闲社服务运行正常AI智能体自动化平台
中文
语言 / Language简体中文SelectedEnglish

选择显示语言

MiniCPM-Embedding-Light

OpenBMB/MiniCPM-Embedding-Light

发布机构OpenBMB

下载访问条件魔搭来源

MiniCPM-Embedding-Light MiniCPM-Embedding-Light 是面壁智能与清华大学自然语言处理实验室(THUNLP)、东北大学信息检索小组(NEUIR)共同开发的中英双语言文本嵌入模型,有如下特点: 支持长文本(最长8192token)。

向量检索
模型详情

模型介绍

中文整理

MiniCPM-Embedding-Light

MiniCPM-Embedding-Light** 是面壁智能与清华大学自然语言处理实验室(THUNLP)、东北大学信息检索小组(NEUIR)共同开发的中英双语言文本嵌入模型,有如下特点:

出色的中文、英文检索能力。

出色的中英跨语言检索能力。

支持长文本(最长8192token)。

提供稠密向量与token级别的稀疏向量。

可变的稠密向量维度(套娃表征)。

MiniCPM-Embedding-Light结构上采取双向注意力和 Weighted Mean Pooling [1]。采取多阶段训练方式,共使用包括开源数据、机造数据、闭源数据在内的约 260M 条训练数据。

欢迎关注 UltraRAG 系列:

检索模型:MiniCPM-Embedding-Light

重排模型:MiniCPM-Reranker-Light

领域自适应RAG框架:UltraRAG

MiniCPM-Embedding-Light** is a bilingual & cross-lingual text embedding model developed by ModelBest Inc. , THUNLP and NEUIR , featuring:

Exceptional Chinese and English retrieval capabilities.

Outstanding cross-lingual retrieval capabilities between Chinese and English.

Long-text support (up to 8192 tokens).

Dense vectors and token-level sparse vectors.

Variable dense vector dimensions (Matryoshka representation [2]).

MiniCPM-Embedding-Light incorporates bidirectional attention and Weighted Mean Pooling [1] in its architecture. The model underwent multi-stage training using approximately 260 million training examples, including open-source, synthetic, and proprietary data.

We also invite you to explore the UltraRAG series:

Retrieval Model: MiniCPM-Embedding-Light

Re-ranking Model: MiniCPM-Reranker-Light

Domain Adaptive RAG Framework: UltraRAG

[1] Muennighoff, N. (2022). Sgpt: Gpt sentence embeddings for semantic search. arXiv preprint arXiv:2202.08904.

[2] Kusupati, Aditya, et al. "Matryoshka representation learning." Advances in Neural Information Processing Systems 35 (2022): 30233-30249.

模型信息 Model Information

模型大小:440M

嵌入维度:1024

最大输入token数:8192

Model Size: 440M

Embedding Dimension: 1024

Max Input Tokens: 8192

使用方法 Usage

输入格式 Input Format

本模型支持 query 侧指令,格式如下:

MiniCPM-Embedding-Light supports query-side instructions in the following format:

例如:

For example:

也可以不提供指令,即采取如下格式:

MiniCPM-Embedding-Light also works in instruction-free mode in the following format:

环境要求 Requirements

示例脚本 Demo

Huggingface Transformers

Sentence Transformers

Infinity

FlagEmbedding

实验结果 Evaluation Results

中文与英文检索结果 CN/EN Retrieval Results

模型 Model C-MTEB/Retrieval(NDCG@10) BEIR(NDCG@10)

  • --------------------------------------------------- ------------------- ---------------

bge-large-zh-v1.5 70.46 -

gte-large-zh 72.49 -

Conan-embedding-v1 76.67

bge-large-en-v1.5 - 54.29

modernbert-embed-large - 54.36

snowflake-arctic-embed-l - 55.98

gte-en-large-v1.5 - 57.91

me5-large 63.66 51.43

bge-m3(Dense) 65.43 48.82

gte-multilingual-base(Dense) 71.95 51.08

jina-embeddings-v3 68.60 53.88

gte-Qwen2-1.5B-instruct 71.86 58.29

MiniCPM-Embedding 76.76 58.56

MiniCPM-Embedding-Light(Dense) 72.71 55.27

MiniCPM-Embedding-Light(Dense+Sparse) 73.13 56.31

MiniCPM-Embedding-Light(Dense+Sparse)+MiniCPM-Reranker-Light 76.34 61.49

中英跨语言检索结果 CN-EN Cross-lingual Retrieval Results

模型 Model MKQA En-Zh CN (Recall@20) NeuCLIR22 (NDCG@10) NeuCLIR23 (NDCG@10)

  • ----------------------------- -------------------- -------------------- --------------------

me5-large 44.3 9.01 25.33

bge-m3(Dense) 66.4 30.49 41.09

gte-multilingual-base(Dense) 68.2 39.46 45.86

MiniCPM-Embedding 72.95 52.65 49.95

MiniCPM-Embedding-Light(Dense) 68.29 41.17 45.83

MiniCPM-Embedding-Light(Dense)+MiniCPM-Reranker-Light 71.86 54.32 56.50

许可证 License

本仓库中代码依照 Apache-2.0 协议开源。

MiniCPM-Embedding-Light 模型权重的使用则需要遵循 MiniCPM 模型协议。

MiniCPM-Embedding-Light 模型权重对学术研究完全开放。如需将模型用于商业用途,请填写此问卷。

The code in this repo is released under the Apache-2.0 License.

The usage of MiniCPM-Embedding-Light model weights must strictly follow MiniCPM Model License.md.

The models and weights of MiniCPM-Embedding-Light are completely free for academic research. After filling out a "questionnaire" for registration, MiniCPM-Embedding-Light weights are also available for free commercial use.

优先采用原作者提供的中文模型卡片;仅有英文说明时由闲社AI翻译整理。重要参数、许可证和商用范围请以原文为准。

你将获得什么

完整仓库方式包含该固定版本中的权重、配置、分词器及说明文件;指定版本方式只下载所选文件或整组分片。多模态模型的投影文件、配置等依赖,请按作者说明配齐。

完整仓库可能包含多个权重格式,因此需要的磁盘空间可能大于单一格式的模型大小。下载文件不等于完成模型部署。

使用前须知

运行环境

运行模型需要的设备、工具与依赖,以原作者说明为准。

授权范围

是否允许商用、修改和分发,请查看模型许可证。

闲社提供资料与镜像下载方法,不代表已运行模型或完成安全审计。下载的代码应先检查,再执行。

返回顶部