基础模型：

• Snowflake/snowflake-arctic-embed-l-v2.0 管道标签：句子相似度 标签：
• xlm-roberta
• mteb
• arctic
• snowflake-arctic-embed
• 文本嵌入推理 库名称：sentence-transformers 支持语言：
• 南非荷兰语
• 阿拉伯语
• 阿塞拜疆语
• 白俄罗斯语
• 保加利亚语
• 孟加拉语
• 加泰罗尼亚语
• 宿务语
• 捷克语
• 威尔士语
• 丹麦语
• 德语
• 希腊语
• 英语
• 西班牙语
• 爱沙尼亚语
• 巴斯克语
• 波斯语
• 芬兰语
• 法语
• 加利西亚语
• 古吉拉特语
• 希伯来语
• 印地语
• 克罗地亚语
• 海地克里奥尔语
• 匈牙利语
• 亚美尼亚语
• 印尼语
• 冰岛语
• 意大利语
• 日语
• 爪哇语
• 格鲁吉亚语
• 哈萨克语
• 高棉语
• 卡纳达语
• 韩语
• 吉尔吉斯语
• 老挝语
• 立陶宛语
• 拉脱维亚语
• 马其顿语
• 马拉雅拉姆语
• 蒙古语
• 马拉地语
• 马来语
• 缅甸语
• 尼泊尔语
• 荷兰语
• 旁遮普语
• 波兰语
• 葡萄牙语
• 克丘亚语
• 罗马尼亚语
• 俄语
• 僧伽罗语
• 斯洛伐克语
• 斯洛文尼亚语
• 索马里语
• 阿尔巴尼亚语
• 塞尔维亚语
• 瑞典语
• 斯瓦希里语
• 泰米尔语
• 泰卢固语
• 泰语
• 他加禄语
• 土耳其语
• 乌克兰语
• 乌尔都语
• 越南语
• 约鲁巴语
• 中文

使用llama.cpp创建的Snowflake/snowflake-arctic-embed-l-v2.0的GGUF量化版本

原始模型卡片：

Snowflake的Arctic-embed-l-v2.0

新闻 | 模型 | 使用 | 评估 | 联系 | 常见问题 许可证 | 致谢

新闻

• 2024年12月11日：发布技术报告
• 2024年12月4日：发布snowflake-arctic-embed-l-v2.0和snowflake-arctic-embed-m-v2.0，我们的最新模型，专为多语言工作负载设计。

模型

Snowflake arctic-embed-l-v2.0是Snowflake发布的一系列嵌入模型中的最新成员，优化了检索性能和推理效率。 Arctic Embed 2.0为多语言嵌入模型设立了新标准，在不牺牲英语性能的前提下，实现了高质量的多语言文本检索。 在宽松的Apache 2.0许可证下发布，Arctic Embed 2.0非常适合需要大规模可靠、企业级多语言搜索和检索的应用。

主要特点：

1. 无妥协的多语言支持：在英语和非英语检索中表现出色，在MTEB Retrieval、CLEF和MIRACL等基准测试中优于领先的开源和专有模型。

2. 推理效率：其303m非嵌入参数推理速度快，适用于任何规模的效率需求。

3. 压缩友好：通过Matryoshka表示学习（MRL）和量化感知嵌入训练，实现高质量检索，嵌入向量小至128字节/向量。

4. 直接替换：arctic-embed-l-v2.0基于BAAI/bge-m3-retromae，可直接替换任何形式的新库、内核、推理引擎等。

5. 长上下文支持：arctic-embed-l-v2.0基于BAAI/bge-m3-retromae，通过RoPE支持高达8192的上下文窗口。

质量基准

与大多数其他开源模型不同，Arctic-embed-l-v2.0在英语（通过MTEB Retrieval）和多语言（通过MIRACL和CLEF）方面表现出色。 您不再需要支持多个模型来实现高质量的英语和多语言检索。下面提到的所有数字都是所讨论数据集的平均NDCG@10。

除了高质量的检索，arctic还提供了易于压缩的嵌入。通过MRL利用向量截断，将向量大小减少4倍，质量下降不到3%。 将MRLed向量与向量压缩（Int4）结合，实现每文档128字节的检索。

使用

使用Sentence Transformers

from sentence_transformers import SentenceTransformer

# 加载模型
model_name = 'Snowflake/snowflake-arctic-embed-l-v2.0'
model = SentenceTransformer(model_name)

# 定义查询和文档
queries = ['什么是snowflake？', '哪里可以吃到最好的墨西哥卷饼？']
documents = ['数据云！', '当然是墨西哥城！']

# 计算嵌入：使用`prompt_name="query"`来编码查询！
query_embeddings = model.encode(queries, prompt_name="query") 
document_embeddings = model.encode(documents)

# 计算余弦相似度分数
scores = model.similarity(query_embeddings, document_embeddings)

# 输出结果
for query, query_scores in zip(queries, scores):
    doc_score_pairs = list(zip(documents, query_scores))
    doc_score_pairs = sorted(doc_score_pairs, key=lambda x: x[1], reverse=True)
    print("查询:", query)
    for document, score in doc_score_pairs:
        print(score, document)