RetroMAE

创新的检索导向语言模型预训练技术

RetroMAE 自然语言处理信息检索预训练模型 BERT Github 开源项目

RetroMAE是一种创新的检索导向语言模型预训练方法。通过掩码自编码器技术，该方法在MS MARCO和BEIR等基准测试中取得了显著性能提升。项目开源了预训练模型和微调工具，并提供了详细使用说明。RetroMAE在监督检索任务中表现卓越，同时展现出优秀的零样本迁移能力，为信息检索研究带来新的突破。项目提供了多个预训练模型，包括在维基百科和图书语料上预训练的基础版本，以及在MS MARCO数据集上微调的特定版本。研究人员可以通过Hugging Face轻松加载这些模型，进行实验或进一步改进。

Github

Huggingface

介绍相关项目

mxbai-rerank-base-v1 - 跨语言重排序模型提升搜索结果相关性

GithubHuggingfacetransformers人工智能开源项目机器学习模型深度学习自然语言处理

mxbai-rerank-base-v1是一个基于transformers库开发的跨语言重排序模型。该模型支持多语言处理，可在transformers.js中使用，有助于提升搜索结果的相关性。模型采用Apache-2.0开源协议发布，适用于搜索引擎、推荐系统和问答系统等场景，能够优化排序结果。

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。

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。

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。

ms-marco-MiniLM-L-12-v2 - 跨编码器模型实现高效信息检索与段落排序

Cross-EncoderGithubHuggingfaceMS MarcoSentenceTransformers信息检索开源项目模型自然语言处理

ms-marco-MiniLM-L-12-v2是为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优异，能够高效编码和排序查询与段落。在TREC Deep Learning 2019和MS Marco Passage Reranking数据集上，模型分别达到74.31的NDCG@10和39.02的MRR@10。每秒处理960个文档的速度使其在准确性和效率间实现了良好平衡，适用于各类信息检索应用场景。

msmarco-MiniLM-L6-en-de-v1 - MSMARCO跨语言文本重排序模型支持英德双向检索

GithubHuggingfaceMS MARCO信息检索开源项目性能评估搜索排序模型跨语言模型

这是一个基于MS MARCO数据集训练的跨语言文本重排序模型，支持英语和德语文本的相关性排序。模型可处理英语-英语、德语-英语和德语-德语的文本匹配任务。在TREC-DL19和GermanDPR基准测试中表现出色，处理速度可达每秒1600个文档对。兼容SentenceTransformers和Transformers框架，为跨语言信息检索应用提供了高效方案。

RAG-Retrieval - 使用RAG-Retrieval全面提升信息检索效率与精度

GithubRAG-Retrieval开源项目微调排序模型推理检索模型

RAG-Retrieval项目通过统一方式调用不同RAG排序模型，支持全链路微调与推理。其轻量级Python库扩展性强，适应多种应用场景，提升排序效率。更新内容包括基于LLM监督的微调及其Embedding模型的MRL loss性能提升。

bce-reranker-base_v1 - 改进多语言文本排序的跨语种嵌入模型

BCEmbeddingGithubHuggingfaceRAG优化开源项目模型语义表征跨语种重排序模型

BCEmbedding 提供双语和跨语种文本排序功能，适合多领域应用，如教育、法律、金融等领域。其 RerankerModel 通过相关性分数评价，提高搜索结果的质量，支持中文、英文、日文和韩文，深入捕获查询与文本之间的语义关系，是 Youdao 产品中的核心技术。

MAP-NEO - 开源大语言模型性能卓越且训练过程透明

GithubMAP-NEO大型语言模型开源开源项目性能评估训练数据

MAP-NEO是一个完全开源的大语言模型，其预训练数据、处理流程、脚本和代码均可获取。该模型在4.5T英中文数据上训练，性能与LLaMA2 7B相当。在推理、数学和编码等任务中，MAP-NEO表现优异。项目公开了训练全过程，包括检查点、分词器、语料库和优化代码，为大语言模型研究提供了宝贵资源。

bge-reranker-v2-m3 - 多语言重排模型优化检索性能

FlagEmbeddingGithubHuggingface多语言开源项目文本分类模型语义相关性重排序模型

bge-reranker-v2-m3是基于bge-m3开发的轻量级多语言重排模型。该模型部署简单,推理迅速,支持多语言处理。它能直接输出查询与文档的相关性分数,适用于多种检索场景。在BEIR、CMTEB等评测中表现出色,可有效提升检索系统效果。模型提供多个版本,可根据需求选择。

相关项目

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

稿定AI

稿定设计是一个多功能的在线设计和创意平台，提供广泛的设计工具和资源，以满足不同用户的需求。从专业的图形设计师到普通用户，无论是进行图片处理、智能抠图、H5页面制作还是视频剪辑，稿定设计都能提供简单、高效的解决方案。该平台以其用户友好的界面和强大的功能集合，帮助用户轻松实现创意设计。

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