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

嵌入 568m

629 昨天

自述文件

Snowflake 欣喜地宣布发布 Arctic Embed 2.0,这是我们前沿嵌入模型的下一个迭代版本,它现在支持多语言搜索。虽然我们之前的版本受到了客户、合作伙伴和开源社区的欢迎,导致数百万次下载,但我们一直收到一个请求:你能让这个模型支持多语言吗?Arctic Embed 2.0 在我们先前版本的强大基础上构建,增加了多语言支持,同时没有牺牲英语性能或可扩展性,以满足更广泛的用户群体的需求,这些用户群体的语言和应用程序范围广泛。

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。分数是在 MTEB 检索和涵盖英语、法语、西班牙语、意大利语和德语的 CLEF(ELRA,2006)子集上的平均 nDCG@10。

Arctic Embed 2.0 多样化且强大的功能集

  1. 企业级吞吐量和效率:Arctic Embed 2.0 模型是为大规模企业需求而构建的。即使是我们的“大型”模型的参数也远低于 10 亿,并提供快速、高吞吐量的嵌入功能。根据内部测试,它在 NVIDIA A10 GPU 上轻松处理每秒超过 100 个文档(平均),并实现低于 10 毫秒的查询嵌入延迟,从而能够在经济实惠的硬件上进行实际部署。
  2. 对英语和非英语检索毫不妥协的质量:尽管尺寸紧凑,但 Arctic Embed 2.0 模型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,证明了即使对训练配方中未包含的语言也能很好地泛化。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 表示学习 (MRL) 实现可扩展的检索:Arctic Embed 2.0 版本包括在 Arctic Embed 1.5 中引入的相同的量化友好型 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。对于这两种模型大小,用户都可以使用每个向量只有 128 字节(比 OpenAI 流行的 text-embedding-3-large 模型1 的未压缩嵌入小 96 倍)来实现高质量的检索。与 Arctic Embed 1.5 一样,Arctic Embed 2.0 模型在压缩状态下也优于许多支持 MRL 的同行,质量下降幅度大大降低,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 许可下发布。