<h1 align="center">Snowflake 的 Arctic-embed-s</h1> <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">联系我们</a> | <a href="#faq">常见问题</a> <a href="#license">许可证</a> | <a href="#acknowledgement">致谢</a> <p> </h4>

新闻

2024/12/04: 发布 snowflake-arctic-embed-l-v2.0 和 snowflake-arctic-embed-m-v2.0，这是我们为多语言工作负载设计的新款模型。这些模型优于 Arctic Embed 的早期版本，我们建议用这些替换之前的版本！

2024/07/26: 在 arXiv 上发布预印本 [2407.18887] Embedding And Clustering Your Data Can Improve Contrastive Pretraining。

2024/07/18: 发布 snowflake-arctic-embed-m-v1.5，能够生成高度可压缩的嵌入向量，即使压缩到每个向量仅 128 字节也能保持质量。关于此模型开发的详细信息，请参阅 Snowflake 工程博客的发布文章。

2024/05/10: 发布 Arctic Embed 的技术报告

2024/04/16: 发布 ** snowflake-arctic-embed ** 系列文本嵌入模型。这些发布在各自对应的尺寸配置下实现了检索质量的最新技术水准。技术报告 即将发布。更多详情，请参阅我们的 GitHub：Arctic-Text-Embed。

模型

snowflake-arctic-embed 是一个专注于创建针对性能优化的高质量检索模型的文本嵌入模型系列。

snowflake-arctic-embedding 模型在各自的尺寸变体上实现了 MTEB/BEIR 排行榜上的最新技术性能。使用这些脚本进行评估。如下所示，每个尺寸类别的模型都相较于其他顶级模型实现了 SOTA 检索精度。

这些模型通过利用现有的开源文本表示模型（如 bert-base-uncased）进行训练，并采用多阶段训练流程来优化检索性能。首先，模型使用大量查询-文档对进行训练，其中负样本来自批内——预训练使用了约 4 亿个样本，这些样本来自公共数据集和网络搜索数据的混合。预训练后，模型进一步在较小的数据集（约 100 万个查询、正向文档和负向文档的三元组样本）上进行长期优化，这些样本来自硬负样本挖掘。负样本挖掘和数据策展对检索精度至关重要。详细的技术报告请参阅此处。

除了是优秀的开源模型外，最大的模型 snowflake-arctic-embed-l 还可以作为封闭源嵌入的自然替代品，如下所示。

snowflake-arctic-embed-xs

这款小型模型表现出色。基于 all-MiniLM-L6-v2 模型，仅有 2200 万参数和 384 维度，这款模型能够满足最严格的延迟/成本预算。尽管体积小，其检索精度更接近 1 亿参数的模型。

snowflake-arctic-embed-s

基于 intfloat/e5-small-unsupervised 模型，这款小型模型不会为了体积而牺牲检索精度。仅有 3300 万参数和 384 维度，这款模型可以轻松扩展到大型数据集。

snowflake-arctic-embed-m

基于 intfloat/e5-base-unsupervised 模型，这款中型模型是提供最佳检索性能而不会减慢推理的主力模型。

snowflake-arctic-embed-m-long

基于 nomic-ai/nomic-embed-text-v1-unsupervised 模型，这款我们中型模型的长上下文变体非常适合受其他模型常规 512 标记上下文限制的工作负载。在不使用 RPE 的情况下，此模型支持最多 2048 个标记。使用 RPE，它可以扩展到 8192！

snowflake-arctic-embed-l

基于 intfloat/e5-large-unsupervised 模型，这款大型模型是封闭 API 的直接替代品，提供最精确的检索体验。

使用

使用 Sentence Transformers

您可以使用 sentence-transformers 包来使用 snowflake-arctic-embed 模型，如下所示。

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("Snowflake/snowflake-arctic-embed-s")

queries = ['what is snowflake?', 'Where can I get the best tacos?']
documents = ['The Data Cloud!', 'Mexico City of Course!']

query_embeddings = model.encode(queries, prompt_name="query")
document_embeddings = model.encode(documents)

scores = query_embeddings @ document_embeddings.T
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)
    # Output passages & scores
    print("Query:", query)
    for document, score in doc_score_pairs:
        print(score, document)

Query: what is snowflake?
0.533809 The Data Cloud!
0.49207097 Mexico City of Course!
Query: Where can I get the best tacos?
0.56592476 Mexico City of Course!
0.48255116 The Data Cloud!

使用 Huggingface transformers

您可以使用 transformers 包来使用 snowflake-arctic-embed 模型，如下所示。为了获得最佳检索质量，请使用 CLS 标记对每个文本部分进行嵌入，并使用下面的查询前缀（仅在查询上使用）。

import torch
from transformers import AutoModel, AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained('Snowflake/snowflake-arctic-embed-s')
model = AutoModel.from_pretrained('Snowflake/snowflake-arctic-embed-s', add_pooling_layer=False)
model.eval()

query_prefix = 'Represent this sentence for searching relevant passages: '
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=512)

documents = ['The Data Cloud!', 'Mexico City of Course!']
document_tokens =  tokenizer(documents, padding=True, truncation=True, return_tensors='pt', max_length=512)

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

# normalize embeddings
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)
    #Output passages & scores
    print("Query:", query)
    for document, score in doc_score_pairs:
        print(score, document)

使用 Transformers.js

如果还没有，您可以通过运行以下命令从 NPM 安装 Transformers.js JavaScript 库：

npm i @xenova/transformers

您可以按如下方式使用模型计算嵌入：

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

// Create feature extraction pipeline
const extractor = await pipeline('feature-extraction', 'Snowflake/snowflake-arctic-embed-s', {
    quantized: false, // Comment out this line to use the quantized version
});

// Generate sentence embeddings
const sentences = [
    'Represent this sentence for searching relevant passages: Where can I get the best tacos?',
    'The Data Cloud!',
    'Mexico City of Course!',
]
const output = await extractor(sentences, { normalize: true, pooling: 'cls' });

// Compute similarity scores
const [source_embeddings, ...document_embeddings ] = output.tolist();
const similarities = document_embeddings.map(x => dot(source_embeddings, x));
console.log(similarities); // [0.48255123876493394, 0.5659250100112143]

常见问题

待定

联系我们

如果您对此项目有任何问题或建议，请随时提交 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 根据 Apache-2 许可。发布的模型可以免费用于商业目的。

致谢

我们要感谢开源社区，是他们提供了伟大的构建模块，让我们能够创建我们的模型。 感谢我们的建模工程师 Danmei Xu、Luke Merrick、Gaurav Nuti 和 Daniel Campos，是他们让这些伟大的模型成为可能。 感谢我们的领导 Himabindu Pucha、Kelvin So、Vivek Raghunathan 和 Sridhar Ramaswamy，是他们支持了这项工作。 我们还要感谢开源社区，是他们创建了我们能够构建的伟大模型，并使这些发布成为可能。 最后，感谢创建 BEIR 和 MTEB 基准测试的研究人员。 正是因为他们不懈地努力定义更好的标准，我们才得以改进模型性能。

<img referrerpolicy="no-referrer-when-downgrade" src="https://static.scarf.sh/a.png?x-pxid=26ca7731-2650-44be-942d-0c6809cfcf00" />