E5-large
intfloat
Similitud de oraciones
Embeddings de texto mediante pre-entrenamiento contrastivo débilmente supervisado. El modelo E5-large tiene 24 capas y el tamaño de la incrustación es de 1024. Se recomienda usar la versión e5-large-v2 que tiene mejor rendimiento y el mismo método de uso. Este modelo solo funciona para textos en inglés y los textos largos se truncarán a un máximo de 512 tokens.
Como usar
A continuación se muestra un ejemplo para codificar consultas y pasajes del conjunto de datos de clasificación de pasajes MS-MARCO.
import torch.nn.functional as F
from torch import Tensor
from transformers import AutoTokenizer, AutoModel
def average_pool(last_hidden_states: Tensor,
attention_mask: Tensor) -> Tensor:
last_hidden = last_hidden_states.masked_fill(~attention_mask[..., None].bool(), 0.0)
return last_hidden.sum(dim=1) / attention_mask.sum(dim=1)[..., None]
# Cada texto de entrada debe comenzar con "query: " o "passage: ".
# Para tareas distintas a la recuperación, simplemente puede usar el prefijo "query: ".
input_texts = ['query: how much protein should a female eat',
'query: summit define',
"passage: As a general guideline, the CDC's average requirement of protein for women ages 19 to 70 is 46 grams per day. But, as you can see from this chart, you'll need to increase that if you're expecting or training for a marathon. Check out the chart below to see how much protein you should be eating each day.",
"passage: Definition of summit for English Language Learners. : 1 the highest point of a mountain : the top of a mountain. : 2 the highest level. : 3 a meeting or series of meetings between the leaders of two or more governments."]
Funcionalidades
- Incrustaciones de texto
- Pre-entrenamiento contrastivo débilmente supervisado
- 24 capas
- Tamaño de incrustación de 1024
- Soporte para transformadores de oraciones
Casos de uso
- Recuperación de pasajes en preguntas abiertas
- Recuperación de información ad-hoc
- Similaridad semántica
- Recuperación de parafraseo
- Clasificación de características mediante embeddings