语言:

• 日语 标签:
• 句子相似度
• 特征提取 基础模型: cl-nagoya/ruri-v3-pt-30m 小部件: [] 流水线标签: 句子相似度 许可证: apache-2.0 数据集:
• cl-nagoya/ruri-v3-dataset-ft

Ruri: 日语通用文本嵌入模型

Ruri v3 是一款基于ModernBERT-Ja构建的通用日语文本嵌入模型。
Ruri v3具备以下核心技术优势：

• 日语文本嵌入任务的顶尖性能
• 支持长达8192个标记的序列处理
  • 前代版本（v1、v2）仅支持512标记。
• 10万标记的扩展词汇表（v1/v2为3.2万）
  • 更大的词汇表可缩短输入序列，提升效率。
• 集成FlashAttention技术（继承ModernBERT架构）
  • 实现更快的推理和微调速度。
• 纯SentencePiece分词器
  • 不同于前代依赖日语专用BERT分词器且需预分词输入，v3仅需SentencePiece即可完成分词——无需外部分词工具。

模型系列

我们提供多种规模的Ruri-v3模型，各模型参数如下：

使用方法

需使用transformers库v4.48.0或更高版本：

pip install -U "transformers>=4.48.0" sentence-transformers

若GPU支持Flash Attention 2，推荐安装：

pip install flash-attn --no-build-isolation

加载模型示例：

import torch
import torch.nn.functional as F
from sentence_transformers import SentenceTransformer

# 从🤗 Hub下载
device = "cuda" if torch.cuda.is_available() else "cpu"
model = SentenceTransformer("cl-nagoya/ruri-v3-30m", device=device)

# Ruri v3采用1+3前缀方案区分文本类型：
# ""（空字符串）用于语义编码
# "トピック: "用于分类/聚类/主题编码
# "検索クエリ: "用于检索查询
# "検索文ド: "用于待检索文档
sentences = [
    "川べりでサーフボードを持った人たちがいます",
    "サーファーたちが川べりに立っています",
    "トピック: 瑠璃色のサーファー",
    "検索クエリ: 瑠璃色はどんな色？",
    "検索文書: 瑠璃色（るりいろ）は、紫みを帯びた濃い青。名は、半貴石の瑠璃（ラピスラズリ、英: lapis lazuli）による。JIS慣用色名では「こい紫みの青」（略号 dp-pB）と定義している[1][2]。",
]

embeddings = model.encode(sentences, convert_to_tensor=True)
print(embeddings.size())  # [5, 256]

similarities = F.cosine_similarity(embeddings.unsqueeze(0), embeddings.unsqueeze(1), dim=2)
print(similarities)
# [[1.0000, 0.9540, 0.8512, 0.7322, 0.7274],
#  [0.9540, 1.0000, 0.8531, 0.7437, 0.7305],
#  [0.8512, 0.8531, 1.0000, 0.8910, 0.8649],
#  [0.7322, 0.7437, 0.8910, 1.0000, 0.9479],
#  [0.7274, 0.7305, 0.8649, 0.9479, 1.0000]]

性能基准

JMTEB评估

使用JMTEB测试：

（此处省略其他竞品模型对比数据...）

模型详情

模型描述

• 模型类型: 句子转换器
• 基础模型: cl-nagoya/ruri-v3-pt-30m
• 最大序列长度: 8192标记
• 输出维度: 256
• 相似度函数: 余弦相似度
• 语言: 日语
• 许可证: Apache 2.0
• 论文: https://arxiv.org/abs/2409.07737

完整架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 8192, 'do_lower_case': False}) with Transformer model: ModernBertModel 
  (1): Pooling({'word_embedding_dimension': 256, '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})
)

引用

@misc{
  Ruri,
  title={{Ruri: Japanese General Text Embeddings}}, 
  author={Hayato Tsukagoshi and Ryohei Sasano},
  year={2024},
  eprint={2409.07737},
  archivePrefix={arXiv},
  primaryClass={cs.CL},
  url={https://arxiv.org/abs/2409.07737}, 
}

许可证

本模型采用Apache License 2.0发布。