pipeline_tag: 句子相似度
tags:

• 特征提取
• 句子相似度
  language:
• 德语
• 英语
• 西班牙语
• 法语

vectorizer-v1-S-multilingual 模型卡

本模型是由 Sinequa 开发的向量化器。它能够根据输入的段落或查询生成嵌入向量。段落向量存储在我们的向量索引中，查询向量则在查询时用于查找索引中的相关段落。

模型名称: vectorizer-v1-S-multilingual

支持语言

模型在以下语言中进行了训练和测试：

• 英语
• 法语
• 德语
• 西班牙语

评分

注：相关性评分是基于 14 个检索数据集计算的平均值（详见下方详情）。

推理时间

GPU 内存使用

注：GPU 内存使用量仅包括模型在 NVIDIA T4 GPU 上以批大小 32 运行时消耗的内存。不包括 ONNX Runtime 初始化时消耗的固定内存，这部分内存根据使用的 GPU 不同可能在 0.5 到 1 GiB 之间。

要求

• 最低 Sinequa 版本: 11.10.0
• 使用 FP16 模型和 CUDA 计算能力 8.9+（如 NVIDIA L4）的最低 Sinequa 版本: 11.11.0
• CUDA 计算能力: 高于 5.0（高于 6.0 以使用 FP16）

模型详情

概述

• 参数数量: 3900 万
• 基础语言模型: Sinequa 自研的 BERT-Small（论文），在四种支持的语言中进行了预训练
• 对大小写和重音不敏感
• 训练过程: 使用批内负样本的查询-段落对

训练数据

• Natural Questions
  （论文,
  官方页面）
  • 原始英文数据集
  • 其他三种支持语言的翻译数据集

评估指标

为了确定相关性评分，我们评估了 BEIR 基准 中的数据集并取平均值。注意，所有这些数据集均为英文。

我们还评估了模型在 MIRACL 基准 数据集上的表现，以测试其多语言能力。注意，并非所有训练语言都包含在该基准中，因此我们仅报告现有语言的指标。