**BGE-Multilingual-Gemma2** is a LLM-based multilingual embedding model. It is trained on a diverse range of languages and tasks based on google/gemma-2-9b. BGE-Multilingual-Gemma2 primarily demonstrates the following advancements: - Diverse training data: The model's training data spans a broad range of languages, including English, Chinese, Japanese, Korean, French, and more.Additionally, the data covers a variety of task types, such as retrieval, classification, and clustering. - Outstanding performance: The model exhibits state-of-the-art (SOTA) results on multilingual benchmarks like MIRACL, MTEB-pl, and MTEB-fr. It also achieves excellent performance on other major evaluations, including MTEB, C-MTEB and AIR-Bench. By default, FlagLLMModel will use all available GPUs when encoding. Please set `os.environ["CUDA_VISIBLE_DEVICES"]` to select specific GPUs. You also can set `os.environ["CUDA_VISIBLE_DEVICES"]=""` to make all GPUs unavailable. `bge-multilingual-gemma2` exhibits **state-of-the-art (SOTA) results on benchmarks like MIRACL, MTEB-pl, and MTEB-fr**. It also achieves excellent performance on other major evaluations, including MTEB, C-MTEB and AIR-Bench.
翻訳待ち・原文を表示
入力 テキスト→ 出力 埋め込み
基础档案已收录,详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
入力 テキスト→ 出力 埋め込み
**We have updated the new reranker, supporting larger lengths, more languages, and achieving better performance.** Model List | FAQ | Usage | Evaluation | Train | Citation | License **More details please refer to our Github: FlagEmbedding.**
翻訳待ち・原文を表示
入力 テキスト→ 出力 テキスト
**We have updated the new reranker, supporting larger lengths, more languages, and achieving better performance.** Model List | FAQ | Usage | Evaluation | Train | Citation | License **More details please refer to our Github: FlagEmbedding.**
翻訳待ち・原文を表示
入力 テキスト→ 出力 テキスト
**More details please refer to our Github: FlagEmbedding.** - Model List - Usage - Fine-tuning - Evaluation - Citation Different from embedding model, reranker uses question and document as input and directly output similarity instead of embedding. You can get a relevance score by inputting query and passage to the reranker. And the score can be mapped to a float value in [0,1] by sigmoid function.
翻訳待ち・原文を表示
入力 テキスト→ 出力 テキスト
**More details please refer to our Github: FlagEmbedding.** - Model List - Usage - Fine-tuning - Evaluation - Citation Different from embedding model, reranker uses question and document as input and directly output similarity instead of embedding. You can get a relevance score by inputting query and passage to the reranker. And the score can be mapped to a float value in [0,1] by sigmoid function.
翻訳待ち・原文を表示
入力 テキスト→ 出力 テキスト
埋め込みモデルとは異なり、リランカーは質問と文書を入力として受け取り、埋め込みではなく類似度を直接出力します。クエリとパッセージをリランカーに入力することで関連性スコアを得ることができ、そのスコアはシグモイド関数によって [0,1] の浮動小数点値にマッピングされます。シナリオやリソースに応じてモデルを選択してください。- **多言語** の場合は、BAAI/bge-reranker-v2-m3 および BAAI/bge-reranker-v2-gemma を利用してください `query` はクエリ、`pos` はポジティブなテキストのリスト、`neg` はネガティブなテキストのリスト、`prompt` はクエリとテキスト間の関係を示します。クエリに対してネガティブなテキストがない場合は、ネガティブ例としてコーパス全体からランダムにサンプリングすることもできます。
入力 テキスト→ 出力 テキスト
**More details please refer to our Github: FlagEmbedding.** - Model List - Usage - Fine-tuning - Evaluation - Citation Different from embedding model, reranker uses question and document as input and directly output similarity instead of embedding. You can get a relevance score by inputting query and passage to the reranker. And the score can be mapped to a float value in [0,1] by sigmoid function.
翻訳待ち・原文を表示
入力 テキスト→ 出力 テキスト
**Recommend switching to newest BAAI/bge-small-en-v1.5, which has more reasonable similarity distribution and same method of usage.** Model List | FAQ | Usage | Evaluation | Train | Citation | License More details please refer to our Github: FlagEmbedding.
翻訳待ち・原文を表示
入力 テキスト→ 出力 埋め込み
より多くの言語や長文、その他の検索手法に対応したモデルをお探しなら、bge-m3の使用を試してみてください。すべてのモデルはHugging Face Hubにアップロードされており、https://huggingface.co/BAAI. で確認できます。Hugging Face Hubが開けない場合は、https://model.baai.ac.cn/models からモデルをダウンロードすることも可能です。この例に従ってデータを準備し、モデルをファインチューニングしてください。いくつかの提案です: - この例に従ってハードネガティブを抽出すると、検索性能が向上します。 - 自社データでbgeを事前学習させた場合、その事前学習済みモデルは類似度計算に直接使用できず、類似度を計算する前に対比学習でファインチューニングする必要があります。 - ファインチューニング後のモデルの精度がまだ低い場合は、クロスエンコーダーモデル(bge-reranker)を使用/ファインチューニングして、上位k件の結果を再ランク付けすることを推奨します。rerankerのファインチューニングにもハードネガティブが必要です。
入力 テキスト→ 出力 テキスト
**Recommend switching to newest BAAI/bge-small-zh-v1.5, which has more reasonable similarity distribution and same method of usage.** Model List | FAQ | Usage | Evaluation | Train | Contact | Citation | License More details please refer to our Github: FlagEmbedding.
翻訳待ち・原文を表示
入力 テキスト→ 出力 埋め込み
Model List | FAQ | Usage | Evaluation | Train | Contact | Citation | License More details please refer to our Github: FlagEmbedding. FlagEmbedding can map any text to a low-dimensional dense vector which can be used for tasks like retrieval, classification, clustering, or semantic search. And it also can be used in vector databases for LLMs.
翻訳待ち・原文を表示
入力 テキスト→ 出力 テキスト
基础档案已收录,详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
分類準備中
入力 未確認→ 出力 未確認
基础档案已收录,详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
入力 テキスト→ 出力 埋め込み
基础档案已收录,详细介绍后续补充。可先查看厂商、分类与来源。
入力 テキスト→ 出力 埋め込み
基础档案已收录,详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
入力 テキスト→ 出力 埋め込み
基础档案已收录,详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
入力 テキスト→ 出力 埋め込み
基础档案已收录,详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
入力 テキスト→ 出力 埋め込み
基础档案已收录,详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
入力 テキスト→ 出力 埋め込み
基础档案已收录,详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
入力 テキスト→ 出力 埋め込み
基础档案已收录,详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
分類準備中
入力 未確認→ 出力 未確認
基础档案已收录,详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
分類準備中
入力 未確認→ 出力 未確認
基础档案已收录,详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
入力 テキスト→ 出力 テキスト
基础档案已收录,详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
分類準備中
入力 未確認→ 出力 未確認