Project Icon

efficient-splade-VI-BT-large-doc

SPLADE模型实现高效文档检索与精准排序

SPLADE模型是一种针对文档检索的高效架构,采用查询和文档推理分离设计。该模型在MS MARCO开发集上达到38.0 MRR@10和97.8 R@1000的性能,同时将推理延迟降至0.7毫秒。它在保持与先进神经排序器相近效果的同时,大幅缩短了延迟,接近传统BM25的速度,为文档检索领域提供了平衡效率与准确性的新方案。

efficient-splade-VI-BT-large-query - SPLADE模型优化文档检索速度和精确度
GithubHuggingfaceSPLADE信息检索开源项目效率优化检索系统模型神经网络模型
efficient-splade-VI-BT-large-query是一款高效的文档检索SPLADE模型。该模型采用查询和文档推理分离架构,在MS MARCO数据集上实现38.0 MRR@10和97.8 R@1000的性能,查询推理延迟仅0.7毫秒。通过L1正则化和FLOPS正则化等技术,模型在保持接近先进单阶段神经排序器性能的同时,将延迟控制在与BM25相近水平,实现了效率与性能的平衡。
Splade_PP_en_v1 - SPLADE++稀疏文档检索模型的工业级优化实现
GithubHuggingfaceSPLADE++关键词扩展开源项目文档检索检索效率模型稀疏表示
基于SPLADE++的文档检索模型优化实现,通过FLOPS和令牌预算的调整实现高效检索。模型以bert-base-uncased为基础,在47.27ms的检索延迟下达到37.22的MRR@10性能,适合工业级搜索应用部署。
splade - 优化查询和文档检索的SPLADE稀疏模型
BEIR基准GithubSPLADE信息检索开源项目模型训练
SPLADE项目使用BERT的MLM头和稀疏正则化来学习查询和文档的稀疏扩展,优化了检索性能。项目包含训练、索引和检索的代码,并支持在BEIR基准测试中评估。最新版本通过硬负样本采样、蒸馏和改进的预训练语言模型初始化,显著提升了检索效果。此外,SPLADE的稀疏表示优化了倒排索引的使用,提供了显式词汇匹配和可解释性等优点。经过优化的训练和正则化,SPLADE在域内外测试中表现优异,延迟性能与BM25相当。
splade-v3 - SPLADE-v3稀疏神经信息检索模型的最新进展
GithubHuggingfaceSPLADE信息检索开源项目文本检索机器学习模型自然语言处理
SPLADE-v3是SPLADE系列的最新稀疏神经信息检索模型,基于SPLADE++SelfDistil优化而来。该模型采用KL散度和MarginMSE混合损失函数,每次查询选取8个负样本进行训练。在性能方面,SPLADE-v3在MS MARCO开发集上达到40.2的MRR@10分数,BEIR-13测试中获得51.7的平均nDCG@10。这一成果为稀疏神经信息检索领域树立了新标准。研究人员可以通过GitHub平台获取并应用SPLADE-v3模型,以提升信息检索效果。
Splade_PP_en_v1 - ONNX稀疏向量模型助力高性能文本检索
GithubHuggingfaceONNXSplade开源项目文本分类模型相似度搜索稀疏向量编码
Splade_PP_en_v1是一个文本分类和相似度搜索模型的ONNX实现版本。模型基于FastEmbed框架运行,可将输入文本转换为稀疏向量表示,适用于文本检索和相似度计算。项目支持Python API接口调用,可进行批量文本处理,采用Apache-2.0开源许可证。
splade-cocondenser-ensembledistil - SPLADE模型优化段落检索的稀疏神经信息检索
GithubHuggingfaceSPLADE信息检索开源项目文本检索模型深度学习稀疏神经网络
SPLADE CoCondenser EnsembleDistil是一种先进的段落检索模型,在MS MARCO开发集上展现出卓越性能,MRR@10达38.3,R@1000达98.3。该模型整合了查询扩展、文档扩展和词袋等技术,并通过知识蒸馏和硬负样本采样提升了稀疏神经信息检索模型的效果。研究人员可将其应用于相关信息检索任务,更多技术细节可参考相关论文。
opensearch-neural-sparse-encoding-doc-v2-distill - 神经稀疏编码模型优化文档检索效率
GithubHuggingfaceOpenSearch变压器模型开源项目文档检索模型神经稀疏编码自然语言处理
opensearch-neural-sparse-encoding-doc-v2-distill是一种先进的学习型稀疏检索模型,能将文档编码为30522维稀疏向量。该模型在BEIR基准测试中表现出色,展现了优秀的零样本性能和搜索相关性。其67M的参数量和0.504的平均NDCG@10分数,体现了模型的高效性。结合OpenSearch神经稀疏特性和Lucene倒排索引,可实现快速精准的文档检索。
splade-cocondenser-selfdistil - SPLADE模型在段落检索任务中的优化应用
GithubHuggingfaceSPLADE开源项目文档检索模型知识蒸馏神经信息检索稀疏模型
SPLADE CoCondenser SelfDistil是一个专为段落检索设计的模型,结合了CoCondenser和自蒸馏技术。在MS MARCO开发集上,该模型展现出优秀性能,MRR@10达37.6,R@1000达98.4。通过整合查询扩展、文档扩展和词袋方法,并采用硬负样本采样和知识蒸馏技术,有效提升了稀疏神经IR模型的效果。这一模型为信息检索和自然语言处理领域的研究提供了有力工具。
opensearch-neural-sparse-encoding-v1 - 跨平台高效搜索的稀疏检索模型
GithubHuggingfaceLucene倒排索引MS MARCO数据集OpenSearch开源项目查询扩展模型稀疏检索
此开源项目展示了一个学习型稀疏检索模型,通过将查询和文档编码为稀疏向量,提供高效的搜索解决方案。模型在MS MARCO数据集上进行训练,并在BEIR基准测试中展示了优良的搜索相关性与推理速度。支持OpenSearch神经稀疏功能,能与Lucene倒排索引结合,进行高效的索引与搜索。该项目提供多个模型版本,适应不同的数据集与应用需求。使用者能在OpenSearch集群内或通过HuggingFace模型API进行模型的外部运行。
opensearch-neural-sparse-encoding-doc-v1 - OpenSearch神经稀疏编码模型提升信息检索效率
GithubHuggingfaceOpenSearch开源项目搜索引擎文档检索机器学习模型模型神经稀疏编码
opensearch-neural-sparse-encoding-doc-v1是一款为OpenSearch开发的学习型稀疏检索模型。它能将文档转换为30522维稀疏向量,并采用高效的查询处理方法。该模型经MS MARCO数据集训练,实际性能堪比BM25。模型支持基于Lucene倒排索引的学习型稀疏检索,可通过OpenSearch高级API实现索引和搜索。在BEIR基准测试的13个子集上,该模型展现了优秀的零样本性能,体现了出色的搜索相关性和检索效率。
项目侧边栏1项目侧边栏2
推荐项目
Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

投诉举报邮箱: service@vectorlightyear.com
@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号