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。

e5-large - 句子嵌入模型应用于文本分类与检索,提升准确率
GithubHuggingfaceMTEBSentence Transformerssentence-similarity分类开源项目检索模型
项目利用Sentence Transformers技术,提升自然语言处理任务中的句子嵌入效率,涵盖分类、检索、聚类及重排序等。该模型在多数据集上优异,尤其是在Amazon极性分类的准确率达90.05%。通过优化句子相似性,增强了在BIOSSES等任务中的相关性得分,是语义搜索和信息检索的理想之选,支持多语言文本分析。
msmarco-MiniLM-L12-en-de-v1 - 基于MS MARCO的英德双语文本重排序模型
GithubHuggingfaceMS Marco信息检索开源项目德英翻译模型自然语言处理跨语言检索模型
基于MS MARCO数据集开发的英德双语跨编码器模型,主要用于文本段落重排序。模型在TREC-DL19评测中NDCG@10分别达到72.94(英-英)和66.07(德-英),在GermanDPR数据集上MRR@10为49.91。支持SentenceTransformers和Transformers框架,处理速度为900对文档/秒,适用于跨语言信息检索场景。
Efficient-LLMs-Survey - 大语言模型效率优化技术综述
Github大语言模型开源项目模型压缩量化高效推理高效训练
本项目系统性地综述了大语言模型效率优化研究,包括模型压缩、高效预训练、微调和推理等方面。从模型、数据和框架三个维度对相关技术进行分类,全面梳理了该领域的最新进展,为研究人员和从业者提供了有价值的参考资料。
dragon-plus-context-encoder - 基于BERT的密集检索器实现多样化文档检索
BERTDRAGON+GithubHuggingface密集检索开源项目模型模型训练特征提取
dragon-plus-context-encoder是一个基于BERT的密集检索器,由RetroMAE初始化并在MS MARCO语料库上进行了进一步训练。该模型使用非对称双编码器结构,在MARCO Dev和BEIR基准测试中分别达到39.0和47.4的得分。通过HuggingFace Transformers,研究人员可以轻松使用该模型进行查询和上下文编码,实现文本相似度计算和文档检索。此外,项目还提供了基于RoBERTa的变体,为不同需求的用户提供了选择。
ms-marco-MiniLM-L-2-v2 - 基于MS Marco训练的跨编码器模型实现高效文本排序
Cross-EncoderGithubHuggingfaceMS Marco信息检索开源项目模型模型性能自然语言处理
这是一个基于MS Marco Passage Ranking任务训练的跨编码器模型。主要用于信息检索领域,通过对查询和候选段落编码实现文本排序。模型在TREC Deep Learning 2019和MS Marco Passage Reranking数据集上展现出优秀性能,NDCG@10和MRR@10指标表现突出。支持Transformers和SentenceTransformers两种调用方式,适用于多种应用场景。
DeepSeek-V2 - 兼顾效率与经济性的大规模混合专家语言模型
DeepSeek-V2Github大语言模型开源项目混合专家模型自然语言处理预训练模型
DeepSeek-V2是一款基于专家混合(MoE)架构的大规模语言模型,总参数量达2360亿,每个token激活210亿参数。相较于DeepSeek 67B,该模型在提升性能的同时,显著降低了训练成本和推理资源消耗。DeepSeek-V2在多项标准基准测试和开放式生成任务中表现优异,展现了其在多领域的应用潜力。
ms-marco-electra-base - ELECTRA跨编码器模型提升MS Marco信息检索效率
Cross-EncoderGithubHuggingfaceMS Marco信息检索开源项目模型模型性能自然语言处理
该模型是基于ELECTRA架构的跨编码器,专为MS Marco段落排序任务设计。其主要功能是高效编码查询和段落,用于信息检索的检索和重排序。模型在TREC Deep Learning 2019数据集上达到71.99的NDCG@10分数,MS Marco开发集上MRR@10为36.41,处理速度为每秒340文档。这些指标显示该模型在性能和效率方面达到了良好平衡。
DeepSeek-MoE - 创新MoE架构打造高效大规模语言模型
DeepSeekMoEGithubMoE架构大语言模型开源模型开源项目模型评估
DeepSeek-MoE项目开发了创新的混合专家架构语言模型,采用细粒度专家分割和共享专家隔离策略。该16.4B参数模型仅使用40%计算量就达到DeepSeek 7B和LLaMA2 7B的性能水平。模型可在单个40GB内存GPU上直接部署运行,无需量化,为学术和商业研究提供了高效便捷的工具。
distilbert-dot-tas_b-b256-msmarco - 基于平衡主题感知采样的高效密集检索方案
BERT_DotDistilBertGithubHuggingfaceMSMARCO开源项目文本检索模型知识蒸馏
本项目提供了一个基于DistilBERT的密集文本检索模型,采用双编码器结构和点积评分机制。该模型使用平衡主题感知采样(TAS-B)方法在MS MARCO数据集上训练,可用于候选集重排序或直接进行向量索引密集检索。模型在多个测试集上展现出优于BM25基线的检索性能。其特点包括高效训练(单GPU 48小时内完成)和保留原始DistilBERT的6层架构。这一方案为高效密集检索提供了新的解决思路。
awesome-pretrained-models-for-information-retrieval - 信息检索领域预训练模型研究综述与最新进展
Github信息检索开源项目搜索引擎深度学习神经网络预训练模型
该项目汇集了信息检索领域预训练模型相关的重要论文资源。内容涵盖第一阶段检索、重排序、联合学习等核心技术,以及大语言模型应用和多模态检索等前沿主题。项目提供了全面的文献综述,有助于研究人员和从业者了解该领域的最新进展和发展方向。资源列表系统梳理了稀疏检索、密集检索等关键技术,为相关研究提供了宝贵的参考。
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