🚀 Ruri：日语通用文本嵌入模型

Ruri v3 是一个基于 ModernBERT-Ja 构建的通用日语文本嵌入模型。它在日语文本嵌入任务中具有显著的技术优势，能够高效处理长文本，为自然语言处理领域提供了强大的支持。

✨ 主要特性

• 卓越性能：在日语文本嵌入任务中表现出色，达到了当前的先进水平。
• 长序列支持：支持最长达 8192 个标记的序列长度，相比之前版本（v1、v2）的 512 个标记有了显著提升。
• 扩展词汇表：词汇表扩展到 100K 个标记，而 v1 和 v2 仅为 32K。更大的词汇表使输入序列更短，提高了效率。
• 集成 FlashAttention：采用 ModernBERT 架构，集成了 FlashAttention，实现了更快的推理和微调。
• 单一分词器：仅使用 SentencePiece 作为分词器，无需外部分词工具，与之前依赖特定日语 BERT 分词器且需要预分词输入的版本不同。

📦 安装指南

你可以使用 transformers 库 v4.48.0 或更高版本直接使用我们的模型：

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

此外，如果你的 GPU 支持 Flash Attention 2，我们建议使用 Flash Attention 2 运行模型：

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

💻 使用示例

基础用法

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

# 从 🤗 Hub 下载模型
device = "cuda" if torch.cuda.is_available() else "cpu"
model = SentenceTransformer("cl-nagoya/ruri-v3-70m", 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）用于编码语义信息。
# "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。
# "検索文書: " 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, 384]

similarities = F.cosine_similarity(embeddings.unsqueeze(0), embeddings.unsqueeze(1), dim=2)
print(similarities)
# [[1.0000, 0.9555, 0.8430, 0.6772, 0.7077],
#  [0.9555, 1.0000, 0.8333, 0.6636, 0.6971],
#  [0.8430, 0.8333, 1.0000, 0.8554, 0.8639],
#  [0.6772, 0.6636, 0.8554, 1.0000, 0.9500],
#  [0.7077, 0.6971, 0.8639, 0.9500, 1.0000]]

📚 详细文档

模型系列

我们提供了多种尺寸的 Ruri-v3 模型，以下是每个模型的概要：

基准测试

JMTEB

使用 JMTEB 进行评估：

模型详情

模型描述

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': 384, '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})
)

🔧 技术细节

Ruri v3 在日语文本嵌入任务中展现了卓越的性能，主要得益于其先进的架构和技术创新。它基于 ModernBERT-Ja 构建，集成了 FlashAttention 技术，实现了更快的推理和微调。同时，扩展的词汇表和对长序列的支持，使得模型在处理复杂的日语文本时更加高效和准确。

📄 许可证

本模型根据 Apache 许可证 2.0 版 发布。

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}, 
}