BAAI / bge-reranker-base
Milvus Integrated
Compito: Reranking
Modalità: Testo
Metrica di Similarità: N/D
Licenza: Apache 2.0
Dimensioni:
Token di Input Massimi: 512
Prezzo: Gratuito
Introduzione a bge-reranker-base
bge-reranker-base è un modello cross-encoder ottimizzato per i compiti di reranking. Costruito sulle fondamenta dell'architettura RetroMAE, cattura efficacemente le relazioni semantiche all'interno dei dati testuali, consentendo una classificazione più accurata e pertinente dei risultati di ricerca. Questo modello genera embeddings a 768 dimensioni ed è ottimizzato per il reranking dei risultati considerando sia il contenuto della query che quello del documento, rendendolo molto adatto ad applicazioni come i motori di ricerca, la risposta alle domande e il reperimento di documenti. Si consiglia di utilizzarli e di perfezionarli per riordinare i documenti top-k restituiti dai modelli di embedding.
Per ulteriori informazioni sul reranking e sui reranker, leggere i seguenti blog.
- Cosa sono i reranker e come migliorano l'Information Retrieval
- Ottimizzazione della RAG con i reranker: ruolo e compromessi
Come riordinare i risultati con bge-reranker-base
Esistono due modi principali per utilizzare il modello bge-reranker-base per riordinare i risultati:
- PyMilvus: l'SDK Python per Milvus che si integra perfettamente con il modello
bge-reranker-base. - FlagEmbedding: l'SDK Python ufficiale offerto da BAAI.
Risultati del reranking con bge-reranker-base tramite PyMilvus
da pymilvus.model.reranker import BGERerankFunction
rf = BGERerankFunction(
model_name="BAAI/bge-reranker-base",
device="cpu"
)
query = "Quale evento del 1956 ha segnato la nascita ufficiale dell'intelligenza artificiale come disciplina?".
documenti = [
"Nel 1950, Alan Turing pubblicò il suo articolo fondamentale, 'Computing Machinery and Intelligence', proponendo il Test di Turing come criterio di intelligenza, un concetto fondamentale nella filosofia e nello sviluppo dell'intelligenza artificiale.",
"La conferenza di Dartmouth del 1956 è considerata il luogo di nascita dell'intelligenza artificiale come campo; qui John McCarthy e altri coniarono il termine 'intelligenza artificiale' e ne definirono gli obiettivi fondamentali",
"Nel 1951, il matematico e informatico britannico Alan Turing sviluppò anche il primo programma progettato per giocare a scacchi, dimostrando un primo esempio di IA nella strategia di gioco",
"L'invenzione del Logic Theorist da parte di Allen Newell, Herbert A. Simon e Cliff Shaw nel 1955 segnò la creazione del primo vero programma di IA, in grado di risolvere problemi logici, simili alla dimostrazione di teoremi matematici".
]
risultati = rf(
query=query,
documenti=documenti,
top_k=3,
)
Per ulteriori informazioni, consultare la Documentazione di PyMilvus.
Risultati del reranking con bge-reranker-basevia FlagEmbedding Python SDK
da FlagEmbedding import FlagReranker
reranker = FlagReranker('BAAI/bge-reranker-base', use_fp16=True)
query = "Quale evento del 1956 ha segnato la nascita ufficiale dell'intelligenza artificiale come disciplina?".
documenti = [
"Nel 1950, Alan Turing pubblicò il suo articolo fondamentale, 'Computing Machinery and Intelligence', proponendo il Test di Turing come criterio di intelligenza, un concetto fondamentale nella filosofia e nello sviluppo dell'intelligenza artificiale",
"La conferenza di Dartmouth del 1956 è considerata il luogo di nascita dell'intelligenza artificiale come campo; qui John McCarthy e altri coniarono il termine 'intelligenza artificiale' e ne definirono gli obiettivi fondamentali",
"Nel 1951, il matematico e informatico britannico Alan Turing sviluppò anche il primo programma progettato per giocare a scacchi, dimostrando un primo esempio di IA nella strategia di gioco",
"L'invenzione del Logic Theorist da parte di Allen Newell, Herbert A. Simon e Cliff Shaw nel 1955 segnò la creazione del primo vero programma di IA, in grado di risolvere problemi logici, simili alla dimostrazione di teoremi matematici".
]
results = reranker.compute_score([[query, document] for document in documents])
Flussi di lavoro AI senza interruzioni
Dalle embedding alla ricerca AI scalabile—Zilliz Cloud ti consente di memorizzare, indicizzare e recuperare embedding con velocità e efficienza senza pari.
Prova Zilliz Cloud gratuitamente
