Logo
Project Icon

mxbai-rerank-xsmall-v1

轻量级多语言搜索重排序模型

模型模型重排Github开源项目Huggingface机器学习transformers自然语言处理人工智能

mxbai-rerank-xsmall-v1是一个轻量级多语言搜索重排序模型（reranker）。该模型基于transformers.js实现，可在浏览器中运行，支持多种语言。它在保持小巧的同时，能有效提升搜索结果相关性。这个开源项目适用于需要快速、精准重排序的应用场景，为开发者提供了灵活的定制和集成选项。

访问官网访问官网HuggingfaceHuggingface
介绍相关项目
InRanker-base - 增强跨领域场景信息检索的AI解决方案
GithubHuggingfaceInRanker信息检索开源项目无监督学习模型模型蒸馏语言模型
InRanker通过语言模型和重排序技术，在无需额外查询或人工标注的情况下提升跨领域信息检索能力。其双重蒸馏训练策略有效生成训练数据，从而优化了模型性能，并保持易用特性。
elasticsearch-learning-to-rank - Elasticsearch搜索结果排序优化插件
ElasticsearchGithub开源项目排名模型搜索相关性机器学习特征存储
elasticsearch-learning-to-rank是一款专为Elasticsearch设计的搜索结果排序优化插件。它能够存储查询模板作为特征，记录相关性分数用于离线模型训练，并支持存储多种类型的排序模型。该插件可利用存储的模型对搜索结果进行智能排序，已在维基媒体基金会等多个知名机构的搜索系统中得到应用。插件支持线性模型、XGBoost和RankLib等多种算法，为开发者提供了灵活的排序优化方案。
ms-marco-TinyBERT-L-2 - 针对MS Marco段落排序优化的TinyBERT-L-2跨编码器
Cross-EncoderGithubHuggingfaceMS Marco信息检索开源项目机器学习模型自然语言处理
ms-marco-TinyBERT-L-2是一个为MS Marco段落排序任务优化的跨编码器模型。在TREC Deep Learning 2019和MS Marco段落重排任务中,它的NDCG@10和MRR@10分别达到69.84和32.56。模型每秒可处理9000个文档,为信息检索提供高效准确的解决方案。研究人员可通过Transformers或SentenceTransformers库使用该模型进行查询-段落对的相关性评分。
PhoRanker - 先进的越南语文本排序模型
GithubHuggingfacePhoRankertransformers开源项目文本排序模型自然语言处理跨编码器
PhoRanker是一款专门针对越南语文本排序的交叉编码器模型。在MS MMarco Passage Reranking - Vi - Dev数据集上，该模型在NDCG@10和MRR@10等重要指标方面表现优异。PhoRanker兼容sentence-transformers和transformers库，提供了便捷的使用方法和预处理步骤。模型不仅性能卓越，还能保持每秒处理15个文档的高效率。对于需要进行越南语文本排序的应用场景，PhoRanker是一个值得考虑的选择。
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。
LLMRank - 大语言模型在推荐系统排序中的应用与挑战
GithubLLMRank偏见大语言模型开源项目推荐系统零样本排序
LLMRank项目聚焦大语言模型在推荐系统排序中的潜力。研究采用指令跟随方法，将用户行为历史和候选项整合到自然语言模板中。实验结果显示，大语言模型具备强大的零样本排序能力，但在处理用户历史顺序信息时面临挑战。通过设计特定提示策略，可有效提升排序表现。此外，项目还深入分析了排序过程中的偏见问题，并提出了相应的解决方案。
t5-small - T5架构的轻量级多语言文本转换模型
GithubHuggingfaceONNX格式T5模型开源项目文本摘要机器翻译模型自然语言处理
t5-small是基于T5架构的轻量级多语言文本处理模型。该模型采用编码器-解码器结构，通过多任务预训练增强了迁移学习能力。支持英语、法语、罗马尼亚语和德语等语言，适用于文本摘要和翻译等任务。模型已导出为ONNX格式，便于跨平台部署。开发者可通过Transformers库调用t5-small进行多种自然语言处理任务。
multi-qa-MiniLM-L6-cos-v1 - 基于sentence-transformers的多功能语义搜索模型
GithubHuggingfacesentence-transformers向量嵌入开源项目模型自然语言处理语义搜索问答系统
这是一个基于sentence-transformers的语义搜索模型,可将文本映射到384维向量空间。该模型在2.15亿对多源问答数据上训练,适用于多种NLP任务。支持PyTorch和TensorFlow等框架,并提供详细使用说明。
paraphrase-MiniLM-L3-v2 - 轻量级句子嵌入模型实现语义搜索与文本聚类
GithubHuggingfacesentence-transformers向量嵌入开源项目模型自然语言处理语义相似度预训练模型
paraphrase-MiniLM-L3-v2是一个sentence-transformers模型，将文本映射到384维向量空间。该模型适用于语义搜索和文本聚类等任务，支持多种编程框架。经过多个数据集训练，模型体积小、推理速度快，能够生成高质量的句子嵌入，适合需要高效文本表示的应用场景。
ms-marco-MiniLM-L-6-v2 - MiniLM-L-6跨编码器模型提升MS Marco信息检索效率
GithubHuggingfaceMS MarcoSentenceTransformers交叉编码器信息检索开源项目模型模型性能
ms-marco-MiniLM-L-6-v2是一个针对MS Marco信息检索任务优化的跨编码器模型。在TREC Deep Learning 2019和MS Marco Passage Reranking数据集上，其NDCG@10和MRR@10分别达到74.30和39.01。模型每秒处理1800个文档，平衡了性能和效率。基于SentenceTransformers库，该模型可轻松集成到信息检索系统中，用于查询-段落相关性排序。
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。

使用协议隐私政策广告服务
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