<h1 align="center">Snowflake 的 Arctic-embed-xs</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</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，这是我们考虑到多语言工作负载的最新模型。这些模型优于 Arctic Embed 的先前版本，我们建议用这些版本替换之前的版本！

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。关于该模型开发的详细信息可在 Snowflake 工程博客的发布文章 中找到。

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。这些版本在各自代表性尺寸配置下实现了检索质量的最新水平。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 是一个文本嵌入模型套件，专注于创建针对性能优化的高质量检索模型。

snowflake-arctic-embedding 模型在 MTEB/BEIR 排行榜上实现了各尺寸变体的最新技术性能。使用这些脚本进行评估。如下所示，每个模型尺寸类别相较于其他顶级模型都实现了 SOTA 检索准确率。

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，模型使用大批量的查询-文档对进行训练，其中负样本来自批次内——预训练使用了约 4 亿个样本，这些样本混合了公共数据集和专有的网络搜索数据。预训练后，模型在较小的数据集（约 100 万个查询、正面文档和负面文档的三元组样本）上进行进一步优化，这些样本来自困难负样本挖掘。负样本挖掘和数据策展对检索精度至关重要。详细的技术报告可在此处找到。

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

snowflake-arctic-embed-xs

这个小型模型非常有竞争力。基于 all-MiniLM-L6-v2 模型，仅有 2200 万参数和 384 维度，这个模型能够满足最严格的延迟/总拥有成本预算。尽管尺寸较小，其检索准确率更接近于具有 1 亿参数的模型。

snowflake-arctic-embed-s

基于 infloat/e5-small-unsupervised 模型，这个小型模型不会为了其小尺寸而牺牲检索准确率。仅有 3300 万参数和 384 维度，这个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，这个中型模型是提供最佳检索性能而不减缓推理的主力模型。

snowflake-arctic-embed-m-long

基于 nomic-embed-text-v1-unsupervised 模型，这是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，这个大型模型是封闭 API 的直接替代品，提供最准确的检索体验。

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-xs")

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?
0.57515126 The Data Cloud!
0.45798576 Mexico City of Course!
Query: Where can I get the best tacos?
0.5636022 Mexico City of Course!
0.5044898 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，并使用以下查询前缀（仅在查询上使用）。

import torch
from transformers import AutoModel, AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained('Snowflake/snowflake-arctic-embed-xs')
model = AutoModel.from_pretrained('Snowflake/snowflake-arctic-embed-xs', 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

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

npm i @xenova/transformers

然后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-xs', {
    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); // [0.5044895661144148, 0.5636021124426508]

常见问题

待定

联系

如果您对此项目有任何问题或建议，请随时打开 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，让我们能够构建我们的模型。 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 对这项工作的支持。 我们还要感谢开源社区，感谢他们创建了我们可以在其基础上构建的伟大模型，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。 正是由于他们不懈努力定义什么是更好的，我们才能改进模型性能。

<img referrerpolicy="no-referrer-when-downgrade" src="https://static.scarf.sh/a.png?x-pxid=15cd6ef8-397b-4e85-9d74-27ebdc7e9765" />