#跨编码器

FlashRank是一款极速、超轻量的Python库，专为优化搜索和检索流程设计。基于最新的SoTA大规模语言模型和交叉编码器，支持多种再排序模式并能在常规CPU上运行。模型轻至4MB，适合AWS Lambda等无服务器环境，有效减低运行成本，提升处理效率。适合多样化的部署场景和搜索策略，是提升搜索效率的优选工具。

stsb-TinyBERT-L-4是一个基于TinyBERT架构的轻量级模型，用于语义文本相似度任务。该模型在STS基准数据集上训练，采用交叉编码器结构预测句子对的语义相似度得分。模型可通过SentenceTransformers库的CrossEncoder类或Transformers的AutoModel类使用，为自然语言处理应用提供语义相似度评估功能。

nli-distilroberta-base是一个基于DistilRoBERTa的自然语言推理模型。该模型在SNLI和MultiNLI数据集上训练，能够判断句子对之间的矛盾、蕴含和中性关系。除了自然语言推理，它还支持零样本文本分类。模型可通过SentenceTransformers或Transformers库轻松集成，适用于多种自然语言处理应用。

该跨编码器模型基于RoBERTa-base架构，专为识别Quora平台上的重复问题而设计。通过SentenceTransformers框架训练，模型能为问题对预测0-1范围内的相似度分数。虽然在Quora重复问题数据集上表现出色，但仅适用于检测语义相近的问题，不适合评估一般性相似度。模型集成简便，几行代码即可在项目中实现。

jina-reranker-v2-base-multilingual是一款优化文本重排序的多语言transformer模型。它支持多语言查询-文档对处理、长文本输入和闪存注意力机制，在文本检索、多语言处理、函数调用和SQL重排序等基准测试中表现卓越。该模型能显著提升信息检索系统的性能和准确度。

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。

mmarco-mMiniLMv2-L12-H384-v1是一个多语言文本重排序模型，基于MiniLM架构设计。它采用12层transformer结构和384维隐藏层，专注于提升文本搜索和排序的准确性。该模型支持多语言输入，适用于搜索结果优化和文档排序等任务，在保持高效性能的同时兼顾了跨语言应用。作为一个开源项目，它为研究人员和开发者提供了强大的文本相关性评分工具。