能，支持100+编程语言，与主流编辑器无缝集成，显著提升开发效率和代码质量。

AI写歌

Suno AI是一个革命性的AI音乐创作平台，能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐，Suno AI都是音乐爱好者和专业人士的理想选择。

有言AI

有言平台提供一站式AIGC视频创作解决方案，通过智能技术简化视频制作流程。无论是企业宣传还是个人分享，有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Kimi

Kimi AI助手提供多语言对话支持，能够阅读和理解用户上传的文件内容，解析网页信息，并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题，Kimi都能以友好、专业的方式提供帮助。

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术，为商家提供一键生成商品图和营销文案的服务，显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台，让商品第一时间被种草。

吐司

探索Tensor.Art平台的独特AI模型，免费访问各种图像生成与AI训练工具，从Stable Diffusion等基础模型开始，轻松实现创新图像生成。体验前沿的AI技术，推动个人和企业的创新发展。

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器，它将改变您观看视频的方式！SubCat结合了先进的人工智能技术，为您提供即时视频字幕翻译，无论是本地视频还是网络流媒体，让您轻松享受各种语言的内容。

美间AI

美间AI创意设计平台，利用前沿AI技术，为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图，再到文案生成，美间让创意设计更简单、更高效。

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具，简化了选题、文献检索至论文撰写的整个过程。通过简单设定，平台可快速生成高质量论文大纲和全文，配合图表、参考文献等一应俱全，同时提供开题报告和答辩PPT等增值服务，保障数据安全，有效提升写作效率和论文质量。

使用协议隐私政策广告服务

投诉举报邮箱: service@vectorlightyear.com