This model was trained on the MMARCO dataset. It is a machine translated version of MS MARCO using Google Translate. It was translated to 14 languages. In our experiments, we observed that it performs also well for other languages. As a base model, we used the multilingual MiniLMv2 model. The model can be used for Information Retrieval: Given a query, encode the query will all possible passages (e.g. retrieved with ElasticSearch). Then sort the passages in a decreasing order. See SBERT.net Retrieve & Re-rank for more details. The training code is available here: SBERT.net Training MS Marco

번역 대기 중 · 원문 표시

텍스트 생성오픈 웨이트

입력 텍스트→ 출력 텍스트

요금 미확인멀티모달 및 채널 요금 별도 확인

자세히 보기 ↗

비교 추가출처 / 문서 ↗

ms-marco-MiniLM-L12-v2

cross-encoder

This model was trained on the MS Marco Passage Ranking task. The model can be used for Information Retrieval: Given a query, encode the query will all possible passages (e.g. retrieved with ElasticSearch). Then sort the passages in a decreasing order. See SBERT.net Retrieve & Re-rank for more details. The training code is available here: SBERT.net Training MS Marco The usage is easy when you have SentenceTransformers installed. Then you can use the pre-trained models like this:

번역 대기 중 · 원문 표시

텍스트 생성오픈 웨이트

입력 텍스트→ 출력 텍스트

요금 미확인멀티모달 및 채널 요금 별도 확인

자세히 보기 ↗

비교 추가출처 / 문서 ↗

ms-marco-MiniLM-L4-v2

cross-encoder

The model can be used for Information Retrieval: Given a query, encode the query will all possible passages (e.g. retrieved with ElasticSearch). Then sort the passages in a decreasing order. See SBERT.net Retrieve & Re-rank for more details. The training code is available here: SBERT.net Training MS Marco The usage is easy when you have SentenceTransformers installed. Then you can use the pre-trained models like this: In the following table, we provide various pre-trained Cross-Encoders together with their performance on the TREC Deep Learning 2019 and the MS Marco Passage Reranking dataset.

번역 대기 중 · 원문 표시

텍스트 생성오픈 웨이트

입력 텍스트→ 출력 텍스트

요금 미확인멀티모달 및 채널 요금 별도 확인

자세히 보기 ↗

비교 추가출처 / 문서 ↗

ms-marco-MiniLM-L6-v2

cross-encoder

이 모델은 정보 검색에 사용할 수 있습니다. 쿼리를 입력하면, 모든 가능한 문서(예: ElasticSearch로 검색된 문서)를 사용하여 쿼리를 인코딩한 뒤, 문서들을 내림차순으로 정렬합니다. 자세한 내용은 SBERT.net Retrieve & Re-rank을 참조하십시오. 학습 코드는 여기에서 확인할 수 있습니다: SBERT.net Training MS Marco SentenceTransformers가 설치되어 있으면 사용법이 간단합니다. 그런 다음 다음과 같이 사전 훈련된 모델을 사용할 수 있습니다. 다음 표에는 TREC Deep Learning 2019 및 MS Marco Passage Reranking 데이터셋에서의 성능과 함께 다양한 사전 훈련된 Cross-Encoder 모델을 제공합니다.

텍스트 생성오픈 웨이트

입력 텍스트→ 출력 텍스트

요금 미확인멀티모달 및 채널 요금 별도 확인

자세히 보기 ↗

비교 추가출처 / 문서 ↗