语言:

• 日语 标签:
• 句子相似度
• 特征提取 基础模型: cl-nagoya/ruri-v3-pt-130m 小部件: [] 管道标签: 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 构建的日语通用文本嵌入模型。Ruri v3 具有以下关键技术优势：

• 在日语文本嵌入任务中达到最先进的性能。
• 支持长达8192个标记的序列
  • 之前的 Ruri 版本（v1、v2）仅支持512个标记。
• 词汇量扩展至10万标记，而 v1 和 v2 仅为3.2万
  • 更大的词汇量使输入序列更短，提高了效率。
• 集成 FlashAttention，遵循 ModernBERT 的架构
  • 支持更快的推理和微调。
• 仅基于 SentencePiece 的分词器
  • 与之前依赖日语特定 BERT 分词器并需要预分词输入的版本不同，Ruri v3 仅使用 SentencePiece 进行分词——无需外部分词工具。

模型系列

我们提供了多种规模的 Ruri-v3 模型。以下是各模型的概要。

使用方法

您可以直接使用 transformers 库（v4.48.0 或更高版本）加载我们的模型：

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

此外，如果您的 GPU 支持 Flash Attention 2，我们推荐结合 Flash Attention 2 使用我们的模型。

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

然后您可以加载模型并进行推理。

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-v3-130m", device=device)

# Ruri v3 采用 1+3 前缀方案来区分不同类型的文本输入：
# ""（空字符串）用于编码语义含义。
# "トピック: " 用于分类、聚类和编码主题信息。
# "検索クエリ: " 用于检索任务中的查询。
# "検索文ド: " 用于待检索的文档。
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？",
    "検索文ド: 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, 512]

similarities = F.cosine_similarity(embeddings.unsqueeze(0), embeddings.unsqueeze(1), dim=2)
print(similarities)
# [[1.0000, 0.9564, 0.8183, 0.7000, 0.7108],
#  [0.9564, 1.0000, 0.8112, 0.6994, 0.7117],
#  [0.8183, 0.8112, 1.0000, 0.8788, 0.8514],
#  [0.7000, 0.6994, 0.8788, 1.0000, 0.9448],
#  [0.7108, 0.7117, 0.8514, 0.9448, 1.0000]]

基准测试

JMTEB

使用 JMTEB 进行评估。

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-130m
• 最大序列长度: 8192 个标记
• 输出维度: 512
• 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

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 8192, 'do_lower_case': False}) with Transformer model: ModernBertModel 
  (1): Pooling({'word_embedding_dimension': 512, '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: 日语通用文本嵌入模型}}, 
  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

本模型基于 Apache License, Version 2.0 发布。