MS-MARCO-Web-Search

大规模网络数据集推动搜索与机器学习研究进展

MS MARCO Web Search 数据集信息检索机器学习搜索引擎 Github 开源项目

MS-MARCO-Web-Search是一个基于ClueWeb22的大规模网络数据集，包含数百万真实查询点击标签。它提供丰富的文本、视觉和语义信息，设置了嵌入模型、嵌入检索和端到端检索三个挑战任务。该数据集旨在推动机器学习和信息检索系统研究，并验证方法在大规模数据上的有效性。

Github

论文

介绍相关项目

INTERS - 指令微调优化大型语言模型的搜索能力

GithubINTERS信息检索大语言模型开源项目指令微调自然语言处理

INTERS是一个包含20个信息检索任务的指令微调数据集，旨在提升大型语言模型的搜索能力。该项目基于43个数据集构建，涵盖查询理解、文档理解和查询-文档关系理解三大类任务。实验表明，INTERS能有效增强LLaMA、Mistral等开源大型语言模型在信息检索方面的表现，为搜索技术发展开辟新路径。

monot5-large-msmarco - MSMarco文本重排序优化版T5-large模型

GithubHuggingfaceMS MARCOT5-large开源项目数据集文档排序模型模型训练

MonoT5-large是一个在MS MARCO数据集上训练的文本重排序模型，主要用于优化搜索结果的排序。模型支持MS MARCO passages和Robust04文档处理，能有效提升文本搜索的准确性，适用于各类文档重排序场景。

datasets - Unsplash开放数据集海量图片与搜索数据资源

GithubUnsplash Dataset图像库图片数据集开源数据开源项目数据研究

Unsplash Dataset是一个开放的图片和数据资源库,汇集了全球35万多名摄影师的贡献。它包括Lite和Full两个版本,分别提供2.5万张自然主题图片和540万张高质量图片。这些数据集还包含大量关键词和搜索数据,为图像研究和机器学习提供了丰富素材。研究人员可免费用于非商业性项目,探索图像、关键词和搜索行为之间的关联。

msmarco-distilbert-dot-v5 - 用于语义搜索的句子嵌入模型

DistilBERTGithubHuggingfaceMS MARCOsentence-transformers句子转换器开源项目模型语义搜索

msmarco-distilbert-dot-v5是一个基于sentence-transformers的语义搜索模型。它将文本映射到768维向量空间，在MS MARCO数据集上训练。支持sentence-transformers和HuggingFace Transformers库，可进行文本编码和相似度计算。该模型在语义搜索任务中表现优秀，为自然语言处理提供有力支持。

MindSearch - 开源AI搜索引擎框架，支持深度知识探索

AI搜索引擎GithubMindSearch人类偏好开源框架开源项目知识发现

MindSearch是一个开源的AI搜索引擎框架，支持Perplexity.ai Pro性能。用户可以使用GPT、Claude等闭源LLM或InternLM2.5-7b-chat等开源LLM，轻松部署类似Perplexity.ai风格的搜索引擎。MindSearch能够解决各种问题，通过浏览数百个网页提供深入的知识，并优化用户界面体验。它通过动态图构建过程，将用户查询分解为多个子问题，逐步扩展搜索图，显著提高响应的深度、广度和准确性。

dclm - 大型语言模型训练与评估的开源综合框架

DataComp-LMGithub大语言模型开源项目数据处理模型训练评估

DataComp-LM是一个开源的大型语言模型训练和评估框架。它提供了超过300T的CommonCrawl标准语料库、基于open_lm的预训练方案和50多项评估指标。研究人员可利用该框架在411M至7B参数规模下进行数据集构建实验。通过数据集优化，DataComp-LM已显著提升了模型性能，创建了多个跨规模表现优异的高质量数据集。

marqo-fashionCLIP - 基于CLIP的时尚图像检索与分类开源模型

GithubHuggingfaceMarqo-FashionCLIP图像分类多模态检索开源项目性能评估时尚搜索模型

Marqo-FashionCLIP是一个基于CLIP架构的时尚图像检索和分类模型。模型采用广义对比学习技术，支持处理文本描述、类别、风格、颜色和材质等多维度特征。在Atlas、DeepFashion等6个公开数据集的评测中，该模型在文本到图像检索、类别分类等任务上取得了优异表现。开发者可通过Hugging Face、OpenCLIP或Transformers.js等框架使用此模型。

metaclip-h14-fullcc2.5b - 大规模视觉语言模型基于25亿CommonCrawl数据训练

GithubHuggingfaceMetaCLIP多模态学习开源项目模型自然语言处理计算机视觉零样本分类

MetaCLIP是一个基于25亿CommonCrawl数据点训练的大规模视觉语言模型。该模型由Xu等人在《Demystifying CLIP Data》论文中提出，旨在解析CLIP的数据准备流程。MetaCLIP支持图像与文本的联合嵌入，可应用于零样本图像分类、文本图像检索等任务。作为一个开源项目，MetaCLIP为研究人员提供了探索大规模视觉语言模型的新方向，有助于推进计算机视觉和自然语言处理领域的发展。

awesome-search - 全面深入的搜索技术资源集合

Github个性化推荐开源项目排序优化搜索技术搜索质量评估检索算法

该资源集合涵盖了搜索技术的多个方面,从基础的词法搜索到先进的语义搜索和混合搜索。重点关注了结果排序、个性化推荐和多样化等核心问题,同时也包含了实用的架构设计、测试方法和评估指标。项目收录了众多高质量的技术文章、视频教程和行业案例,为搜索领域的研究人员和工程师提供了全面的学习资料。

metasearch - 高效多源并行搜索工具实现信息检索效率提升

DockerGithubMetasearch开源项目搜索工具数据源

Metasearch是一个开源的多源并行搜索工具，支持同时检索超过25种数据源，包括AWS、GitHub、Google Drive、Confluence、Jira和Slack等。此工具能显著提高信息检索效率，适合企业内部资源管理。Metasearch支持Docker和Git部署，设置简便，并欢迎社区贡献新的数据源支持。它为企业提供了一个统一的平台，用于快速搜索和访问分散在各种工具和平台上的信息。作为一个轻量级工具，Metasearch仅由约3000行TypeScript代码构成，具有出色的扩展性。

相关项目

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