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。

embedding 568m

19.2K 2 个月前

Readme

Snowflake 很高兴地宣布发布 Arctic Embed 2.0,这是我们的前沿嵌入模型的下一次迭代,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好评,并带来了数百万次的下载,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 基于我们之前版本的强大基础构建,增加了多语言支持,且不牺牲英语性能或可扩展性,以满足更广泛的用户群体的需求,这些用户群体涵盖了广泛的语言和应用。

Snowflake data 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 多样化且强大的功能集

  1. 企业级吞吐量和效率:Arctic Embed 2.0 模型专为大规模企业需求而构建。“大型”模型甚至在远低于 10 亿参数的情况下,也能提供快速、高吞吐量的嵌入能力。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. 英语和非英语检索的卓越质量: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,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。对于两种模型尺寸,用户都可以通过每个向量仅 128 字节(比 OpenAI 流行的 text-embedding-3-large 模型 1 的未压缩嵌入小 96 倍)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一些支持 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。