在 RAG (检索增强生成)领域，选对向量模型至关重要，它基本就决定了 RAG 系统的“天花板”，也因此，向量模型的选择总是业界的热门讨论话题。
最近，Jina AI 在 Hugging Face 上推出的 Jina-ColBERT 模型引起了 AI 圈子里不小的轰动，尤其是在 Twitter/X 上，大家都在讨论它能处理高达 8192 Token 的强大能力，为搜索带来了更多的可能性。
与 ColBERTv2 相比，Jina-ColBERT 在各项测试中都展现了顶尖的性能，特别在处理长文档数据集时，其表现更是显著优于 ColBERTv2。
与市场上大多数向量模型相比，Jina-ColBERT 有个显著的不同点——它采用的是多向量搜索技术。单向量模型会把整个文档或段落编码成一个单一向量，然后基于余弦相似度进行匹配。而 多向量模型，如 Jina-ColBERT，则是将文本中的每个词编码成独立向量，通过迟交互计算相似度。
模型地址: https://huggingface.co/jinaai/jina-colbert-v1-en
很多人都听过 BERT 模型，但 ColBERT 是什么呢？
先说说背景。ColBERT 基于 BERT 模型开发，师出名门斯坦福。那为啥最近又翻红了呢？原来，ColBERT 升级到 v2 版本，不仅补齐了 v1 版本在存储和扩展性上的短板，还显著提升了性能。
再来说说 ColBERT 的家谱。之前大家没怎么注意到它，主要是因为从传统搜索（文本匹配）过渡到向量检索的过程中，大家都忙着折腾单向量模型，把这位和 BERT 同门的 ColBERT 给忽略了。
单向量模型是将查询和文档简化为单一向量的表示，多向量模型 ColBERT 则 为每个 token 生成一个向量，并通过 MaxSim（Maximum Similarity, 最大相似度）计算得分，即它对于每个查询词，从文档中找到与之最相似的词的向量，并将这些最大相似度值相加作为最终的相关性分数。
ColBERT 通过采用 token 级别的细粒度交互，即首先将查询和文档在词粒度上逐项编码，再在查询阶段进行交互。也就是说，文档侧的计算可以完全离线进行，这一点与单向量模型的做法一致，但在处理方法上更为精细。这就使得它的可解释性更好，在 token-level 匹配之后，我们能够解释查询中哪个词与文档中的哪个词最匹配。
这种多向量的召回方式带来两大好处：一是逐 token 编码提供了更细粒度的表征，在 in-domain (同领域)具有很高的 MRR@10(头部排序能力)和 Recall@1k(腰尾部召回能力)。并且提供了更好的可解释性。二是提供 out-of-domain (跨领域) 更强的泛化能力，特别是在处理长尾查询或文档时，由于词粒度的精细表征，使得模型对于未见过的领域有更好的性能表现。
Colbert 迟交互机制
与传统的 query-doc 全交互型 BERT 及目前流行的 Embeddings 模型相比，ColBERT 提出的 Late Interaction (迟交互）机制 有着显著的优势。
具体来说，单向量模型是吃进一个句子，吐出一个向量，然后再基于这些向量做相似度比较。而同样是分别编码查询和文档，ColBERT 拿模型生成的 Token Embedding 来做相似度计算，在后续阶段计算查询和文档 Token Embedding 之间的交互。这种方法既考虑了匹配效率，也充分利用了上下文信息，使得 ColBERT 既能作为一个强大的召回模型，也可以用作召回之后的重排工具。
Interaction schemes
Jina-ColBERT 的升级亮点
Jina-ColBERT 是 Jina AI 对原有 ColBERT 模型的一番升级打磨。核心改进是采用了 jina-bert-v2-base-en 作为基础模型，从而支持一口气处理长达 8192 token 的文本。
这一改进意味着，无论是对付那些短小精悍的文本，还是那些长篇大论、需要深度理解的搜索任务，Jina-ColBERT 都能轻松应对。甚至在很多情况下，尤其长文本场景下，都能比 ColBERT v2 模型做得更好。
我们在 BEIR 数据集上，对比测试了 Jina-ColBERT，和原版 ColBERTv2，以及单向量模型 Jina-Embeddings-v2-base-en 模型的能力。
|
Dataset
|
