模型介绍
内容详情
替代品
模型简介
基于thenlper/gte-large-zh转换的GGUF格式模型，支持中文文本嵌入和多种自然语言处理任务。
模型特点
多任务评估基准
在多种中文自然语言处理任务上进行了全面评估
句子嵌入
能够生成高质量的句子嵌入表示
GGUF格式支持
通过llama.cpp框架支持高效推理
模型能力
语义文本相似度计算
文本分类
信息检索
重排序
文本聚类
句子对分类
使用案例
语义相似度
问答系统
计算问题和候选答案之间的语义相似度
在MTEB AFQMC数据集上达到48.94的余弦相似度皮尔逊系数
文本匹配
判断两个句子是否表达相同含义
在MTEB LCQMC数据集上达到69.51的余弦相似度皮尔逊系数
信息检索
医疗问答检索
从医疗知识库中检索相关答案
在MTEB CmedqaRetrieval数据集上前10命中率(MAP@10)达到36.50%
电商商品检索
根据用户查询检索相关商品
在MTEB EcomRetrieval数据集上前10命中率(MAP@10)达到62.17%
文本分类
情感分析
判断文本的情感倾向
在MTEB多语言情感分析数据集上准确率达到76.48%
意图识别
识别用户输入的意图类别
在MTEB Massive意图分类(中文)数据集上准确率达到73.31%
标签:
- 多任务评估基准
- 句子相似度
- 句子转换器
- 句子嵌入模型
- llama-cpp框架
- gguf模型仓库
语言:
- 英语
许可证: MIT协议
基础模型: thenlper/gte-large-zh
模型索引:
- 名称: gte-large-zh
评估结果:
-
任务类型: 语义文本相似度(STS) 数据集: MTEB AFQMC 指标:
- 余弦相似度皮尔逊系数: 48.94
- 余弦相似度斯皮尔曼系数: 54.58
- 欧式距离皮尔逊系数: 52.74
- 欧式距离斯皮尔曼系数: 54.58
- 曼哈顿距离皮尔逊系数: 52.73
- 曼哈顿距离斯皮尔曼系数: 54.57
-
任务类型: 语义文本相似度(STS) 数据集: MTEB ATEC 指标:
- 余弦相似度皮尔逊系数: 47.29
- 余弦相似度斯皮尔曼系数: 54.60
- 欧式距离皮尔逊系数: 54.61
- 欧式距离斯皮尔曼系数: 54.60
- 曼哈顿距离皮尔逊系数: 54.59
- 曼哈顿距离斯皮尔曼系数: 54.60
-
任务类型: 文本分类 数据集: MTEB亚马逊评论分类(中文) 指标:
- 准确率: 47.23%
- F1分数: 45.69
-
任务类型: 语义文本相似度(STS) 数据集: MTEB BQ 指标:
- 余弦相似度皮尔逊系数: 62.55
- 余弦相似度斯皮尔曼系数: 64.41
- 欧式距离皮尔逊系数: 62.93
- 欧式距离斯皮尔曼系数: 64.41
- 曼哈顿距离皮尔逊系数: 62.84
- 曼哈顿距离斯皮尔曼系数: 64.31
-
任务类型: 文本聚类 数据集: MTEB CLSClusteringP2P 指标:
- V度量: 42.10
-
任务类型: 文本聚类 数据集: MTEB CLSClusteringS2S 指标:
- V度量: 38.91
-
任务类型: 重排序 数据集: MTEB CMedQAv1 指标:
- 平均准确率(MAP): 86.09
- 平均倒数排名(MRR): 88.67
-
任务类型: 重排序 数据集: MTEB CMedQAv2 指标:
- 平均准确率(MAP): 86.46
- 平均倒数排名(MRR): 89.02
-
任务类型: 信息检索 数据集: MTEB CmedqaRetrieval 指标:
- 前1命中率(MAP@1): 24.22%
- 前10命中率(MAP@10): 36.50%
- 前100命中率(MAP@100): 38.41%
- 前1000命中率(MAP@1000): 38.52%
- 前3命中率(MAP@3): 32.43%
- 前5命中率(MAP@5): 34.66%
- 前1倒数排名(MRR@1): 36.83%
- 前10倒数排名(MRR@10): 45.20%
- 前100倒数排名(MRR@100): 46.21%
- 前1000倒数排名(MRR@1000): 46.26%
- 前3倒数排名(MRR@3): 42.63%
- 前5倒数排名(MRR@5): 44.04%
- 前1标准化折损累积增益(NDCG@1): 36.83%
- 前10标准化折损累积增益(NDCG@10): 43.15%
- 前100标准化折损累积增益(NDCG@100): 50.63%
- 前1000标准化折损累积增益(NDCG@1000): 52.61%
- 前3标准化折损累积增益(NDCG@3): 37.85%
