模型介绍
中文整理重排序模型
模型用途
重排序模型用于评估查询与文档之间的相关性。与嵌入模型不同，重排序模型直接接收查询和文档作为输入，输出相似度分数。该分数可通过sigmoid函数映射到0到1之间的浮点值。
主要能力
支持中英文及多语言场景。可根据不同需求选择轻量级模型或多层输出模型。部分模型支持层-wise输出，可灵活选择输出层以加速推理。
模型列表
bge-reranker-base：基于xlm-roberta-base，支持中英文，轻量级模型，易于部署，推理速度快。
bge-reranker-large：基于xlm-roberta-large，支持中英文，轻量级模型，易于部署，推理速度快。
bge-reranker-v2-m3：基于bge-m3，支持多语言，具备强大的多语言能力，轻量级模型，易于部署，推理速度快。
bge-reranker-v2-gemma：基于gemma-2b，支持多语言，在英语和多语言能力方面表现良好。
bge-reranker-v2-minicpm-layerwise：基于MiniCPM-2B-dpo-bf16，支持多语言，在英语和中文方面表现良好，支持8至40层输出，可自由选择输出层以加速推理。
模型选择建议
多语言场景：使用bge-reranker-v2-m3或bge-reranker-v2-gemma
中英文场景：使用bge-reranker-v2-m3或bge-reranker-v2-minicpm-layerwise
效率优先：使用bge-reranker-v2-m3或bge-reranker-v2-minicpm-layerwise的低层输出
性能优先：使用bge-reranker-v2-minicpm-layerwise或bge-reranker-v2-gemma
输入输出
输入：查询和文档对
输出：相关性分数，分数越高表示相关性越强，可通过sigmoid函数映射至0到1范围
运行要求
具体硬件要求视模型规模而定。轻量级模型易于部署，推理速度快。层-wise模型可根据资源情况选择不同层进行输出。
基本用法
可通过FlagEmbedding库或Huggingface transformers库调用模型获取相关性分数。
微调
训练数据格式为JSON文件，每行包含一个字典，需提供查询、正面文本列表和负面文本列表。如无负面文本，可从语料库中随机采样。微调初始化权重来源于google/gemma-2b和openbmb/MiniCPM-2B-dpo-bf16，训练数据混合了多语言数据集。
评估
模型在多个基准数据集上进行了评估，包括英文检索基准BEIR、多语言检索基准miracl以及中文检索基准CMTEB-retrieval。评估方式为对bge-en-v1.5 large、e5 mistral 7b instruct、bge-zh-v1.5 large和bge-m3的Top 100检索结果进行重排序。
限制
具体限制信息未在原文中提供。
许可证
具体许可证信息未在原文卡片中明确列出。
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
运行模型需要的设备、工具与依赖，以原作者说明为准。
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。
资料或下载有问题？
登录后可提交反馈。