我们已更新新的重排序模型,支持更长的文本长度、更多语言,并实现了更优性能。
模型列表 | 常见问题 | 使用方法 | 评估 | 训练 | 引用 | 许可证
更多详情请参考我们的 Github:FlagEmbedding。
FlagEmbedding 专注于检索增强型大型语言模型(LLMs),目前包含以下项目:
BAAI/bge-reranker-base 和 BAAI/bge-reranker-large,其性能优于嵌入模型。我们建议使用/微调它们对嵌入模型返回的 top-k 文档进行重排序。bge-*-v1.5 嵌入模型,以缓解相似度分布问题,并在无指令情况下增强其检索能力。bge-large-*(BAAI General Embedding 的缩写)模型,在 MTEB 和 C-MTEB 基准测试中排名第一! :tada: :tada:bge 是 BAAI general embedding 的缩写。
| 模型 | 语言 | 描述 | 检索用查询指令 [1] | |
|---|---|---|---|---|
| BAAI/bge-m3 | 多语言 | 推理 微调 | 多功能性(稠密检索、稀疏检索、多向量(colbert))、多语言性和多粒度(8192 tokens) | |
| BAAI/llm-embedder | 英语 | 推理 微调 | 一个统一的嵌入模型,支持大型语言模型多样化的检索增强需求 | 参见 README |
| BAAI/bge-reranker-large | 中英双语 | 推理 微调 | 一种交叉编码器模型,准确率更高但效率较低 [2] | |
| BAAI/bge-reranker-base | 中英双语 | 推理 微调 | 一种交叉编码器模型,准确率更高但效率较低 [2] | |
| BAAI/bge-large-en-v1.5 | 英语 | 推理 微调 | 1.5 版本,具有更合理的相似度分布 | Represent this sentence for searching relevant passages: |
| BAAI/bge-base-en-v1.5 | 英语 | 推理 微调 | 1.5 版本,具有更合理的相似度分布 | Represent this sentence for searching relevant passages: |
| BAAI/bge-small-en-v1.5 | 英语 | 推理 微调 | 1.5 版本,具有更合理的相似度分布 | Represent this sentence for searching relevant passages: |
| BAAI/bge-large-zh-v1.5 | 中文 | 推理 微调 | 1.5 版本,具有更合理的相似度分布 | 为这个句子生成表示以用于检索相关文章: |
| BAAI/bge-base-zh-v1.5 | 中文 | 推理 微调 | 1.5 版本,具有更合理的相似度分布 | 为这个句子生成表示以用于检索相关文章: |
| BAAI/bge-small-zh-v1.5 | 中文 | 推理 微调 | 1.5 版本,具有更合理的相似度分布 | 为这个句子生成表示以用于检索相关文章: |
| BAAI/bge-large-en | 英语 | 推理 微调 | :trophy: 在 MTEB 排行榜中排名第一 | Represent this sentence for searching relevant passages: |
| BAAI/bge-base-en | 英语 | 推理 微调 | 基础规模模型,但能力与 bge-large-en 相近 | Represent this sentence for searching relevant passages: |
| BAAI/bge-small-en | 英语 | 推理 微调 | 小型模型,但性能具有竞争力 | Represent this sentence for searching relevant passages: |
| BAAI/bge-large-zh | 中文 | 推理 微调 | :trophy: 在 C-MTEB 基准测试中排名第一 | 为这个句子生成表示以用于检索相关文章: |
| BAAI/bge-base-zh | 中文 | 推理 微调 | 基础规模模型,但能力与 bge-large-zh 相近 | 为这个句子生成表示以用于检索相关文章: |
| BAAI/bge-small-zh | 中文 | 推理 微调 | 小型模型,但性能具有竞争力 | 为这个句子生成表示以用于检索相关文章: |
[1]: 如果您需要根据查询搜索相关文章,建议在查询中添加上述指令;在其他情况下,则无需添加指令,直接使用原始查询即可。在所有情况下,均无需向文章添加指令。
[2]: 与嵌入模型不同,重排序模型将问题和文档作为输入,直接输出相似度分数,而非嵌入向量。为了平衡准确率和时间成本,交叉编码器被广泛用于对其他简单模型检索出的 top-k 文档进行重排序。 例如,使用 bge 嵌入模型检索出排名前 100 的相关文档,然后使用 bge 重排序模型对这 100 篇文档进行重排序,以获得最终的 top-3 结果。
所有模型均已上传至 Huggingface Hub,您可以通过 https://huggingface.co/BAAI 查看。 如果您无法访问 Huggingface Hub,也可以通过 https://model.baai.ac.cn/models 下载模型。
按照此示例准备数据并微调您的模型。 一些建议:
建议使用 bge v1.5,该版本缓解了相似度分布问题。
由于我们使用温度参数为 0.01 的对比学习对模型进行微调, 当前 BGE 模型的相似度分布区间约为
。 因此,相似度得分大于 0.5 并不表示两个句子相似。
对于下游任务,如段落检索或语义相似度, 重要的是得分的相对顺序,而非绝对值。 如果您需要根据相似度阈值筛选相似句子, 请根据您数据上的相似度分布选择合适的相似度阈值(例如 0.8、0.85,甚至 0.9)。
对于 bge-*-v1.5 版本,我们提升了其在不使用指令时的检索能力。
不使用指令时,检索性能仅比使用指令时略有下降。
因此,为方便起见,您在所有情况下都可以不使用指令生成嵌入。
对于使用短查询来查找相关长文档的检索任务, 建议为这些短查询添加指令。 判断是否为查询添加指令的最佳方法是选择在您的任务上表现更好的设置。 在所有情况下,文档/段落都不需要添加指令。