- 前5标准化折损累积增益(NDCG@5): 40.01%
- 前1精确率: 36.83%
- 前10精确率: 9.65%
- 前100精确率: 1.57%
- 前1000精确率: 0.18%
- 前3精确率: 21.48%
- 前5精确率: 15.65%
- 前1召回率: 24.22%
- 前10召回率: 54.08%
- 前100召回率: 84.94%
- 前1000召回率: 98.10%
- 前3召回率: 38.12%
- 前5召回率: 44.78%
-
任务类型: 句子对分类 数据集: MTEB Cmnli 指标:
- 余弦相似度准确率: 82.51%
- 余弦相似度平均准确率: 89.50
- 余弦相似度F1分数: 83.89
- 余弦相似度精确率: 78.20%
- 余弦相似度召回率: 90.48%
- 点积准确率: 82.51%
- 点积平均准确率: 89.49
- 点积F1分数: 83.89
- 点积精确率: 78.20%
- 点积召回率: 90.48%
- 欧式距离准确率: 82.51%
- 欧式距离平均准确率: 89.50
- 欧式距离F1分数: 83.89
- 欧式距离精确率: 78.20%
- 欧式距离召回率: 90.48%
- 曼哈顿距离准确率: 82.49%
- 曼哈顿距离平均准确率: 89.49
- 曼哈顿距离F1分数: 83.85
- 曼哈顿距离精确率: 77.28%
- 曼哈顿距离召回率: 91.63%
- 最高准确率: 82.51%
- 最高平均准确率: 89.50
- 最高F1分数: 83.89
-
任务类型: 信息检索 数据集: MTEB CovidRetrieval 指标:
- 前1命中率(MAP@1): 78.58%
- 前10命中率(MAP@10): 85.61%
- 前100命中率(MAP@100): 85.78%
- 前1000命中率(MAP@1000): 85.78%
- 前3命中率(MAP@3): 84.58%
- 前5命中率(MAP@5): 85.23%
- 前1倒数排名(MRR@1): 78.93%
- 前10倒数排名(MRR@10): 85.67%
- 前100倒数排名(MRR@100): 85.82%
- 前1000倒数排名(MRR@1000): 85.82%
- 前3倒数排名(MRR@3): 84.65%
- 前5倒数排名(MRR@5): 85.30%
- 前1标准化折损累积增益(NDCG@1): 78.93%
- 前10标准化折损累积增益(NDCG@10): 88.41%
- 前100标准化折损累积增益(NDCG@100): 89.03%
- 前1000标准化折损累积增益(NDCG@1000): 89.09%
- 前3标准化折损累积增益(NDCG@3): 86.39%
- 前5标准化折损累积增益(NDCG@5): 87.50%
- 前1精确率: 78.93%
- 前10精确率: 9.79%
- 前100精确率: 1.01%
- 前1000精确率: 0.10%
- 前3精确率: 30.77%
- 前5精确率: 19.03%
- 前1召回率: 78.58%
- 前10召回率: 96.89%
- 前100召回率: 99.47%
- 前1000召回率: 100.00%
- 前3召回率: 91.44%
- 前5召回率: 94.15%
-
任务类型: 信息检索 数据集: MTEB DuRetrieval 指标:
- 前1命中率(MAP@1): 25.60%
- 前10命中率(MAP@10): 77.17%
- 前100命中率(MAP@100): 80.03%
- 前1000命中率(MAP@1000): 80.10%
- 前3命中率(MAP@3): 54.36%
- 前5命中率(MAP@5): 68.02%
- 前1倒数排名(MRR@1): 89.85%
- 前10倒数排名(MRR@10): 93.01%
- 前100倒数排名(MRR@100): 93.07%
- 前1000倒数排名(MRR@1000): 93.07%
- 前3倒数排名(MRR@3): 92.73%
- 前5倒数排名(MRR@5): 92.92%
- 前1标准化折损累积增益(NDCG@1): 89.85%
- 前10标准化折损累积增益(NDCG@10): 85.04%
- 前100标准化折损累积增益(NDCG@100): 88.25%
- 前1000标准化折损累积增益(NDCG@1000): 88.84%
- 前3标准化折损累积增益(NDCG@3): 85.20%
- 前5标准化折损累积增益(NDCG@5): 83.47%
- 前1精确率: 89.85%
- 前10精确率: 40.28%
- 前100精确率: 4.71%
