Embedding开源模型重磅玩家：北京智源人工智能研究院最新Embedding模型发布！登顶MTEB，免费商用授权！
Embedding模型作为大语言模型（Large Language Model，LLM）的一个重要辅助，是很多LLM应用必不可少的部分。但是，现实中开源的Emebdding模型却很少。最近，北京智源人工智能研究院（BAAI）开源了BGE系列Embedding模型，不仅在MTEB排行榜中登顶冠军，还是免费商用授权的大模型，支持中文，应该可以满足相当多人的需要。
来源：https://www.datalearner.com/ai-models/pretrained-models?&aiArea=1005&language=-1&contextLength=-1&openSource=-1&publisher=-1
·
Embedding模型的重要性
·
·
BGE系列Embedding模型介绍和训练细节
·
·
BGE系列Embedding模型的效果
·
·
BGE系列Embedding模型的使用
·
·
BGE系列的Embedding模型的总结
·
Embedding模型的重要性
Embedding模型，简单来说，是一种能够将词、短语或整个句子转化为向量形式的技术。这些向量能够捕捉到语义的丰富含义，使计算机可以像处理数字一样来处理文本。在大语言模型时代，Embedding模型可以帮助大模型处理更长的上下文，也可以将大模型与私有数据结合。
关于Embedding的具体介绍和其重要性参考：AI大模型领域的热门技术——Embedding入门介绍以及为什么Embedding在大语言模型中很重要：https://www.datalearner.com/blog/1051683647195362，这里就不再赘述。
尽管开源的LLM很多，强大的embedding模型却很少，尤其是支持中文的可商用的开源embedding模型更少。而此次BAAI发布的BGE系列Embedding模型则是一个天大的好消息！
BGE系列Embedding模型介绍和训练细节
BGE全称是BAAI General Embedding，即北京智源人工智能研究院通用Embedding模型，它可以将任意文本映射到低维的稠密向量。本次发布的BGE系列包含7个版本，其中4个是中文优化的Embedding模型，3个是英文的Embedding模型。
BGE模型的训练有2个阶段：分别是预训练阶段和微调阶段。
在预训练阶段，BGE模型通过使用RetroMAE方法在中英文数据集上进行了预训练。其中英文数据集维Pile、维基百科和msmarco，而中文数据集则来自于wudao。训练使用了24个A100（40G）。
wudao数据集：https://www.datalearner.com/blog/1051648084659749
在微调阶段，BGE使用三元组数据（query, positive, negative）进行微调。使用了48个A100（40G）的资源。目前，该数据没有开源，不过官方宣称未来将开源。
BGE系列模型如下：
BGE系列Embedding模型的效果
目前，Embedding领域的评测比较有影响力范围覆盖较全的是HuggingFace的MTEB排行榜。MTEB全称Massive Text Embedding Benchmark，收集了97个Embedding模型的数据，在74个数据集上评测结果。不过这个排行榜的评测只支持英文。
在MTEB目前的排行榜中，排名前2的就是BGE的两个英文模型，分别是bge-large-en和bge-base-en。
而中文的embedding评测目前缺少足够有权威的排行榜。因此，BAAI自己也发布了一个关于Embedding模型的评测数据，称为C-MTEB，这里的C就是Chinese了。在这个榜单中，目前覆盖了10个模型的评测结果：
可以看到，BGE的模型效果也都是很好的。
BGE系列Embedding模型的使用
BGE模型支持BAAI自己的FlagEmbedding框架，也支持HuggingFace的Sentence-Transformers框架，使用很简单。这里给出Sentence-Transformers框架使用方法：
1.
from sentence_transformers importSentenceTransformer
2.
3.
sentences =["样例数据-1","样例数据-2"]
4.
5.
model =SentenceTransformer('BAAI/bge-large-zh')
6.
7.
embeddings_1 = model.encode(sentences, normalize_embeddings=True)
8.
9.
embeddings_2 = model.encode(sentences, normalize_embeddings=True)
10.
11.
smilarity = embeddings_1 @ embeddings_2.T
12.
13.
print(smilarity)
14.
需要注意的是，如果你用BGE来做检索任务，那么需要对每一个查询增加一条指令，如下所示：
1.
from langchain.embeddings importHuggingFaceInstructEmbeddings
2.
3.
encode_kwargs ={'normalize_embeddings':True}
4.
5.
model =HuggingFaceInstructEmbeddings(
6.
7.
model_name='BAAI/bge-large-en',
8.
9.
embed_instruction="",
10.
11.
query_instruction="Represent this sentence for searching relevant passages: ",
12.
13.
encode_kwargs=encode_kwargs
14.
15.
)
16.
BGE系列的Embedding模型的总结
BGE系列模型在MTEB榜单霸榜之后就引起了很多人的关注。对于我们来说，BGE最大的好处是支持中文，且商用免费授权，是中文embedding模型中为数不多的优质选择。而它英文榜单霸榜也引起了很多人的使用，推特上也十分火爆。
BGE一个问题是它的输入序列只有512，这在很多场景下可能不够用。而OpenAI的text-embedding-ada-002最高支持8K的序列长度。不过，在开源领域，512的序列长度输入是主流的输入长度了。MTEB榜单前20名中，除了OpenAI的模型支持8K序列输入，其它模型都是只支持512序列输入。
关于BGE的开源地址、模型权重下载地址等，请参考DataLearner的Embedding模型列表：
https://www.datalearner.com/ai-models/pretrained-models?&aiArea=1005&language=-1&contextLength=-1&openSource=-1&publisher=-1
Embedding模型筛选也是DataLearner大模型筛选新增的一个功能，目前涵盖的模型还是相对较少，正在完善中~
出自：https://mp.weixin.qq.com/s/WImNAKML6F-9Aj3WtXu0vA