以下是使用 bge 模型的一些示例,分别结合了FlagEmbedding、Sentence-Transformers、Langchain 或 Huggingface Transformers。
pip install -U FlagEmbedding如果该方法对你不起作用,你可以查看 FlagEmbedding 以获取更多安装 FlagEmbedding 的方法。
from FlagEmbedding import FlagModel
sentences_1 = ["样例数据-1", "样例数据-2"]
sentences_2 = ["样例数据-3", "样例数据-4"]
model = FlagModel('BAAI/bge-large-zh-v1.5',
query_instruction_for_retrieval="为这个句子生成表示以用于检索相关文章:",
use_fp16=True) # Setting use_fp16 to True speeds up computation with a slight performance degradation
embeddings_1 = model.encode(sentences_1)
embeddings_2 = model.encode(sentences_2)
similarity = embeddings_1 @ embeddings_2.T
print(similarity)
# for s2p(short query to long passage) retrieval task, suggest to use encode_queries() which will automatically add the instruction to each query
# corpus in retrieval task can still use encode() or encode_corpus(), since they don't need instruction
queries = ['query_1', 'query_2']
passages = ["样例文档-1", "样例文档-2"]
q_embeddings = model.encode_queries(queries)
p_embeddings = model.encode(passages)
scores = q_embeddings @ p_embeddings.T关于参数 query_instruction_for_retrieval 的取值,请参见 模型列表。
默认情况下,FlagModel 在编码时会使用所有可用的 GPU。请设置 os.environ["CUDA_VISIBLE_DEVICES"] 来选择特定的 GPU。
您也可以设置 os.environ["CUDA_VISIBLE_DEVICES"]="" 来禁用所有 GPU。
您还可以通过 sentence-transformers 来使用 bge 模型:
pip install -U sentence-transformersfrom sentence_transformers import SentenceTransformer
sentences_1 = ["样例数据-1", "样例数据-2"]
sentences_2 = ["样例数据-3", "样例数据-4"]
model = SentenceTransformer('BAAI/bge-large-zh-v1.5')
embeddings_1 = model.encode(sentences_1, normalize_embeddings=True)
embeddings_2 = model.encode(sentences_2, normalize_embeddings=True)
similarity = embeddings_1 @ embeddings_2.T
print(similarity)在 s2p(短查询到长段落)检索任务中,每个短查询都应以指令开头(指令详见 Model List)。但段落不需要指令。
from sentence_transformers import SentenceTransformer
queries = ['query_1', 'query_2']
passages = ["样例文档-1", "样例文档-2"]
instruction = "为这个句子生成表示以用于检索相关文章:"
model = SentenceTransformer('BAAI/bge-large-zh-v1.5')
q_embeddings = model.encode([instruction+q for q in queries], normalize_embeddings=True)
p_embeddings = model.encode(passages, normalize_embeddings=True)
scores = q_embeddings @ p_embeddings.T你可以像这样在 langchain 中使用 bge:
from langchain.embeddings import HuggingFaceBgeEmbeddings
model_name = "BAAI/bge-large-en-v1.5"
model_kwargs = {'device': 'cuda'}
encode_kwargs = {'normalize_embeddings': True} # set True to compute cosine similarity
model = HuggingFaceBgeEmbeddings(
model_name=model_name,
model_kwargs=model_kwargs,
encode_kwargs=encode_kwargs,
query_instruction="为这个句子生成表示以用于检索相关文章:"
)
model.query_instruction = "为这个句子生成表示以用于检索相关文章:"from openmind import AutoTokenizer, AutoModel, is_torch_npu_available
from openmind_hub import snapshot_download
import torch
import argparse