- 前1000精确率: 0.49%
- 前3精确率: 76.37%
- 前5精确率: 63.76%
- 前1召回率: 25.60%
- 前10召回率: 85.42%
- 前100召回率: 95.70%
- 前1000召回率: 98.67%
- 前3召回率: 56.74%
- 前5召回率: 72.65%
-
任务类型: 信息检索 数据集: MTEB EcomRetrieval 指标:
- 前1命中率(MAP@1): 51.80%
- 前10命中率(MAP@10): 62.17%
- 前100命中率(MAP@100): 62.65%
- 前1000命中率(MAP@1000): 62.66%
- 前3命中率(MAP@3): 59.70%
- 前5命中率(MAP@5): 61.23%
- 前1倒数排名(MRR@1): 51.80%
- 前10倒数排名(MRR@10): 62.17%
- 前100倒数排名(MRR@100): 62.65%
- 前1000倒数排名(MRR@1000): 62.66%
- 前3倒数排名(MRR@3): 59.70%
- 前5倒数排名(MRR@5): 61.23%
- 前1标准化折损累积增益(NDCG@1): 51.80%
- 前10标准化折损累积增益(NDCG@10): 67.25%
- 前100标准化折损累积增益(NDCG@100): 69.58%
- 前1000标准化折损累积增益(NDCG@1000): 69.93%
- 前3标准化折损累积增益(NDCG@3): 62.20%
- 前5标准化折损累积增益(NDCG@5): 64.98%
- 前1精确率: 51.80%
- 前10精确率: 8.32%
- 前100精确率: 0.94%
- 前1000精确率: 0.10%
- 前3精确率: 23.13%
- 前5精确率: 15.24%
- 前1召回率: 51.80%
- 前10召回率: 83.20%
- 前100召回率: 94.10%
- 前1000召回率: 96.80%
- 前3召回率: 69.40%
- 前5召回率: 76.20%
-
任务类型: 文本分类 数据集: MTEB iFlyTek 指标:
- 准确率: 49.60%
- F1分数: 38.24
-
任务类型: 文本分类 数据集: MTEB京东评论分类 指标:
- 准确率: 86.72%
- 平均准确率: 55.76
- F1分数: 81.59
-
任务类型: 语义文本相似度(STS) 数据集: MTEB LCQMC 指标:
- 余弦相似度皮尔逊系数: 69.51
- 余弦相似度斯皮尔曼系数: 74.40
- 欧式距离皮尔逊系数: 73.53
- 欧式距离斯皮尔曼系数: 74.40
- 曼哈顿距离皮尔逊系数: 73.51
- 曼哈顿距离斯皮尔曼系数: 74.38
-
任务类型: 重排序 数据集: MTEB MMarcoReranking 指标:
- 平均准确率(MAP): 31.19
- 平均倒数排名(MRR): 29.85
-
任务类型: 信息检索 数据集: MTEB MMarcoRetrieval 指标:
- 前1命中率(MAP@1): 64.69%
- 前10命中率(MAP@10): 73.80%
- 前100命中率(MAP@100): 74.15%
- 前1000命中率(MAP@1000): 74.17%
- 前3命中率(MAP@3): 71.98%
- 前5命中率(MAP@5): 73.22%
- 前1倒数排名(MRR@1): 66.89%
- 前10倒数排名(MRR@10): 74.49%
- 前100倒数排名(MRR@100): 74.79%
- 前1000倒数排名(MRR@1000): 74.80%
- 前3倒数排名(MRR@3): 72.92%
- 前5倒数排名(MRR@5): 73.97%
- 前1标准化折损累积增益(NDCG@1): 66.89%
- 前10标准化折损累积增益(NDCG@10): 77.53%
- 前100标准化折损累积增益(NDCG@100): 79.11%
- 前1000标准化折损累积增益(NDCG@1000): 79.49%
- 前3标准化折损累积增益(NDCG@3): 74.13%
- 前5标准化折损累积增益(NDCG@5): 76.21%
- 前1精确率: 66.89%
- 前10精确率: 9.38%
- 前100精确率: 1.02%
- 前1000精确率: 0.11%
- 前3精确率: 27.93%
- 前5精确率: 17.86%
- 前1召回率: 64.69%
- 前10召回率: 88.30%
- 前100召回率: 95.43%
- 前1000召回率: 98.49%
- 前3召回率: 79.44%
- 前5召回率: 84.36%
-
