🚀 gte-large-zh

General Text Embeddings (GTE) 是一种通用文本嵌入模型。论文 Towards General Text Embeddings with Multi-stage Contrastive Learning 对其进行了详细阐述。该模型由阿里巴巴达摩院训练，主要基于 BERT 框架，目前提供了不同规模的中英文模型。GTE 模型在大规模相关文本对语料库上进行训练，覆盖了广泛的领域和场景，使其能够应用于多种文本嵌入下游任务，如信息检索、语义文本相似度和文本重排序等。

🚀 快速开始

模型列表

评估指标

我们在 MTEB（中文为 CMTEB）基准测试中，将 GTE 模型与其他流行的文本嵌入模型进行了性能比较。更多详细的比较结果，请参考 MTEB 排行榜。

CMTEB 评估结果

💻 使用示例

基础用法

import torch.nn.functional as F
from torch import Tensor
from transformers import AutoTokenizer, AutoModel

input_texts = [
    "中国的首都是哪里",
    "你喜欢去哪里旅游",
    "北京",
    "今天中午吃什么"
]

tokenizer = AutoTokenizer.from_pretrained("thenlper/gte-large-zh")
model = AutoModel.from_pretrained("thenlper/gte-large-zh")

# Tokenize the input texts
batch_dict = tokenizer(input_texts, max_length=512, padding=True, truncation=True, return_tensors='pt')

outputs = model(**batch_dict)
embeddings = outputs.last_hidden_state[:, 0]
 
# (Optionally) normalize embeddings
embeddings = F.normalize(embeddings, p=2, dim=1)
scores = (embeddings[:1] @ embeddings[1:].T) * 100
print(scores.tolist())

结合 sentence-transformers 使用

from sentence_transformers import SentenceTransformer
from sentence_transformers.util import cos_sim

sentences = ['That is a happy person', 'That is a very happy person']

model = SentenceTransformer('thenlper/gte-large-zh')
embeddings = model.encode(sentences)
print(cos_sim(embeddings[0], embeddings[1]))

局限性

本模型仅适用于中文文本，并且任何长文本将被截断为最多 512 个标记。

引用

如果您认为我们的论文或模型有帮助，请考虑按以下方式引用：

@article{li2023towards,
  title={Towards general text embeddings with multi-stage contrastive learning},
  author={Li, Zehan and Zhang, Xin and Zhang, Yanzhao and Long, Dingkun and Xie, Pengjun and Zhang, Meishan},
  journal={arXiv preprint arXiv:2308.03281},
  year={2023}
}

📄 许可证

本项目采用 MIT 许可证。