def parse_args():
parser = argparse.ArgumentParser()
parser.add_argument(
"--model_name_or_path",
type=str,
help="Path to model",
default="zhouhui/bge-reranker-base",
)
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"
# Sentences we want sentence embeddings for
sentences = ["样例数据-1", "样例数据-2"]
tokenizer = AutoTokenizer.from_pretrained(model_path)
model = AutoModel.from_pretrained(model_path)
model.eval()
# Tokenize sentences
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')
# for s2p(short query to long passage) retrieval task, add an instruction to query (not add instruction for passages)
# encoded_input = tokenizer([instruction + q for q in queries], padding=True, truncation=True, return_tensors='pt')
# Compute token embeddings
with torch.no_grad():
model_output = model(**encoded_input)
# Perform pooling. In this case, cls pooling.
sentence_embeddings = model_output[0][:, 0]
# normalize embeddings
sentence_embeddings = torch.nn.functional.normalize(sentence_embeddings, p=2, dim=1)
print("Sentence embeddings:", sentence_embeddings)
if __name__ == "__main__":
main()借助 transformers 包,您可以这样使用模型:首先,将输入传入 transformer 模型,然后选择第一个 token(即 [CLS])的最后一个隐藏状态作为句子嵌入。
from transformers import AutoTokenizer, AutoModel
import torch
# Sentences we want sentence embeddings for
sentences = ["样例数据-1", "样例数据-2"]
# Load model from HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('BAAI/bge-large-zh-v1.5')
model = AutoModel.from_pretrained('BAAI/bge-large-zh-v1.5')
model.eval()
# Tokenize sentences
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')
# for s2p(short query to long passage) retrieval task, add an instruction to query (not add instruction for passages)
# encoded_input = tokenizer([instruction + q for q in queries], padding=True, truncation=True, return_tensors='pt')
# Compute token embeddings
with torch.no_grad():
model_output = model(**encoded_input)
# Perform pooling. In this case, cls pooling.
sentence_embeddings = model_output[0][:, 0]
# normalize embeddings
sentence_embeddings = torch.nn.functional.normalize(sentence_embeddings, p=2, dim=1)
print("Sentence embeddings:", sentence_embeddings)与嵌入模型不同,重排序模型将问题和文档作为输入,直接输出相似度,而非嵌入向量。 您可以通过向重排序模型输入查询和段落来获取相关性分数。 该重排序模型基于交叉熵损失进行优化,因此相关性分数并不局限于特定范围。
pip install -U FlagEmbedding获取相关性分数(分数越高表示相关性越强):
from FlagEmbedding import FlagReranker
reranker = FlagReranker('BAAI/bge-reranker-large', use_fp16=True) # Setting use_fp16 to True speeds up computation with a slight performance degradation
score = reranker.compute_score(['query', 'passage'])
print(score)
scores = reranker.compute_score([['what is panda?', 'hi'], ['what is panda?', 'The giant panda (Ailuropoda melanoleuca), sometimes called a panda bear or simply panda, is a bear species endemic to China.']])