任务类型: 文本分类 数据集: MTEB Massive意图分类(中文) 指标:
- 准确率: 73.31%
- F1分数: 70.88
-
任务类型: 文本分类 数据集: MTEB Massive场景分类(中文) 指标:
- 准确率: 75.71%
- F1分数: 75.06
-
任务类型: 信息检索 数据集: MTEB医学检索 指标:
- 前1命中率(MAP@1): 52.70%
- 前10命中率(MAP@10): 59.53%
- 前100命中率(MAP@100): 60.09%
- 前1000命中率(MAP@1000): 60.13%
- 前3命中率(MAP@3): 57.77%
- 前5命中率(MAP@5): 58.95%
- 前1倒数排名(MRR@1): 52.90%
- 前10倒数排名(MRR@10): 59.65%
- 前100倒数排名(MRR@100): 60.20%
- 前1000倒数排名(MRR@1000): 60.24%
- 前3倒数排名(MRR@3): 57.88%
- 前5倒数排名(MRR@5): 59.07%
- 前1标准化折损累积增益(NDCG@1): 52.70%
- 前10标准化折损累积增益(NDCG@10): 62.88%
- 前100标准化折损累积增益(NDCG@100): 65.71%
- 前1000标准化折损累积增益(NDCG@1000): 66.93%
- 前3标准化折损累积增益(NDCG@3): 59.35%
- 前5标准化折损累积增益(NDCG@5): 61.49%
- 前1精确率: 52.70%
- 前10精确率: 7.34%
- 前100精确率: 0.87%
- 前1000精确率: 0.10%
- 前3精确率: 21.30%
- 前5精确率: 13.82%
- 前1召回率: 52.70%
- 前10召回率: 73.40%
- 前100召回率: 87.00%
- 前1000召回率: 96.80%
- 前3召回率: 63.90%
- 前5召回率: 69.10%
-
任务类型: 文本分类 数据集: MTEB多语言情感分析 指标:
- 准确率: 76.48%
- F1分数: 76.48
-
任务类型: 句子对分类 数据集: MTEB Ocnli 指标:
- 余弦相似度准确率: 77.59%
- 余弦相似度平均准确率: 79.32
- 余弦相似度F1分数: 80.52
- 余弦相似度精确率: 71.79%
- 余弦相似度召回率: 91.66%
- 点积准确率: 77.59%
- 点积平均准确率: 79.32
- 点积F1分数: 80.52
- 点积精确率: 71.79%
- 点积召回率: 91.66%
- 欧式距离准确率: 77.59%
- 欧式距离平均准确率: 79.32
- 欧式距离F1分数: 80.52
- 欧式距离精确率: 71.79%
- 欧式距离召回率: 91.66%
- 曼哈顿距离准确率: 77.15%
- 曼哈顿距离平均准确率: 79.26
- 曼哈顿距离F1分数: 80.22
- 曼哈顿距离精确率: 70.94%
- 曼哈顿距离召回率: 92.29%
- 最高准确率: 77.59%
- 最高平均准确率: 79.32
- 最高F1分数: 80.52
-
任务类型: 文本分类 数据集: MTEB在线购物分类 指标:
- 准确率: 92.68%
- 平均准确率: 90.79
- F1分数: 92.67
-
任务类型: 语义文本相似度(STS) 数据集: MTEB PAWSX 指标:
- 余弦相似度皮尔逊系数: 35.30
- 余弦相似度斯皮尔曼系数: 38.55
- 欧式距离皮尔逊系数: 39.03
- 欧式距离斯皮尔曼系数: 38.55
- 曼哈顿距离皮尔逊系数: 39.05
- 曼哈顿距离斯皮尔曼系数: 38.54
-
任务类型: 语义文本相似度(STS) 数据集: MTEB QBQTC 指标:
- 余弦相似度皮尔逊系数: 32.28
- 余弦相似度斯皮尔曼系数: 33.36
- 欧式距离皮尔逊系数: 32.00
- 欧式距离斯皮尔曼系数: 33.36
- 曼哈顿距离皮尔逊系数: 31.97
- 曼哈顿距离斯皮尔曼系数: 33.31
-
任务类型: 语义文本相似度(STS) 数据集: MTEB STS22(中文) 指标:
- 余弦相似度皮尔逊系数: 62.54
- 余弦相似度斯皮尔曼系数: 62.98
- 欧式距离皮尔逊系数: 61.79
- 欧式距离斯皮尔曼系数: 62.98
- 曼哈顿距离皮尔逊系数: 62.64
- 曼哈顿距离斯皮尔曼系数: 63.57
-
任务类型: 语义文本相似度(STS) 数据集: MTEB STSB 指标:
- 余弦相似度皮尔逊系数: 79.52
- 余弦相似度斯皮尔曼系数: 79.68
