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,仍能保持良好质量。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级别上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排行榜的各尺寸变体上均实现了最先进的性能。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准确率。

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,并采用多阶段流水线优化其检索性能。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4亿个样本,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100万个样本)上进行长时间的进一步优化,这些样本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准确率至关重要。详细技术报告可参见此处。

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还可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。它基于仅有2200万参数和384维度的all-MiniLM-L6-v2模型构建,即便在最严苛的延迟/总拥有成本(TCO)预算要求下也能满足需求。尽管体型小巧,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,虽体型小巧,却并未在检索精度上做出妥协。它仅含3300万参数和384维度,能够轻松实现大规模数据集的扩展。

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,能够在不降低推理速度的前提下提供最佳的检索性能。

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模型开发,可直接替代封闭API,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 标记对每个文本部分进行嵌入,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
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/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"

    tokenizer = AutoTokenizer.from_pretrained(model_path)
    model = AutoModel.from_pretrained(model_path,trust_remote_code=True, add_pooling_layer=False, safe_serialization=True)
    model.eval()

    query_prefix = 'Represent this sentence for searching relevant passages: '
    queries  = ['what is snowflake?', 'Where can I get the best tacos?']
    queries_with_prefix = ["{}{}".format(query_prefix, i) for i in queries]
    query_tokens = tokenizer(queries_with_prefix, padding=True, truncation=True, return_tensors='pt', max_length=512)

    documents = ['The Data Cloud!', 'Mexico City of Course!']
    document_tokens =  tokenizer(documents, padding=True, truncation=True, return_tensors='pt', max_length=512)

    # Compute token embeddings
    with torch.no_grad():
        query_embeddings = model(**query_tokens)[0][:, 0]
        document_embeddings = model(**document_tokens)[0][:, 0]


    # normalize embeddings
    query_embeddings = torch.nn.functional.normalize(query_embeddings, p=2, dim=1)
    document_embeddings = torch.nn.functional.normalize(document_embeddings, p=2, dim=1)

    scores = torch.mm(query_embeddings, document_embeddings.transpose(0, 1))
    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)
    
if __name__ == "__main__":
    main()

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

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,您可以按如下方式使用该模型来计算嵌入:

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]

常见问题解答

待补充

联系方式

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

许可协议

Arctic 采用 Apache-2 许可协议。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,他们提供了出色的基础组件,使我们能够构建自己的模型。 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成为可能。 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,让我们能够在此基础上进行构建并促成这些版本的发布。 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。