Project Icon

opensearch-neural-sparse-encoding-v1

跨平台高效搜索的稀疏检索模型

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。

msmarco-MiniLM-L6-cos-v5 - 针对语义搜索的384维句子嵌入模型
BERTGithubHuggingfacesentence-transformers句子相似度开源项目模型自然语言处理语义搜索
这是一个基于sentence-transformers的语义搜索模型,将文本映射至384维向量空间。该模型利用MS MARCO数据集的50万对查询-回答样本训练,可通过sentence-transformers或HuggingFace库轻松调用。它适用于多种语义搜索和文本相似度计算场景,能有效捕捉并表示文本的语义信息。
neural-cherche - 专注于神经搜索模型微调和快速推理的工具库
BM25ColBERTGithubNeural-ChercheSparseEmbedSplade开源项目
Neural-Cherche 是一个专为微调和推理神经搜索模型(如 Splade、ColBERT 和 SparseEmbed)设计的库,兼容多种设备。通过该库,用户可以高效地进行模型微调,并在离线和在线环境中执行推理。此外,Neural-Cherche 提供多种检索器和排序器,支持保存嵌入以避免重复计算,适用于多种信息检索任务,并附有便捷的安装步骤和详细文档。
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。
embedding_studio - 能将嵌入模型与向量数据库转换为搜索引擎的开源框架
Embedding StudioGithubsearch engine向量数据库嵌入模型开源框架开源项目
Embedding Studio是一个开源框架,能将嵌入模型与向量数据库转换为搜索引擎,具备点击流收集、搜索体验改进和模型自动适应等功能。适合处理大量目录和非结构化数据的平台,帮助持续优化搜索效果。
ai-powered-search - 现代搜索引擎的AI驱动技术实践
AI搜索引擎Apache SolrGithub开源项目机器学习自然语言处理语义搜索
AI-Powered Search项目展示了现代搜索引擎的AI驱动技术,包括语义搜索、检索增强生成和个性化搜索等。项目基于Python和PySpark开发,支持多种搜索引擎和向量数据库。通过Docker容器和Jupyter Notebooks,开发者可以实践《AI-Powered Search》一书中的代码示例,深入学习构建智能搜索引擎的先进技术。
msmarco-bert-base-dot-v5 - BERT语义搜索模型 用于高效文本编码和相似度计算
BERTGithubHuggingfaceMS MARCO数据集sentence-transformers嵌入向量开源项目模型语义搜索
msmarco-bert-base-dot-v5是一个语义搜索模型,基于sentence-transformers框架开发。该模型将文本映射到768维向量空间,在MS MARCO数据集上训练而成。它能高效进行文本编码和相似度计算,支持通过sentence-transformers或HuggingFace Transformers库集成使用。这个模型适用于语义搜索等多种自然语言处理任务,为开发者提供了便捷的文本分析工具。
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。
sparsezoo - 高效稀疏神经网络模型库
GithubNeuralmagicSparseZoo开源项目模型库深度学习稀疏化模型
SparseZoo是一个不断扩展的神经网络模型库,包含高度稀疏和稀疏量化模型,以及相应的稀疏化配方。它简化并加速深度学习模型的开发,帮助实现高效推理。用户可以通过API或云端访问这些模型及其配方,并进行迁移学习或配方迁移。SparseZoo支持多种稀疏化算法和不同推理性能的模型,并提供全面的文档和社区支持。
deepsparse - 优化CPU上深度学习推理的高效稀疏性使用
CPU推理DeepSparseGithubLLM支持开源项目模型量化稀疏性
DeepSparse是一个专为CPU优化的深度学习推理运行时,通过使用稀疏性显著加快模型推理速度。结合SparseML优化库,DeepSparse支持模型剪枝和量化,在CPU上实现卓越性能。支持各种计算机视觉和自然语言处理模型,包括BERT、ViT、ResNet、YOLOv5/8等。此外,DeepSparse现已支持高效的LLM推理,对稀疏量化模型实现多倍加速。可通过PyPI安装,并提供多种API便于部署。
multi-qa-MiniLM-L6-dot-v1 - 多语言句子相似度模型,支持语义搜索
GithubHuggingfacemulti-qa-MiniLM-L6-dot-v1句子嵌入句子相似度开源项目模型自监督对比学习语义搜索
multi-qa-MiniLM-L6-dot-v1是一个专为语义搜索设计的句子嵌入模型,将文本转化为384维的密集向量。此模型训练于215M个问题和答案对,可处理多种数据来源。用户可通过sentence-transformers轻松加载模型进行查询和文档编码,从而计算点积相似度分数,实现相关性排序。除了基础功能外,该模型同样支持HuggingFace Transformers的复杂上下文嵌入处理,能有效提升语义搜索效率,适用于不超过512词片的文本。
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