- 欧式距离皮尔逊系数: 79.28
- 欧式距离斯皮尔曼系数: 79.68
- 曼哈顿距离皮尔逊系数: 79.22
- 曼哈顿距离斯皮尔曼系数: 79.64
-
任务类型: 重排序 数据集: MTEB T2Reranking 指标:
- 平均准确率(MAP): 65.86
- 平均倒数排名(MRR): 75.83
-
任务类型: 信息检索 数据集: MTEB T2Retrieval 指标:
- 前1命中率(MAP@1): 27.89%
- 前10命中率(MAP@10): 72.88%
- 前100命中率(MAP@100): 76.74%
- 前1000命中率(MAP@1000): 76.84%
- 前3命中率(MAP@3): 52.74%
- 前5命中率(MAP@5): 63.73%
- 前1倒数排名(MRR@1): 89.36%
- 前10倒数排名(MRR@10): 92.62%
- 前100倒数排名(MRR@100): 92.69%
- 前1000倒数排名(MRR@1000): 92.69%
- 前3倒数排名(MRR@3): 92.14%
- 前5倒数排名(MRR@5): 92.45%
- 前1标准化折损累积增益(NDCG@1): 89.36%
- 前10标准化折损累积增益(NDCG@10): 81.93%
- 前100标准化折损累积增益(NDCG@100): 86.35%
- 前1000标准化折损累积增益(NDCG@1000): 87.22%
- 前3标准化折损累积增益(NDCG@3): 84.29%
- 前5标准化折损累积增益(NDCG@5): 82.28%
- 前1精确率: 89.36%
- 前10精确率: 39.51%
- 前100精确率: 4.90%
- 前1000精确率: 0.51%
- 前3精确率: 72.62%
- 前5精确率: 59.92%
- 前1召回率: 27.89%
- 前10召回率: 80.64%
- 前100召回率: 94.33%
- 前1000召回率: 98.39%
- 前3召回率: 54.80%
- 前5召回率: 67.82%
-
任务类型: 文本分类 数据集: MTEB TNews 指标:
- 准确率: 51.98%
- F1分数: 50.36
-
任务类型: 文本聚类 数据集: MTEB ThuNewsClusteringP2P 指标:
- V度量: 68.36
-
任务类型: 文本聚类 数据集: MTEB ThuNewsClusteringS2S 指标:
- V度量: 62.92
-
任务类型: 信息检索 数据集: MTEB视频检索 指标:
- 前1命中率(MAP@1): 59.30%
- 前10命中率(MAP@10): 69.30%
- 前100命中率(MAP@100): 69.67%
- 前1000命中率(MAP@1000): 69.68%
- 前3命中率(MAP@3): 67.58%
- 前5命中率(MAP@5): 68.58%
- 前1倒数排名(MRR@1): 59.30%
- 前10倒数排名(MRR@10): 69.30%
- 前100倒数排名(MRR@100): 69.67%
- 前1000倒数排名(MRR@1000): 69.68%
- 前3倒数排名(MRR@3): 67.58%
- 前5倒数排名(MRR@5): 68.58%
- 前1标准化折损累积增益(NDCG@1): 59.30%
- 前10标准化折损累积增益(NDCG@10): 73.70%
- 前100标准化折损累积增益(NDCG@100): 75.63%
- 前1000标准化折损累积增益(NDCG@1000): 75.95%
- 前3标准化折损累积增益(NDCG@3): 70.19%
- 前5标准化折损累积增益(NDCG@5): 71.99%
- 前1精确率: 59.30%
- 前10精确率: 8.73%
- 前100精确率: 0.97%
- 前1000精确率: 0.10%
- 前3精确率: 25.90%
- 前5精确率: 16.42%
- 前1召回率: 59.30%
- 前10召回率: 87.30%
- 前100召回率: 96.50%
- 前1000召回率: 99.00%
- 前3召回率: 77.70%
- 前5召回率: 82.10%
-
任务类型: 文本分类 数据集: MTEB外卖评论分类 指标:
- 准确率: 88.37%
- 平均准确率: 73.30
- F1分数: 86.74
-
linlueird/gte-large-zh-GGUF
该模型通过llama.cpp从thenlper/gte-large-zh转换为GGUF格式，使用了ggml.ai的GGUF-my-repo空间。关于模型的更多细节请参考原始模型卡片。
使用llama.cpp
