Snowflake 的 Arctic-embed-m-v2.0

<h4 align="center"> <p> <a href=#news>新闻</a> | <a href=#models>模型</a> | <a href=#usage>使用</a> | <a href="#evaluation">评估</a> | <a href="#contact">联系</a> | <a href="#faq">常见问题</a> <a href="#license">许可证</a> | <a href="#acknowledgement">致谢</a> <p> </h4>

<img referrerpolicy="no-referrer-when-downgrade" src="https://static.scarf.sh/a.png?x-pxid=d5cb84e7-4b3a-4d82-85a1-19ec3721c447" />

新闻

• 2024/12/11: 发布技术报告
• 2024/12/04: 发布snowflake-arctic-embed-l-v2.0和snowflake-arctic-embed-m-v2.0，这是我们专门针对多语言工作负载设计的新一代模型。

模型

Snowflake arctic-embed-m-v2.0 是 Snowflake 发布的嵌入模型系列中的最新成员，在检索性能和推理效率方面进行了优化。 Arctic Embed 2.0 为多语言嵌入模型树立了新标准，在不牺牲英文性能的前提下实现了高质量的多语言文本检索。 Arctic Embed 2.0 采用宽松的 Apache 2.0 许可证发布，非常适合需要可靠的企业级多语言搜索和大规模检索的应用场景。

主要特点：

1. 无妥协的多语言支持：在英文和非英文检索方面表现出色，在 MTEB Retrieval、CLEF 和 MIRACL 等基准测试中优于领先的开源和专有模型。

2. 推理效率高：其 113M 非嵌入参数推理速度快、效率高，适用于任何规模。

3. 压缩友好：通过使用套娃表征学习（Matryoshka Representation Learning，MRL）和量化感知嵌入训练，能够使用小至 128 字节/向量的嵌入实现高质量检索。请注意，与我们的 v1.5 模型一样，此模型的 MRL 为 256 维，高质量的 128 字节压缩是通过 4 位量化实现的（例如使用 pq256x4fs 快速扫描 FAISS 索引或使用随 1.5 模型发布的示例代码)。

4. 长上下文支持：arctic-embed-m-v2.0 基于 GTE-multilingual-base，通过使用 RoPE 可以支持最高 8192 的上下文窗口。

质量基准

与大多数其他开源模型不同，Arctic-embed-m-v2.0 在英文（通过 MTEB Retrieval）和多语言（通过 MIRACL 和 CLEF）方面都表现出色。 您不再需要支持多个模型来赋能高质量的英文和多语言检索。以下所有数字都是所讨论数据集的平均 NDCG@10。

除了高质量的检索能力之外，arctic 生成的嵌入还易于压缩。通过使用 MRL 进行向量截断，可以将向量大小减少 3 倍，而质量仅下降约 3%。 将 MRL 处理后的向量与向量压缩（Int4）结合使用，可以实现每个文档 128 字节的检索能力。

使用方法

使用 Sentence Transformers

from sentence_transformers import SentenceTransformer

# 加载模型
model_name = 'Snowflake/snowflake-arctic-embed-m-v2.0'
model = SentenceTransformer(model_name, trust_remote_code=True)

# 定义查询和文档
queries = ['what is snowflake?', 'Where can I get the best tacos?']
documents = ['The Data Cloud!', 'Mexico City of Course!']

# 计算嵌入：使用 `prompt_name="query"` 来编码查询！
query_embeddings = model.encode(queries, prompt_name="query") 
document_embeddings = model.encode(documents)

# 计算余弦相似度分数
scores = model.similarity(query_embeddings, document_embeddings)

# 输出结果
for query, query_scores in zip(queries, scores):
    doc_score_pairs = list(zip(documents, query_scores))
    doc_score_pairs = sorted(doc_score_pairs, key=lambda x: x[1], reverse=True)
    print("Query:", query)
    for document, score in doc_score_pairs:
        print(score, document)

使用 Huggingface Transformers

您可以使用 transformers 包来使用 Snowflake 的 arctic-embed 模型，如下所示。为了获得最佳的检索质量，请使用 CLS token 对每个文本部分进行嵌入，并仅在查询上使用以下查询前缀。

import torch
from transformers import AutoModel, AutoTokenizer

model_name = 'Snowflake/snowflake-arctic-embed-m-v2.0'
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModel.from_pretrained(model_name, add_pooling_layer=False, trust_remote_code=True)
model.eval()

query_prefix = 'query: '
queries  = ['what is snowflake?', 'Where can I get the best tacos?']
queries_with_prefix = ["{}{}".format(query_prefix, i) for i in queries]
query_tokens = tokenizer(queries_with_prefix, padding=True, truncation=True, return_tensors='pt', max_length=8192)

documents = ['The Data Cloud!', 'Mexico City of Course!']
document_tokens =  tokenizer(documents, padding=True, truncation=True, return_tensors='pt', max_length=8192)

# 计算 token 嵌入
with torch.no_grad():
    query_embeddings = model(**query_tokens)[0][:, 0]
    document_embeddings = model(**document_tokens)[0][:, 0]

# 归一化嵌入
query_embeddings = torch.nn.functional.normalize(query_embeddings, p=2, dim=1)
document_embeddings = torch.nn.functional.normalize(document_embeddings, p=2, dim=1)

scores = torch.mm(query_embeddings, document_embeddings.transpose(0, 1))
for query, query_scores in zip(queries, scores):
    doc_score_pairs = list(zip(documents, query_scores))
    doc_score_pairs = sorted(doc_score_pairs, key=lambda x: x[1], reverse=True)
    #输出段落和分数
    print("Query:", query)
    for document, score in doc_score_pairs:
        print(score, document)

使用 Huggingface Transformers.js

如果您还没有安装，可以从 NPM 安装 Transformers.js JavaScript 库：

npm i @huggingface/transformers

然后您可以按如下方式使用该模型进行检索：

import { pipeline, dot } from '@huggingface/transformers';

// 创建特征提取管道
const extractor = await pipeline('feature-extraction', 'Snowflake/snowflake-arctic-embed-m-v2.0');

// 生成句子嵌入
const sentences = [
    'query: what is snowflake?',
    'The Data Cloud!',
    'Mexico City of Course!',
]
const output = await extractor(sentences, { normalize: true, pooling: 'cls' });

// 计算相似度分数
const [source_embeddings, ...document_embeddings ] = output.tolist();
const similarities = document_embeddings.map(x => dot(source_embeddings, x));
console.log(similarities); // [0.32719788157046004, 0.06960141111667434]

联系方式

如果您对此项目有任何问题或建议，欢迎提交 issue 或 pull request。 您也可以发送电子邮件给 Daniel Campos（daniel.campos@snowflake.com）。

许可证

Arctic 采用 Apache-2 许可证。发布的模型可免费用于商业目的。