|
--- |
|
|
|
|
|
{} |
|
--- |
|
|
|
# Chuxin-Embedding |
|
|
|
<!-- Provide a quick summary of what the model is/does. --> |
|
Chuxin-Embedding 是专为增强中文文本检索能力而设计的嵌入模型。它基于bge-m3-retromae[1]，实现了预训练、微调、精调全流程。该模型在来自各个领域的大量语料库上进行训练，语料库的批量非常大。截至 2024 年 9 月 14 日, Chuxin-Embedding 在检索任务中表现出色，在 C-MTEB 中文检索排行榜上排名第一，领先的性能得分为 77.88，在AIR-Bench中文检索+重排序公开排行榜上排名第一，领先的性能得分为 64.78。 |
|
|
|
## News |
|
- 2024/9/14: LLM生成及数据清洗 [Code](https://github.com/chuxin-llm/Chuxin-Embedding) coming soon 。 |
|
- 2024/9/14: 团队的RAG框架欢迎试用 [ragnify](https://github.com/chuxin-llm/ragnify) 。 |
|
|
|
## Training Details |
|
 |
|
基于bge-m3-retromae[1]，主要改动如下： |
|
<!-- Provide a longer summary of what this model is. --> |
|
- 基于bge-m3-retromae[1]在亿级数据上预训练。 |
|
- 使用BGE pretrain [Code](https://github.com/FlagOpen/FlagEmbedding/tree/master/examples/pretrain) 完成预训练。 |
|
- 在收集的公开亿级检索数据集上实现了微调。 |
|
- 使用BGE finetune [Code](https://github.com/FlagOpen/FlagEmbedding/tree/master/examples/finetune) 完成微调。 |
|
- 在收集的公开百万级检索数据集和百万级LLM合成数据集上实现了精调。 |
|
- 使用BGE finetune [Code](https://github.com/FlagOpen/FlagEmbedding/tree/master/examples/finetune) 和 BGE unified_finetune [Code](https://github.com/FlagOpen/FlagEmbedding/tree/master/examples/unified_finetune) 完成精调。 |
|
- 通过 LLM (QWEN-72B) 进行数据生成，使用 LLM 为message生成新query |
|
- 数据清洗： |
|
- 简单的基于规则清洗 |
|
- LLM判断是否可作为搜索引擎查询的query |
|
- rerank模型对(query,message)评分，舍弃pos中的负例，neg中的正例 |
|
|
|
## Collect more data for retrieval-type tasks |
|
1. 预训练数据 |
|
- ChineseWebText、 oasis、 oscar、 SkyPile、 wudao |
|
2. 微调数据 |
|
- MTP 、webqa、nlpcc、csl、bq、atec、ccks |
|
3. 精调数据 |
|
- BGE-M3 、Huatuo26M-Lite 、covid ... |
|
- LLM 合成（BGE-M3 、Huatuo26M-Lite 、covid、wudao、wanjuan_news、mnbvc_news_wiki、mldr、medical QA...） |
|
|
|
|
|
## Performance |
|
**C_MTEB RETRIEVAL** |
|
| Model | **Average** | **CmedqaRetrieval** | **CovidRetrieval** | **DuRetrieval** | **EcomRetrieval** | **MedicalRetrieval** | **MMarcoRetrieval** | **T2Retrieval** | **VideoRetrieval** | |
|
| :-------------------: | :---------: | :-------: | :------------: | :-----------: | :-----------: | :-------: | :----------: | :-------: | :----------: | |
|
| Zhihui_LLM_Embedding | 76.74 | 48.69 | 84.39 | 91.34 | 71.96 | 65.19 | 84.77 |88.3 | 79.31 | |
|
| zpoint_large_embedding_zh | 76.36 | 47.16 | 89.14 | 89.23 | 70.74 | 68.14 | 82.38 | 83.81 | 80.26 | |
|
| **Chuxin-Embedding** | **77.88** | 56.58 | 84.28 | 85.65 | 74.01 | 75.62 | 79.06 | 84.04 | 83.84 | |
|
|
|
|
|
**AIR-Bench** |
|
| Retrieval Method | Reranking Model | **Average** | **wiki_zh** | **web_zh** | **news_zh** | **healthcare_zh** | **finance_zh** | |
|
| :-------------------: | :---------:| :---------: | :-------: | :------------: | :-----------: | :-----------: | :----------: | |
|
| bge-m3 | bge-reranker-large | 64.53 | 76.11 | 67.8 | 63.25 | 62.9 | 52.61 | |
|
| gte-Qwen2-7B-instruct |bge-reranker-large | 63.39 | 78.09 | 67.56 | 63.14 | 61.12 | 47.02 | |
|
| **Chuxin-Embedding** | bge-reranker-large | **64.78** |76.23 | 68.44 | 64.2 | 62.93 | 52.11 | |
|
|
|
|
|
## Generate Embedding for text |
|
```python |
|
from FlagEmbedding import BGEM3FlagModel |
|
|
|
model = BGEM3FlagModel('chuxin-llm/Chuxin-Embedding', |
|
use_fp16=True) # Setting use_fp16 to True speeds up computation with a slight performance degradation |
|
|
|
sentences_1 = ["样例数据-1", "样例数据-2"] |
|
sentences_2 = ["样例数据-3", "样例数据-1"] |
|
|
|
embeddings_1 = model.encode(sentences_1, |
|
batch_size=12, |
|
max_length=1024, |
|
)['dense_vecs'] |
|
embeddings_2 = model.encode(sentences_2)['dense_vecs'] |
|
similarity = embeddings_1 @ embeddings_2.T |
|
print(similarity) |
|
|
|
``` |
|
|
|
<!-- Address questions around how the model is intended to be used, including the foreseeable users of the model and those affected by the model. --> |
|
|
|
### Reference |
|
1. https://huggingface.co/BAAI/bge-m3-retromae |
|
2. https://github.com/FlagOpen/FlagEmbedding/tree/master/FlagEmbedding/BGE_M3 |
|
3. https://github.com/FlagOpen/FlagEmbedding/tree/master/FlagEmbedding/baai_general_embedding |
|
<!-- This section is for the model use without fine-tuning or plugging into a larger ecosystem/app. --> |
