库名称：sentence-transformers
流水线标签：句子相似度
标签：

• sentence-transformers
• 特征提取
• 句子相似度
• transformers
  支持语言：
• 俄语
• 英语

适用于英语和俄语的bge-m3模型

这是BAAI/bge-m3模型的词汇表精简版本。

当前模型仅保留了英语和俄语的词汇，因此词汇量缩减至原版的21%，整体模型参数量为原版的63.3%，且不会影响英语和俄语嵌入的质量。

使用方法（Sentence-Transformers）

安装sentence-transformers后即可轻松使用本模型：

pip install -U sentence-transformers

然后按如下方式调用模型：

from sentence_transformers import SentenceTransformer
sentences = ["这是一个示例句子", "每个句子都会被转换"]

model = SentenceTransformer('TatonkaHF/bge-m3_en_ru')
embeddings = model.encode(sentences)
print(embeddings)

使用方法（HuggingFace Transformers）

若不使用sentence-transformers，可按以下步骤操作：先将输入传入transformer模型，再对上下文词嵌入执行正确的池化操作。

from transformers import AutoTokenizer, AutoModel
import torch

# 均值池化 - 考虑注意力掩码以实现正确平均
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0]  # 模型输出的第一个元素包含所有词嵌入
    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)

# 待编码句子
sentences = ['这是一个示例句子', '每个句子都会被转换']

# 从HuggingFace Hub加载模型
tokenizer = AutoTokenizer.from_pretrained('TatonkaHF/bge-m3_en_ru')
model = AutoModel.from_pretrained('TatonkaHF/bge-m3_en_ru')

# 句子分词
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

# 计算词嵌入
with torch.no_grad():
    model_output = model(**encoded_input)

# 执行池化操作（本例采用均值池化）
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

print("句子嵌入向量：")
print(sentence_embeddings)

规格说明

其他bge-m3模型也已精简：

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 8192, 'do_lower_case': False}) with Transformer model: XLMRobertaModel 
  (1): Pooling({'word_embedding_dimension': 1024, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
)

参考文献

陈建lv、肖世涛、张培田、罗坤、连德福、刘峥。BGE M3-嵌入：通过自知识蒸馏实现多语言、多功能、多粒度的文本嵌入。

灵感来源于LaBSE-en-ru和https://discuss.huggingface.co/t/tokenizer-shrinking-recipes/8564/1。

许可证：MIT