BAAI / bge-reranker-base
Milvus Integrated
Tarefa: Reranking
Modalidade: Texto
Métrica de Similaridade: N/A
Licença: Apache 2.0
Dimensões:
Tokens Máximos de Entrada: 512
Preço: Grátis
Introdução ao bge-reranker-base
O bge-reranker-base é um modelo de codificador cruzado optimizado para tarefas de reranking. Construído sobre a base da arquitetura RetroMAE, captura eficazmente relações semânticas dentro de dados textuais, permitindo classificações de resultados de pesquisa mais precisas e relevantes. Este modelo gera 768 embeddings dimensionais e é ajustado para classificar resultados considerando tanto a consulta como o conteúdo do documento, tornando-o altamente adequado para aplicações como motores de busca, resposta a perguntas e recuperação de documentos. Recomendamos a sua utilização/afinação para classificar novamente os documentos top-k devolvidos pelos modelos de incorporação.
Para obter mais informações sobre reranking e rerankers, leia os blogues abaixo.
- O que são rerankers e como melhoram a recuperação de informação
- Otimização de RAG com Rerankers: O papel e os compromissos
Como classificar novamente os resultados com bge-reranker-base
Existem duas maneiras principais de usar o modelo bge-reranker-base para re-classificar os seus resultados:
- PyMilvus: o SDK Python para Milvus que se integra perfeitamente com o modelo
bge-reranker-base. - FlagEmbedding: o SDK Python oficial oferecido pela BAAI.
Resultados do re-ranking com o bge-reranker-base via PyMilvus
from pymilvus.model.reranker import BGERerankFunction
rf = BGERerankFunction(
nome_do_modelo="BAAI/bge-reranker-base",
device="cpu"
)
query = "Que evento em 1956 marcou o nascimento oficial da inteligência artificial como disciplina?"
documents = [
"Em 1950, Alan Turing publicou o seu artigo seminal, 'Computing Machinery and Intelligence', propondo o Teste de Turing como critério de inteligência, um conceito fundamental na filosofia e no desenvolvimento da inteligência artificial",
"A Conferência de Dartmouth, em 1956, é considerada o berço da inteligência artificial como campo; aqui, John McCarthy e outros cunharam o termo 'inteligência artificial' e definiram os seus objectivos básicos.",
"Em 1951, o matemático e informático britânico Alan Turing também desenvolveu o primeiro programa concebido para jogar xadrez, demonstrando um exemplo precoce de IA na estratégia de jogo",
"A invenção do Logic Theorist por Allen Newell, Herbert A. Simon e Cliff Shaw, em 1955, marcou a criação do primeiro verdadeiro programa de IA, capaz de resolver problemas de lógica, semelhante à prova de teoremas matemáticos."
]
resultados = rf(
query=query,
documents=documents,
top_k=3,
)
Para mais informações, consulte a PyMilvus Documentation.
Re-ranking de resultados com bge-reranker-basevia FlagEmbedding Python SDK
from FlagEmbedding import FlagReranker
reranker = FlagReranker('BAAI/bge-reranker-base', use_fp16=True)
query = "Que evento em 1956 marcou o nascimento oficial da inteligência artificial como disciplina?"
documents = [
"Em 1950, Alan Turing publicou o seu artigo seminal, 'Computing Machinery and Intelligence', propondo o Teste de Turing como critério de inteligência, um conceito fundamental na filosofia e no desenvolvimento da inteligência artificial",
"A Conferência de Dartmouth, em 1956, é considerada o berço da inteligência artificial como campo; aqui, John McCarthy e outros cunharam o termo 'inteligência artificial' e definiram os seus objectivos básicos.",
"Em 1951, o matemático e informático britânico Alan Turing também desenvolveu o primeiro programa concebido para jogar xadrez, demonstrando um exemplo precoce de IA na estratégia de jogo",
"A invenção do Logic Theorist por Allen Newell, Herbert A. Simon e Cliff Shaw em 1955 marcou a criação do primeiro verdadeiro programa de IA, capaz de resolver problemas lógicos, semelhante à prova de teoremas matemáticos."
]
resultados = reranker.compute_score([[consulta, documento] for documento in documentos])
- Introdução ao bge-reranker-base
- Como classificar novamente os resultados com bge-reranker-base
Conteúdo
Fluxos de trabalho de IA sem interrupções
De embeddings a busca escalável de IA—Zilliz Cloud permite armazenar, indexar e recuperar embeddings com velocidade e eficiência incomparáveis.
Experimente o Zilliz Cloud grátis
