pipeline_tag: 句子相似度 tags:

• 句子转换器
• 特征提取
• 句子相似度
• 转换器
• 语义搜索
• 中文

DMetaSoul/sbert-chinese-qmc-finance-v1-distill

此模型是之前开源金融问题匹配模型的蒸馏轻量化版本（仅4层BERT），专为金融领域的问题匹配场景优化，例如：

• "8千日利息400元?" vs "10000元日利息多少钱"
• "提前还款是按全额计息" vs "还款扣款不成功怎么还款？"
• "为什么我借钱交易失败" vs "刚申请的借款为什么会失败"

原始大模型若直接部署线上，对计算资源要求极高且难以满足业务延迟和吞吐量需求。通过蒸馏技术将12层BERT压缩至4层后，模型参数量减少至44%，推理延迟降低约50%，吞吐量提升近一倍，精度损失控制在5%左右（详见下方评估章节）。

使用指南

1. Sentence-Transformers

通过sentence-transformers框架使用：

pip install -U sentence-transformers

文本向量提取示例：

from sentence_transformers import SentenceTransformer
sentences = ["到期不能按时还款怎么办", "剩余欠款还有多少？"]

model = SentenceTransformer('DMetaSoul/sbert-chinese-qmc-finance-v1-distill')
embeddings = model.encode(sentences)
print(embeddings)

2. HuggingFace Transformers

直接使用HuggingFace Transformers的示例：

from transformers import AutoTokenizer, AutoModel
import torch

def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0]
    input_mask_expanded = attention_mask.unsqueeze(-1).expand(token_embeddings.size()).float()
    return torch.sum(token_embeddings * input_mask_expanded, 1) / torch.clamp(input_mask_expanded.sum(1), min=1e-9)

sentences = ["到期不能按时还款怎么办", "剩余欠款还有多少？"]

tokenizer = AutoTokenizer.from_pretrained('DMetaSoul/sbert-chinese-qmc-finance-v1-distill')
model = AutoModel.from_pretrained('DMetaSoul/sbert-chinese-qmc-finance-v1-distill')

encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')
with torch.no_grad():
    model_output = model(**encoded_input)

sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])
print(sentence_embeddings)

评估结果

性能对比：

精度对比：

测试环境：V100 GPU，batch_size=16，max_seq_len=256，1万条测试数据

引用与作者

联系邮箱：xiaowenbin@dmetasoul.com