通过brew安装llama.cpp（适用于Mac和Linux）
brew install llama.cpp
调用llama.cpp服务端或命令行工具。
命令行工具：
llama-cli --hf-repo linlueird/gte-large-zh-GGUF --hf-file gte-large-zh-q4_k_m.gguf -p "生命和宇宙的意义是"
服务端：
llama-server --hf-repo linlueird/gte-large-zh-GGUF --hf-file gte-large-zh-q4_k_m.gguf -c 2048
注意：您也可以直接通过Llama.cpp仓库中列出的使用步骤使用该检查点。
步骤1：从GitHub克隆llama.cpp。
git clone https://github.com/ggerganov/llama.cpp
步骤2：进入llama.cpp文件夹并使用LLAMA_CURL=1标志以及其他硬件特定标志（例如：Linux系统Nvidia显卡使用LLAMA_CUDA=1）进行构建。
cd llama.cpp && LLAMA_CURL=1 make
步骤3：通过主程序运行推理。
./llama-cli --hf-repo linlueird/gte-large-zh-GGUF --hf-file gte-large-zh-q4_k_m.gguf -p "生命和宇宙的意义是"
或
./llama-server --hf-repo linlueird/gte-large-zh-GGUF --hf-file gte-large-zh-q4_k_m.gguf -c 2048
Jina Embeddings V3
Jina Embeddings V3 是一个多语言句子嵌入模型，支持超过100种语言，专注于句子相似度和特征提取任务。
文本嵌入
Transformers
Transformers 支持多种语言
J
jinaai
3.7M
911
Ms Marco MiniLM L6 V2
Apache-2.0
基于MS Marco段落排序任务训练的交叉编码器模型，用于信息检索中的查询-段落相关性评分
文本嵌入
英语
M
cross-encoder
2.5M
86
Opensearch Neural Sparse Encoding Doc V2 Distill
Apache-2.0
基于蒸馏技术的稀疏检索模型，专为OpenSearch优化，支持免推理文档编码，在搜索相关性和效率上优于V1版本
文本嵌入 Transformers
Transformers 英语
O
opensearch-project
1.8M
7
Sapbert From PubMedBERT Fulltext
Apache-2.0
基于PubMedBERT的生物医学实体表征模型，通过自对齐预训练优化语义关系捕捉
文本嵌入
英语
S
cambridgeltl
1.7M
49
Gte Large
MIT
GTE-Large 是一个强大的句子转换器模型，专注于句子相似度和文本嵌入任务，在多个基准测试中表现出色。
文本嵌入
英语
G
thenlper
1.5M
278
Gte Base En V1.5
Apache-2.0
GTE-base-en-v1.5 是一个英文句子转换器模型，专注于句子相似度任务，在多个文本嵌入基准测试中表现优异。
文本嵌入 Transformers
Transformers 支持多种语言
G
Alibaba-NLP
1.5M
63
Gte Multilingual Base
Apache-2.0
GTE Multilingual Base 是一个多语言的句子嵌入模型，支持超过50种语言，适用于句子相似度计算等任务。
文本嵌入 Transformers
Transformers 支持多种语言
G
Alibaba-NLP
1.2M
246
Polybert
polyBERT是一个化学语言模型，旨在实现完全由机器驱动的超快聚合物信息学。
文本嵌入 Transformers
TransformersP
kuelumbus
1.0M
5
Bert Base Turkish Cased Mean Nli Stsb Tr
Apache-2.0
基于土耳其语BERT的句子嵌入模型，专为语义相似度任务优化
文本嵌入 Transformers
Transformers 其他
B
emrecan
1.0M
40
GIST Small Embedding V0
MIT
基于BAAI/bge-small-en-v1.5模型微调的文本嵌入模型，通过MEDI数据集与MTEB分类任务数据集训练，优化了检索任务的查询编码能力。
文本嵌入
Safetensors