print(scores)import torch
from transformers import AutoModelForSequenceClassification, AutoTokenizer
tokenizer = AutoTokenizer.from_pretrained('BAAI/bge-reranker-large')
model = AutoModelForSequenceClassification.from_pretrained('BAAI/bge-reranker-large')
model.eval()
pairs = [['what is panda?', 'hi'], ['what is panda?', 'The giant panda (Ailuropoda melanoleuca), sometimes called a panda bear or simply panda, is a bear species endemic to China.']]
with torch.no_grad():
inputs = tokenizer(pairs, padding=True, truncation=True, return_tensors='pt', max_length=512)
scores = model(**inputs, return_dict=True).logits.view(-1, ).float()
print(scores)from optimum.onnxruntime import ORTModelForSequenceClassification # type: ignore
import torch
from transformers import AutoModelForSequenceClassification, AutoTokenizer
tokenizer = AutoTokenizer.from_pretrained('BAAI/bge-reranker-large')
model = AutoModelForSequenceClassification.from_pretrained('BAAI/bge-reranker-base')
model_ort = ORTModelForSequenceClassification.from_pretrained('BAAI/bge-reranker-base', file_name="onnx/model.onnx")
# Sentences we want sentence embeddings for
pairs = [['what is panda?', 'hi'], ['what is panda?', 'The giant panda (Ailuropoda melanoleuca), sometimes called a panda bear or simply panda, is a bear species endemic to China.']]
# Tokenize sentences
encoded_input = tokenizer(pairs, padding=True, truncation=True, return_tensors='pt')
scores_ort = model_ort(**encoded_input, return_dict=True).logits.view(-1, ).float()
# Compute token embeddings
with torch.inference_mode():
scores = model_ort(**encoded_input, return_dict=True).logits.view(-1, ).float()
# scores and scores_ort are identical也可以通过 infinity_emb pip 包部署 onnx/torch 文件。
import asyncio
from infinity_emb import AsyncEmbeddingEngine, EngineArgs
query='what is a panda?'
docs = ['The giant panda (Ailuropoda melanoleuca), sometimes called a panda bear', "Paris is in France."]
engine = AsyncEmbeddingEngine.from_args(
EngineArgs(model_name_or_path = "BAAI/bge-reranker-base", device="cpu", engine="torch" # or engine="optimum" for onnx
))
async def main():
async with engine:
ranking, usage = await engine.rerank(query=query, docs=docs)
print(list(zip(ranking, docs)))
asyncio.run(main())baai-general-embedding 模型在 MTEB 和 C-MTEB 排行榜上均取得了最先进的性能!
