Snowflake 的前沿嵌入模型。Arctic Embed 2.0 增加了多语言支持,且不牺牲英语性能或可扩展性。

嵌入 568m

19.2K 2 个月前

自述文件

Snowflake 很高兴地宣布发布 Arctic Embed 2.0,这是我们前沿嵌入模型的下一次迭代,现在支持多语言搜索。 之前的版本受到了我们的客户、合作伙伴和开源社区的好评,实现了数百万次的下载,但我们一直收到一个请求:你们能让这个模型支持多语言吗? Arctic Embed 2.0 基于我们先前版本的强大基础之上构建,增加了多语言支持,且不牺牲英语性能或可扩展性,以满足更广泛用户的需求,这些用户涵盖了广泛的语言和应用。

Snowflake 数据 图 1. 参数少于 10 亿的开源多语言嵌入模型的单向量密集检索性能。 分数是 MTEB 检索和 CLEF (ELRA, 2006) 子集(涵盖英语、法语、西班牙语、意大利语和德语)的平均 nDCG@10。

Arctic Embed 2.0 的多样化和强大的功能集

  1. 企业级吞吐量和效率:Arctic Embed 2.0 模型专为大规模企业需求而构建。 即使我们的“大型”模型参数也远低于 10 亿,并提供快速、高吞吐量的嵌入能力。 根据内部测试,在 NVIDIA A10 GPU 上,它平均每秒轻松处理超过 100 份文档,并实现亚 10 毫秒的查询嵌入延迟,从而可以在经济实惠的硬件上进行实际部署。
  2. 毫不妥协的英语和非英语检索质量:尽管 Arctic Embed 2.0 模型尺寸紧凑,但在各种英语和非英语基准数据集上都取得了令人印象深刻的 NDCG@10 分数,这表明即使对于未包含在训练配方中的语言,也具有良好的泛化能力。 这些令人印象深刻的基准分数使 Arctic Embed 2.0 成为前沿检索模型中的领导者。
  3. 通过 Matryoshka Representation Learning (MRL) 实现可扩展的检索:Arctic Embed 2.0 版本包含 Arctic Embed 1.5 中引入的相同的量化友好的 MRL 功能,允许用户在对大型数据集执行搜索时降低成本并优化规模。 使用这两种模型尺寸,用户只需每个向量 128 字节即可实现高质量的检索(比 OpenAI 流行的 text-embedding-3-large 模型 1 的未压缩嵌入小 96 倍)。 与 Arctic Embed 1.5 一样,Arctic Embed 2.0 模型在压缩状态下也优于几个支持 MRL 的同类模型,质量下降幅度更小,基准分数更高。
  4. 真正的开源:Arctic Embed 2.0 模型在宽松的 Apache 2.0 许可证下发布。