HuggingFace镜像/snowflake-arctic-embed-m-long
模型介绍文件和版本分析
下载使用量0

Snowflake's Arctic-embed-m-long

最新动态 | 模型介绍 | 使用指南 | 评估结果 | 联系方式 | 常见问题 许可协议 | 致谢

最新动态

2024年7月26日:在arXiv上发布预印本论文《[2407.18887] Embedding And Clustering Your Data Can Improve Contrastive Pretraining》。

2024年7月18日:发布snowflake-arctic-embed-m-v1.5模型,该模型能够生成高度可压缩的嵌入向量,即使将每个向量压缩至128字节,仍能保持良好性能。有关此模型开发的详细信息,请参见Snowflake工程博客上的发布文章。

2024年5月10日:发布Arctic Embed技术报告

2024年4月16日:发布snowflake-arctic-embed系列文本嵌入模型。这些模型在各自的尺寸规格下均达到了检索质量的最先进水平。技术报告即将发布。更多详情,请参阅我们的GitHub仓库:Arctic-Text-Embed。

模型介绍

snowflake-arctic-embed是一套文本嵌入模型,专注于创建针对性能优化的高质量检索模型。

snowflake-arctic-embedding模型在MTEB/BEIR排行榜上的各尺寸变体均达到最先进性能。评估使用这些脚本进行。如下所示,与其他顶级模型相比,每类模型尺寸都实现了最先进的检索精度。

这些模型通过利用现有的开源文本表示模型(如bert-base-uncased)进行训练,并采用多阶段 pipeline 优化其检索性能。首先,使用大批量的查询-文档对训练模型,其中负样本通过批内挖掘获得——预训练利用了约4亿样本,包括公共数据集和专有网络搜索数据的混合。预训练之后,模型在更小的数据集(约100万样本)上进行长时间训练以进一步优化,该数据集包含通过困难负样本挖掘得到的查询、正文档和负文档三元组。负样本的挖掘和数据整理对检索精度至关重要。详细技术报告可在此查看。

名称MTEB 检索分数(NDCG @ 10)参数数量(百万)嵌入维度
snowflake-arctic-embed-xs50.1522384
snowflake-arctic-embed-s51.9833384
snowflake-arctic-embed-m54.90110768
snowflake-arctic-embed-m-long54.83137768
snowflake-arctic-embed-l55.983351024

除了作为优秀的开源模型外,最大的模型snowflake-arctic-embed-l可以作为闭源嵌入模型的理想替代品,如下所示。

模型名称MTEB 检索分数(NDCG @ 10)
snowflake-arctic-embed-l55.98
Google-gecko-text-embedding55.7
text-embedding-3-large55.44
Cohere-embed-english-v3.055.00
bge-large-en-v1.554.29

snowflake-arctic-embed-xs

这款轻量级模型实力不容小觑。它基于all-MiniLM-L6-v2模型构建,仅拥有2200万参数和384维向量,即便面对最严苛的延迟与总拥有成本(TCO)预算,也能从容应对。尽管体积小巧,其检索精度却已接近拥有1亿参数的模型水平。

模型名称MTEB 检索得分(NDCG @ 10)
snowflake-arctic-embed-xs50.15
GIST-all-MiniLM-L6-v245.12
gte-tiny44.92
all-MiniLM-L6-v241.95
bge-micro-v242.56

snowflake-arctic-embed-s

该小型模型以intfloat/e5-small-unsupervised模型为基础,并未因体积小巧而牺牲检索精度。它仅配备3300万参数和384维向量,能够轻松扩展至大规模数据集。

模型名称MTEB 检索得分(NDCG @ 10)
snowflake-arctic-embed-s51.98
bge-small-en-v1.551.68
Cohere-embed-english-light-v3.051.34
text-embedding-3-small51.08
e5-small-v249.04

snowflake-arctic-embed-m

该中型模型基于intfloat/e5-base-unsupervised模型构建,是一款主力模型,在不降低推理速度的前提下提供最佳检索性能。

模型名称MTEB 检索分数(NDCG @ 10)
snowflake-arctic-embed-m54.90
bge-base-en-v1.553.25
nomic-embed-text-v1.553.25
GIST-Embedding-v052.31
gte-base52.31

snowflake-arctic-embed-m-long

该模型是中型模型的长上下文变体,基于nomic-ai/nomic-embed-text-v1-unsupervised模型构建,非常适合受限于其他模型常规512 token上下文长度的工作负载。在不使用RPE的情况下,该模型支持高达2048 token;使用RPE时,可扩展至8192 token!