Safetensors 英语
G
avsolatorio
945.68k
29
精选推荐AI模型
Llama 3 Typhoon V1.5x 8b Instruct
专为泰语设计的80亿参数指令模型，性能媲美GPT-3.5-turbo，优化了应用场景、检索增强生成、受限生成和推理任务
大型语言模型 Transformers
Transformers 支持多种语言
L
scb10x
3,269
16
Cadet Tiny
Openrail
Cadet-Tiny是一个基于SODA数据集训练的超小型对话模型，专为边缘设备推理设计，体积仅为Cosmo-3B模型的2%左右。
对话系统 Transformers
Transformers 英语
C
ToddGoldfarb
2,691
6
Roberta Base Chinese Extractive Qa
基于RoBERTa架构的中文抽取式问答模型，适用于从给定文本中提取答案的任务。
问答系统
中文
R
uer
2,694
98
%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20none;%20}%20.st1%20{%20fill:%20%235ce6cf;%20}%20.st2%20{%20fill:%20%230080ff;%20}%20.st3%20{%20clip-path:%20url(%23clippath);%20}%20%3c/style%3e%3cclipPath%20id='clippath'%3e%3crect%20class='st0'%20y='0'%20width='120'%20height='32'/%3e%3c/clipPath%3e%3c/defs%3e%3cg%20class='st3'%3e%3cg%3e%3cpath%20class='st1'%20d='M22.4,32H3.2c-1,0-2-.5-2.6-1.4-.6-.9-.7-2-.4-2.9L9.8,2.1C10.3.8,11.5,0,12.8,0s2.5.8,3,2.1l9.6,25.6c.4,1,.2,2.1-.4,2.9-.6.9-1.6,1.4-2.6,1.4ZM7.8,25.6h10l-5-13.3-5,13.3Z'/%3e%3cpath%20class='st2'%20d='M33.6,32c-1.3,0-2.5-.8-3-2.1L21,4.3c-.6-1.7.2-3.5,1.9-4.1,1.7-.6,3.5.2,4.1,1.9l9.6,25.6c.6,1.7-.2,3.5-1.9,4.1-.4.1-.8.2-1.1.2h0Z'/%3e%3cpath%20d='M71.8,9.1h-6.9v4.6h6.9c2.5,0,4.6,2,4.6,4.6h-6.9c-3.8,0-6.9,3.1-6.9,6.9s3.1,6.9,6.9,6.9h2.3c1.7,0,3.2-.4,4.6-1.2v1.2h4.6v-13.7c0-5-4.1-9.1-9.1-9.1h0ZM71.8,27.4h-2.3c-1.3,0-2.3-1-2.3-2.3s1-2.3,2.3-2.3h6.9c0,2.5-2,4.6-4.6,4.6h0Z'/%3e%3cpath%20d='M52.3,9.1h-4.6V0h-4.6V32h9.1c5,0,9.1-4.1,9.1-9.1v-4.6c0-5.1-4.1-9.1-9.1-9.1h0ZM56.9,22.9c0,2.5-2,4.6-4.6,4.6h-4.6v-13.7h4.6c2.5,0,4.6,2,4.6,4.6v4.6h0Z'/%3e%3cpath%20d='M110.9,13.7h9.1v-4.6h-9.1c-5.1,0-9.1,4.1-9.1,9.1v4.6c0,5.1,4.1,9.1,9.1,9.1h9.1v-4.6h-9.1c-2.5,0-4.6-2-4.6-4.6h13.7v-4.6h-13.7c0-2.5,2-4.6,4.6-4.6h0Z'/%3e%3cpath%20d='M93.6,18.3h-4.6c-1.3,0-2.3-1-2.3-2.3s1-2.3,2.3-2.3h10.3v-4.6h-10.3c-3.8,0-6.9,3.1-6.9,6.9s3.1,6.9,6.9,6.9h4.6c1.3,0,2.3,1,2.3,2.3s-1,2.3-2.3,2.3h-10.3v4.6h10.3c3.8,0,6.9-3.1,6.9-6.9s-3.1-6.9-6.9-6.9Z'/%3e%3c/g%3e%3c/g%3e%3c/svg%3e)
AIbase是一个专注于MCP服务的平台，为AI开发者提供高质量的模型上下文协议服务，助力AI应用开发。
简体中文