有关更多详细信息和评估工具,请参见我们的 脚本。
| 模型名称 | 维度 | 序列长度 | 平均值(56) | 检索(15) | 聚类(11) | 句子对分类(3) | 重排序(4) | STS(10) | 摘要(1) | 分类(12) |
|---|---|---|---|---|---|---|---|---|---|---|
| BAAI/bge-large-en-v1.5 | 1024 | 512 | 64.23 | 54.29 | 46.08 | 87.12 | 60.03 | 83.11 | 31.61 | 75.97 |
| BAAI/bge-base-en-v1.5 | 768 | 512 | 63.55 | 53.25 | 45.77 | 86.55 | 58.86 | 82.4 | 31.07 | 75.53 |
| BAAI/bge-small-en-v1.5 | 384 | 512 | 62.17 | 51.68 | 43.82 | 84.92 | 58.36 | 81.59 | 30.12 | 74.14 |
| bge-large-en | 1024 | 512 | 63.98 | 53.9 | 46.98 | 85.8 | 59.48 | 81.56 | 32.06 | 76.21 |
| bge-base-en | 768 | 512 | 63.36 | 53.0 | 46.32 | 85.86 | 58.7 | 81.84 | 29.27 | 75.27 |
| gte-large | 1024 | 512 | 63.13 | 52.22 | 46.84 | 85.00 | 59.13 | 83.35 | 31.66 | 73.33 |
| gte-base | 768 | 512 | 62.39 | 51.14 | 46.2 | 84.57 | 58.61 | 82.3 | 31.17 | 73.01 |
| e5-large-v2 | 1024 | 512 | 62.25 | 50.56 | 44.49 | 86.03 | 56.61 | 82.05 | 30.19 | 75.24 |
| bge-small-en | 384 | 512 | 62.11 | 51.82 | 44.31 | 83.78 | 57.97 | 80.72 | 30.53 | 74.37 |
| instructor-xl | 768 | 512 | 61.79 | 49.26 | 44.74 | 86.62 | 57.29 | 83.06 | 32.32 | 61.79 |
| e5-base-v2 | 768 | 512 | 61.5 | 50.29 | 43.80 | 85.73 | 55.91 | 81.05 | 30.28 | 73.84 |
| gte-small | 384 | 512 | 61.36 | 49.46 | 44.89 | 83.54 | 57.7 | 82.07 | 30.42 | 72.31 |
| text-embedding-ada-002 | 1536 | 8192 | 60.99 | 49.25 | 45.9 | 84.89 | 56.32 | 80.97 | 30.8 | 70.93 |
| e5-small-v2 | 384 | 512 | 59.93 | 49.04 | 39.92 | 84.67 | 54.32 | 80.39 | 31.16 | 72.94 |
| sentence-t5-xxl | 768 | 512 | 59.51 | 42.24 | 43.72 | 85.06 | 56.42 | 82.63 | 30.08 | 73.42 |
| all-mpnet-base-v2 | 768 | 514 | 57.78 | 43.81 | 43.69 | 83.04 | 59.36 | 80.28 | 27.49 | 65.07 |
| sgpt-bloom-7b1-msmarco | 4096 | 2048 | 57.59 | 48.22 | 38.93 | 81.9 | 55.65 | 77.74 | 33.6 | 66.19 |
| 模型 | 嵌入维度 | 平均值 | 检索 | STS | 句子对分类 | 分类 | 重排序 | 聚类 |
|---|---|---|---|---|---|---|---|---|
| BAAI/bge-large-zh-v1.5 | 1024 | 64.53 | 70.46 | 56.25 | 81.6 | 69.13 | 65.84 | 48.99 |
| BAAI/bge-base-zh-v1.5 | 768 | 63.13 | 69.49 | 53.72 | 79.75 | 68.07 | 65.39 | 47.53 |
| BAAI/bge-small-zh-v1.5 | 512 | 57.82 | 61.77 | 49.11 | 70.41 | 63.96 | 60.92 | 44.18 |
| BAAI/bge-large-zh | 1024 | 64.20 | 71.53 | 54.98 | 78.94 | 68.32 | 65.11 | 48.39 |
| bge-large-zh-noinstruct | 1024 | 63.53 | 70.55 | 53 | 76.77 | 68.58 | 64.91 | 50.01 |
| BAAI/bge-base-zh | 768 | 62.96 | 69.53 | 54.12 | 77.5 | 67.07 | 64.91 | 47.63 |
