Project Icon

RetroMAE

创新的检索导向语言模型预训练技术

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。

dragon-plus-query-encoder - DRAGON+ 基于BERT的先进密集检索模型
BERTDRAGON+GithubHuggingface密集检索开源项目模型特征提取自然语言处理
DRAGON+是一个基于BERT的先进密集检索模型,采用非对称双编码器结构。该模型从RetroMAE初始化,并在MS MARCO语料库的增强数据上进行训练。在MARCO Dev和BEIR基准测试中,DRAGON+展现出卓越性能,适用于文本检索和特征提取任务。研究人员和开发者可通过HuggingFace Transformers库轻松使用DRAGON+进行查询和上下文编码。
mxbai-colbert-large-v1 - ColBERT大型双编码器模型实现快速信息检索和语义匹配
AI绘图GithubHugging FaceHuggingface人工智能开源项目机器学习模型深度学习
mxbai-colbert-large-v1是基于ColBERT架构的双编码器模型,专注于高效信息检索和语义匹配。该模型在保持高精度的同时显著提升了检索速度,支持多语言处理。其预训练赋予了强大的语义理解能力,适用于问答系统、文档检索等多种搜索和匹配任务场景。
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。
LLM2Vec-Mistral-7B-Instruct-v2-mntp - 将大型语言模型转变为高效文本编码器的简单方法
GithubHuggingfaceLLM2Vec开源项目文本编码模型深度学习自然语言处理语义相似度
LLM2Vec-Mistral-7B-Instruct-v2-mntp项目提供了一种将解码器型大语言模型转换为文本编码器的方法。该方法包括启用双向注意力、掩码下一个词预测和无监督对比学习三个步骤。经过转换的模型可生成高质量文本嵌入,适用于信息检索、文本分类和语义相似度等自然语言处理任务,并可通过微调进一步提升性能。
mmarco-mMiniLMv2-L12-H384-v1 - 支持多语言的MMARCO跨编码器模型
Cross-EncoderGithubGoogle翻译Huggingface信息检索多语言开源项目模型模型训练
MMARCO-MiniLMv2-L12-H384-v1模型使用MMARCO数据集,以Google Translate翻译为14种语言,基于多语言MiniLMv2训练,主要用于信息检索。借助SentenceTransformers工具,用户可以对查询进行编码和排序,实现高效的信息检索。详细信息和训练代码可在SBERT.net及GitHub上查看,适用于多语言环境的信息检索。
Pretrained-Language-Model - 先进预训练语言模型与优化技术集合
GithubMindSporePyTorchTensorFlow开源项目自然语言处理预训练语言模型
此开源项目汇集了多个先进的预训练语言模型和相关优化技术。包含200B参数中文语言模型PanGu-α、高性能中文NLP模型NEZHA、模型压缩技术TinyBERT和DynaBERT等子项目。这些模型在多项中文NLP任务中表现出色,支持MindSpore、TensorFlow和PyTorch等多种深度学习框架。
contriever-msmarco - 基于对比学习的无监督密集信息检索模型
ContrieverGithubHuggingface句子嵌入平均池化开源项目模型特征提取预训练模型
contriever-msmarco是Facebook开发的无监督密集信息检索模型,基于对比学习方法。作为facebook/contriever的微调版本,它遵循了'Towards Unsupervised Dense Information Retrieval with Contrastive Learning'论文的方法。该模型能够生成高质量的句子嵌入,适用于多种信息检索任务。通过HuggingFace Transformers库,研究者可以方便地加载模型并使用均值池化操作获取句子嵌入。
SFR-Embedding-2_R - 增强自然语言处理性能的多任务算法模型
GithubHuggingfaceSalesforce/SFR-Embedding-2_R分类开源项目检索模型评估
SFR-Embedding-2_R项目结合分类、检索、聚类及重排序任务,提供高级自然语言处理解决方案。在MTEB多个数据集上进行测试,展示了在情感分类、亚马逊评论分类等任务中的高性能表现,适用于需要高效灵活性的应用场景,尤其在复杂数据集中的表现更加出色。
BCEmbedding - 双语跨语言嵌入模型提升检索增强生成效果
BCEmbeddingGithubRAG双语开源项目语义表示跨语言
BCEmbedding是一款双语和跨语言嵌入模型,针对检索增强生成(RAG)任务进行优化。该模型包含EmbeddingModel和RerankerModel两个组件,分别用于语义向量生成和搜索结果优化。BCEmbedding在中英文语义表示和RAG评估中展现出优异性能,支持多语言和多领域应用。该项目提供了便捷的API接口,可直接集成到RAG系统中,已在实际产品中得到应用验证。
MeaningBERT - 智能评估句子间语义保留的自动化指标
GithubHuggingfaceMeaningBERT开源项目机器学习模型模型自然语言处理评估指标语义保留
MeaningBERT是一种创新的自动化指标,用于评估句子间的语义保留程度。该工具基于先进的自然语言处理技术,其评估结果与人类判断高度相关。MeaningBERT不仅可用于评估任务,还支持进一步训练和微调。在相同句子和无关句子的测试中,MeaningBERT展现了卓越的表现,凸显了其在语义评估方面的可靠性和准确性。研究人员和开发者可通过HuggingFace平台便捷地使用MeaningBERT进行模型训练或评估工作。
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。

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