模型名称MTEB 检索分数(NDCG @ 10)
snowflake-arctic-embed-m-long54.83
nomic-embed-text-v1.553.01
nomic-embed-text-v152.81

snowflake-arctic-embed-l

该大模型基于intfloat/e5-large-unsupervised模型构建,可直接替代封闭API,并提供最精准的检索体验。

模型名称MTEB 检索得分(NDCG @ 10)
snowflake-arctic-embed-l55.98
UAE-Large-V154.66
bge-large-en-v1.554.29
mxbai-embed-large-v154.39
e5-Large-v250.56

使用方法

使用 Sentence Transformers

您可以使用 sentence-transformers 包来使用 snowflake-arctic-embed 模型,如下所示。

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("Snowflake/snowflake-arctic-embed-m-long", trust_remote_code=True)

queries = ['what is snowflake?', 'Where can I get the best tacos?']
documents = ['The Data Cloud!', 'Mexico City of Course!']

query_embeddings = model.encode(queries, prompt_name="query")
document_embeddings = model.encode(documents)

scores = query_embeddings @ document_embeddings.T
for query, query_scores in zip(queries, scores):
    doc_score_pairs = list(zip(documents, query_scores))
    doc_score_pairs = sorted(doc_score_pairs, key=lambda x: x[1], reverse=True)
    # Output passages & scores
    print("Query:", query)
    for document, score in doc_score_pairs:
        print(score, document)
Query: what is snowflake?
0.46484852 The Data Cloud!
0.3758855 Mexico City of Course!
Query: Where can I get the best tacos?
0.42407742 Mexico City of Course!
0.36740506 The Data Cloud!

使用 Huggingface transformers

您可以使用 transformers 包来使用 snowflake-arctic-embed 模型,如下所示。为获得最佳检索质量,请使用 CLS 标记嵌入每个文本部分,并使用下面的查询前缀(仅用于查询)。

from openmind import AutoTokenizer, AutoModel, is_torch_npu_available
from openmind_hub import snapshot_download
import torch.nn.functional as F
from torch import Tensor
import openmind
import torch
import argparse

# Mean Pooling - Take attention mask into account for correct averaging
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0]  # First element of model_output contains all token embeddings
    input_mask_expanded = attention_mask.unsqueeze(-1).expand(token_embeddings.size()).float()
    return torch.sum(token_embeddings * input_mask_expanded, 1) / torch.clamp(input_mask_expanded.sum(1), min=1e-9)

def parse_args():
    parser = argparse.ArgumentParser()
    parser.add_argument(
        "--model_name_or_path",
        type=str,
        help="Path to model",
        default="Rose/snowflake-arctic-embed-m-long",
    )
    args = parser.parse_args()
    return args

def main():
    args = parse_args()
    model_path = args.model_name_or_path

    if is_torch_npu_available():
        device = "npu:0"
    else:
        device = "cpu"
        
    # Load model from HuggingFace Hub
    tokenizer = AutoTokenizer.from_pretrained(model_path)
    model = AutoModel.from_pretrained(model_path,trust_remote_code=True).to(device)
    sentences = ['如何更换花呗绑定银行卡', 'How to replace the Huabei bundled bank card']
    # Tokenize sentences
    encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt').to(device)

    # Compute token embeddings
    with torch.no_grad():
        model_output = model(**encoded_input)
    # Perform pooling. In this case, mean pooling.
    sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])
    print("Sentence embeddings:")
    print(sentence_embeddings)
    
if __name__ == "__main__":
    main()

如果您使用超过 2048 个 token 的长上下文模型,请确保按以下方式初始化模型。这将使用 RPE 以支持最多 8192 个 token。

model = AutoModel.from_pretrained('Snowflake/snowflake-arctic-embed-m-long', trust_remote_code=True, safe_serialization=True, rotary_scaling_factor=2)

使用 Transformers.js

如果您尚未安装,可以通过运行以下命令从 NPM 安装 Transformers.js JavaScript 库:

npm i @xenova/transformers

然后,您可以按以下方式使用该模型计算嵌入:

import { pipeline, dot } from '@xenova/transformers';

// Create feature extraction pipeline
const extractor = await pipeline('feature-extraction', 'Snowflake/snowflake-arctic-embed-m-long', {
    quantized: false, // Comment out this line to use the quantized version
});

// Generate sentence embeddings
const sentences = [
    'Represent this sentence for searching relevant passages: Where can I get the best tacos?',
    'The Data Cloud!',
    'Mexico City of Course!',
]
const output = await extractor(sentences, { normalize: true, pooling: 'cls' });

// Compute similarity scores
const [source_embeddings, ...document_embeddings ] = output.tolist();
const similarities = document_embeddings.map(x => dot(source_embeddings, x));
console.log(similarities); // [0.36740492125676116, 0.42407774292046635]

常见问题

待定

联系方式

如果您对本项目有任何问题或建议,欢迎提交 issue 或 pull request。 您也可以发送邮件至 Daniel Campos(daniel.campos@snowflake.com)。

许可证

Arctic 采用 Apache-2 许可证。发布的模型可免费用于商业用途。

致谢

我们要感谢开源社区,他们提供了出色的构建模块,使我们能够开发自己的模型。 感谢我们的建模工程师 Danmei Xu、Luke Merrick、Gaurav Nuti 和 Daniel Campos,是他们让这些优秀的模型得以实现。 感谢我们的领导层 Himabindu Pucha、Kelvin So、Vivek Raghunathan 和 Sridhar Ramaswamy 对这项工作的支持。 我们还要感谢开源社区,他们开发了优秀的模型,为我们提供了构建基础,使这些发布成为可能。 最后,感谢创建 BEIR 和 MTEB 基准测试的研究人员。 很大程度上正是由于他们不懈的努力,定义了“更好”的标准,我们才能够提升模型性能。