| multilingual-e5-large | 1024 | 58.79 | 63.66 | 48.44 | 69.89 | 67.34 | 56.00 | 48.23 |
| BAAI/bge-small-zh | 512 | 58.27 | 63.07 | 49.45 | 70.35 | 63.64 | 61.48 | 45.09 |
| m3e-base | 768 | 57.10 | 56.91 | 50.47 | 63.99 | 67.52 | 59.34 | 47.68 |
| m3e-large | 1024 | 57.05 | 54.75 | 50.42 | 64.3 | 68.2 | 59.66 | 48.88 |
| multilingual-e5-base | 768 | 55.48 | 61.63 | 46.49 | 67.07 | 65.35 | 54.35 | 40.68 |
| multilingual-e5-small | 384 | 55.38 | 59.95 | 45.27 | 66.45 | 65.85 | 53.86 | 45.26 |
| text-embedding-ada-002(OpenAI) | 1536 | 53.02 | 52.0 | 43.35 | 69.56 | 64.31 | 54.28 | 45.68 |
| luotuo | 1024 | 49.37 | 44.4 | 42.78 | 66.62 | 61 | 49.25 | 44.39 |
| text2vec-base | 768 | 47.63 | 38.79 | 43.41 | 67.41 | 62.19 | 49.45 | 37.66 |
| text2vec-large | 1024 | 47.36 | 41.94 | 44.97 | 70.86 | 60.66 | 49.16 | 30.02 |
| 模型 | T2Reranking | T2RerankingZh2En* | T2RerankingEn2Zh* | MMarcoReranking | CMedQAv1 | CMedQAv2 | 平均值 |
|---|---|---|---|---|---|---|---|
| text2vec-base-multilingual | 64.66 | 62.94 | 62.51 | 14.37 | 48.46 | 48.6 | 50.26 |
| multilingual-e5-small | 65.62 | 60.94 | 56.41 | 29.91 | 67.26 | 66.54 | 57.78 |
| multilingual-e5-large | 64.55 | 61.61 | 54.28 | 28.6 | 67.42 | 67.92 | 57.4 |
| multilingual-e5-base | 64.21 | 62.13 | 54.68 | 29.5 | 66.23 | 66.98 | 57.29 |
| m3e-base | 66.03 | 62.74 | 56.07 | 17.51 | 77.05 | 76.76 | 59.36 |
| m3e-large | 66.13 | 62.72 | 56.1 | 16.46 | 77.76 | 78.27 | 59.57 |
| bge-base-zh-v1.5 | 66.49 | 63.25 | 57.02 | 29.74 | 80.47 | 84.88 | 63.64 |
| bge-large-zh-v1.5 | 65.74 | 63.39 | 57.03 | 28.74 | 83.45 | 85.44 | 63.97 |
| BAAI/bge-reranker-base | 67.28 | 63.95 | 60.45 | 35.46 | 81.26 | 84.1 | 65.42 |
| BAAI/bge-reranker-large | 67.6 | 64.03 | 61.44 | 37.16 | 82.15 | 84.18 | 66.09 |
*:T2RerankingZh2En 和 T2RerankingEn2Zh 是跨语言检索任务
我们使用 retromae 对模型进行预训练,并利用对比学习在大规模数据对上训练模型。 您可以按照我们的 示例 在您的数据上对嵌入模型进行微调。 我们还提供了一个 预训练示例。 请注意,预训练的目标是重构文本,预训练模型不能直接用于相似度计算,需要进行微调。 关于 bge 的更多训练细节,请参见 baai_general_embedding。
交叉编码器会对输入的文本对执行全注意力机制, 其准确率高于嵌入模型(即双编码器),但耗时也更多。 因此,它可用于对嵌入模型返回的 top-k 文档进行重排序。 我们在多语言数据对上训练交叉编码器, 其数据格式与嵌入模型相同,因此您可以按照我们的 示例 轻松对其进行微调。 更多详情请参考 ./FlagEmbedding/reranker/README.md
如果您觉得本仓库有用,请考虑点赞 :star: 并引用
@misc{bge_embedding,
title={C-Pack: Packaged Resources To Advance General Chinese Embedding},
author={Shitao Xiao and Zheng Liu and Peitian Zhang and Niklas Muennighoff},
year={2023},
eprint={2309.07597},
archivePrefix={arXiv},
primaryClass={cs.CL}
}FlagEmbedding 基于 MIT 许可协议 进行许可。发布的模型可免费用于商业用途。