--- # For reference on model card metadata, see the spec: https://github.com/huggingface/hub-docs/blob/main/modelcard.md?plain=1 # Doc / guide: https://huggingface.co/docs/hub/model-cards {} --- # chuxin-embedding 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 8 月 27 日,chuxin-embedding 在检索任务中表现出色,在 C-MTEB 排行榜上排名第一,领先的性能得分为 78.23。 ## Training Details 基于bge-m3-retromae[1],主要改动如下: - 基于bge-m3-retromae[1]在亿级数据上实现了预训练。 - 在收集的公开亿级检索数据集上实现了微调。 - 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。 - 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. MTP 2. BGE-LARGE-zh data 3. PEG data 4. BGE-M3 data 5. miracl/miracl 6. FreedomIntelligence/Huatuo26M-Lite ## Generate Embedding for text ```python from FlagEmbedding import BGEM3FlagModel model = BGEM3FlagModel('chuxin/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) ``` ### 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