如何帮人做网站赚钱,北京微网站建设,微信推广文案,网站app的意义FlagEmbedding专注于检索增强llm领域#xff0c;目前包括以下项目:
Fine-tuning of LM : LM-Cocktail Dense Retrieval: LLM Embedder, BGE Embedding, C-MTEB Reranker Model: BGE Reranker 更新 11/23/2023: Release LM-Cocktail, 一种通过模型融合在微调时保持原有模型通用…FlagEmbedding专注于检索增强llm领域目前包括以下项目:
Fine-tuning of LM : LM-Cocktail Dense Retrieval: LLM Embedder, BGE Embedding, C-MTEB Reranker Model: BGE Reranker 更新 11/23/2023: Release LM-Cocktail, 一种通过模型融合在微调时保持原有模型通用能力的方法. 论文链接 10/12/2023: 发布 LLM-Embedder, 专为大语言模型各种检索增强任务设计的英文向量模型。论文链接 09/15/2023: 发布 论文 和 数据集. 09/12/2023: 更新 新增重排模型开源交叉编码器模型bge-reranker具有比向量模型更强大的排序能力。非常建议使用或者微调它来重新排序向量模型返回的top-k文档提高最终结果的相关性。 更新向量模型发布bge-*-v1.5向量模型缓解相似度分布问题提升无指令情况下的检索能力但检索任务仍建议使用指令 09/07/2023: 更新微调代码: 增加难负样本挖掘脚本增加指令参数方便在微调中添加指令. 08/09/2023: BGE模型整合入Langchain, 可以在langchain中非常简单的使用它; C-MTEB中文榜单已在线更新. 08/05/2023: 发布更小的模型(base, small), 在同尺寸模型中取得最好的性能 08/02/2023: 发布中英文向量模型BGE(BAAI General Embedding的缩写), 在MTEB和C-MTEB榜单上取得最好的性能 08/01/2023: 发布大规模中文文本向量评测榜单 (C-MTEB), 其包括31个测试任务. 项目 LM-Cocktail 微调预训练语言模型可以更好地支持下游任务。但是该操作可能会导致目标领域之外的一般性任务上性能下降。 为了克服这个问题我们提出了LM-Cocktail。 LM-Cocktail在提高下游目标任务的准确度的同时保持在其他任务上的性能。 它还可以用于为新任务生成模型避免微调对资源和数据的要求。 你可以使用它去融合多个大语言模型如Llama或者向量模型。 更多细节请参考论文和代码。
LLM Embedder LLM-Embedder向量模型是根据LLM的反馈进行微调的。 它可以支持大型语言模型的检索增强需求包括知识检索、记忆检索、示例检索和工具检索。 它在6个任务上进行了微调:问题回答对话搜索长对话 长文本建模、上下文学习和工具学习。 更多细节请参考./FlagEmbedding/llm_embedder/README.md
BGE Reranker 交叉编码器将对查询和答案实时计算相关性分数这比向量模型(即双编码器)更准确但比向量模型更耗时。 因此它可以用来对嵌入模型返回的前k个文档重新排序。 我们在多语言数据上训练了交叉编码器数据格式与向量模型相同因此您可以根据我们的示例 轻松地对其进行微调。 更多细节请参考./FlagEmbedding/reranker/README.md
BGE Embedding BGE Embedding是一个通用向量模型。 我们使用retromae 对模型进行预训练再用对比学习在大规模成对数据上训练模型。 你可以按照我们的示例 在本地数据上微调嵌入模型。 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后的模型无法直接用于相似度计算需要进行微调之后才可以用于相似度计算。 更多关于bge的训练情况请参阅baai_general_embedding
