splade

splade

优化查询和文档检索的SPLADE稀疏模型

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信息检索训练BEIR基准模型Github开源项目

SPLADE 项目介绍

SPLADE 是一种基于深度学习技术的神经检索模型,专门用于文本信息检索任务。它的设计目标是通过稀疏的表示技术,提升检索任务中的效率和效果,同时也增强可解释性。

项目背景

SPLADE 基于 BERT 的掩码语言模型 (MLM) 头,通过稀疏表示和正则化技术来对查询和文档进行稀疏扩展学习。与密集表示相比,稀疏表示在使用倒排索引、显式词汇匹配以及可解释性等方面具有多个优势。此外,在对跨领域数据的泛化能力上,稀疏表示也有更好的表现。

版本迭代

  • SPLADE v1 初次提出,展示了稀疏词汇扩展模型在初次排序阶段的应用。
  • SPLADE v2 通过硬负采样和蒸馏方法,进一步提升了模型的效果。这个版本在特定领域内的任务(如 MS MARCO 数据集)和跨领域任务(如 BEIR 基准测试)中都表现出色。
  • SPLADE++ 在 v2 的基础上,进一步优化和扩展,通过引入新的技术(如不同的编码器分离等)显著提升了检索效率。

技术实现

SPLADE 项目提供了完整的训练、索引以及检索编码工具,用户可以在 BEIR 基准测试上体验模型的评估效果。整个项目基于 Python 语言,推荐在独立的虚拟环境中运行该项目。

  • 训练和使用:用户可以通过提供的脚本进行模型的训练、索引和检索等操作。项目集成了 Hydra 等工具来管理实验配置。
  • 数据和资源:模型训练依赖于 MS MARCO 等标准数据集,以及蒸馏和硬负采样技术。提供了完整的模型权重和数据集合集,用户可以方便地下载和使用。

代码结构

  • train.py 用于模型训练
  • index.py 用于创建索引
  • retrieve.py 用于文档检索
  • all.py 可以执行完整的训练、索引和检索任务

用户可以根据需求,通过配置文件修改实验设置,如正则化参数、数据源等。

使用示例

SPLADE 提供了丰富的示例配置和数据支持,用户可以快速开始实验。可以直接运行脚本进行模型评估或使用自己的数据进行训练。

# 在新的虚拟环境中快速开始 conda create -n splade_env python=3.9 conda activate splade_env conda env create -f conda_splade_env.yml # 运行完整流程示例脚本 python3 -m splade.all \ config.checkpoint_dir=experiments/debug/checkpoint \ config.index_dir=experiments/debug/index \ config.out_dir=experiments/debug/out

未来发展

随着神经检索领域的不断发展,SPLADE 将继续优化模型的精度和效率,并推出更多新版本模型,以满足不同用户和应用场景的需求。

许可

SPLADE 遵循知识共享署名-非商业性使用-相同方式共享 4.0 国际许可,用户可以在不用于商业用途的情况下自由使用和分享该项目。

联系方式

如有任何问题或建议,欢迎通过电子邮件与项目负责人联系。

这个介绍不仅包含了 SPLADE 项目的研发背景、技术优势以及不同版本的改进,还详细列出了项目的使用和配置方法,为用户提供了全面的参考。无论是研究者还是开发者,都可以从中获得有价值的信息。

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