智源开放3亿条语义向量模型训练数据，BGE模型持续进行迭代更新

随着大型模型的开发和应用火热发展，作为大型模型核心基础组件的Embedding的重要性变得越来越突出。智源公司在一个月前发布的开源可商用的中英文语义向量模型BGE（BAAI General Embedding）在社区中引起了广泛的关注，Hugging Face平台上的下载量已经达到了数十万次。目前，BGE已经快速迭代推出了1.5版本，并公布了多项更新。其中，BGE首次开源了三亿条大规模训练数据，为社区提供了训练类似模型的帮助，推动了该领域技术的发展

• MTP数据集链接：https://data.baai.ac.cn/details/BAAI-MTP
• BGE 模型链接：https://huggingface.co/BAAI
• BGE 代码仓库：https://www.php.cn/link/8944871f1c9865a77a3d9c92cadf124d

3 亿中英向量模型训练数据开放

首次开源的业界语义向量模型训练数据达到了3亿条中英文数据

BGE 的出色能力很大程度上源于其大规模、多样化的训练数据。此前，业界同行鲜有发布同类数据集。在本次更新中，智源首次将 BGE 的训练数据向社区予以开放，为推动此类技术进一步发展打下了基础。

此次发布的数据集 MTP 由总计 3 亿条中英文关联文本对构成。其中，中文记录达 1 亿条，英文数据达 2 亿条。数据的来源包括 Wudao Corpora、Pile、DuReader、Sentence Transformer 等语料。经过必要的采样、抽取和清洗后获得

详细细节请参考 Data Hub：https://data.baai.ac.cn

MTP 为迄今开源的最大规模中英文关联文本对数据集，为训练中英文语义向量模型提供重要基础。

响应开发者社区，BGE 功能升级

根据社区反馈，BGE 在其 1.0 版本的基础上进行了进一步优化，使其表现更加稳定和出色。具体的升级内容如下：

• 模型更新。BGE-*-zh-v1.5 缓解了相似度分布问题，通过对训练数据进行过滤，删除低质量数据，提高训练时温度系数 temperature 至 0.02，使得相似度数值更加平稳 。
• 新增模型。开源 BGE-reranker 交叉编码器模型，可更加精准找到相关文本，支持中英双语。不同于向量模型需要输出向量，BGE-reranker 直接文本对输出相似度，排序准确度更高，可用于对向量召回结果的重新排序，提升最终结果的相关性。
• 新增功能。BGE1.1 增加难负样本挖掘脚本，难负样本可有效提升微调后检索的效果；在微调代码中增加在微调中增加指令的功能；模型保存也将自动转成 sentence transformer 格式，更方便模型加载。

值得一提的是，日前，智源联合 Hugging Face 发布了一篇技术报告，报告提出用 C-Pack 增强中文通用语义向量模型。

《C-Pack: Packaged Resources To Advance General Chinese Embedding》

链接：https://arxiv.org/pdf/2309.07597.pdf

在开发者社区收获高热度

BGE 自发布以来受到了大型模型开发者社区的关注，目前 Hugging Face 的下载量已经达到了数十万次，并且已经被知名的开源项目 LangChain、LangChain-Chatchat、llama_index 等集成使用

Langchain 官方、LangChain 联合创始人兼首席执行官 Harrison Chase、Deep trading 创始人 Yam Peleg 等社区大 V 对 BGE 表示关注。

坚持开源开放，促进协同创新，智源大模型技术开体系 FlagOpen BGE 新增 FlagEmbedding 新版块，专注于 Embedding 技术和模型，BGE 是其中备受瞩目的开源项目之一。FlagOpen 致力于构建大模型时代的人工智能技术基础设施，未来将继续向学术界和产业界开放更完整的大模型全栈技术

以上是智源开放3亿条语义向量模型训练数据，BGE模型持续进行迭代更新的详细内容。更多信息请关注PHP中文网其他相关文章！