ColBERTv2
|
jina-colbert-v1-en
|
jina-embeddings-v2-base-en
|
|
Arguana
|
46.5
|
49.4
|
44.0
|
|
Climate-Fever
|
18.1
|
19.6
|
23.5
|
|
DBPedia
|
45.2
|
41.3
|
35.1
|
|
FEVER
|
78.8
|
79.5
|
72.3
|
|
FiQA
|
35.4
|
36.8
|
41.6
|
|
HotpotQA
|
67.5
|
65.9
|
61.4
|
|
NFCorpus
|
33.7
|
33.8
|
32.5
|
|
NQ
|
56.1
|
54.9
|
60.4
|
|
Quora
|
85.5
|
82.3
|
88.2
|
|
SCIDOCS
|
15.4
|
16.9
|
19.9
|
|
SciFact
|
68.9
|
70.1
|
66.7
|
|
TREC-COVID
|
72.6
|
75.0
|
65.9
|
|
Webis-touch2020
|
26.0
|
27.0
|
26.2
|
|
Average
|
51.7
|
52.6
|
51.6
|
从这个表里，我们能看到 Jina-ColBERT 的亮眼表现，各项测试里，它都能和 ColBERTv2 一较高下。
值得一提的是，Jina-ColBERT 只用了 MSMARCO 数据集来训练，而 Jina-Embeddings-v2-base-en 使用了更广泛的训练数据，后者在某些特定任务上表现得更好。
我们还特别在专为长文本设计的新 LoCo Benchmark 上进行了测评，可以看到 Jina-ColBERT 在处理那些超出 ColBERTv2 常规上下文长度的场景时，表现更是出色。
|
Dataset
|
ColBERTv2
|
jina-colbert-v1-en
|
jina-embeddings-v2-base-en
|
|
LoCo
|
74.3
|
83.7
|
85.4
|
总的来说，Jina-ColBERT 在各项基准测试中都表现出和 ColBERTv2 相媲美的性能，当在文本的上下文更长时，它的表现就更胜一筹了。
如果你想在 RAG（检索增强生成）领域挑选出合适的向量模型，这里有几条建议，帮你判断哪个最合适。
1.
如果你偏好简单的单向量存储与检索，并且能够接受一定程度的精确度牺牲，那么 Jina-Embeddings-v2 是个不错的选择。
2.
对于那些追求细颗粒度检索、关注模型在 out-of-domain(未知领域)的表现、以及需要模型可解释性的用户来说，Jina-ColBERT 会是更优选。
3.
你也可以设计一个分阶段的检索流程：首先用 Jina-Embeddings-v2 快速召回候选文档，接着用 Jina-ColBERT 进行更细颗粒度的重新排序。
4.
请注意，目前 Jina-ColBERT 仅支持英文内容的处理。
轻松上手：Jina-ColBERT 入门指南
上手 Jina-ColBERT 很简单，因为它是基于 ColBERT 模型优化的，你可以轻松地在现有支持 ColBERT 的平台上使用，比如 Vespa、RAGatouille、fastRAG 和 LangChain 等，只需将原模型名称换成 jina-colbert-v1-en。此外，我们还提供了一个专门的 Colab Notebook， 供大家快速上手。
Notebook: https://colab.research.google.com/drive/1-5WGEYPSBNBg-Z0bGFysyvckFuM8imrg
想要快速看到效果的话，推荐使用 RAGatouille，它做了很好的封装，可以更轻松用 ColBERT 构建 RAG Pipeline。
更多内容请访问 https://huggingface.co/jinaai/jina-colbert-v1-en
展望未来：Jina-ColBERT 的新动向
我们正积极评估 Jina-ColBERT 作为 Reranker 的效果，并计划添加更多使用示例。同时，我们也将努力在更多数据集上进行微调，以进一步提升 Jina-ColBERT 的性能，并优化其存储性能。
出自：https://mp.weixin.qq.com/s/xt5-tzTLT5G5YpBAvRivZA