Revolucionando los Embeddings de Texto Bilingüe con Aprendizaje Contrastivo Multi-Tarea

En nuestro reciente artículo, Multi-Task Contrastive Learning for 8192-Token Bilingual Text Embeddings, detallamos nuestro desarrollo de modelos de embedding de texto bilingües alemán-inglés y español-inglés.

Multi-Task Contrastive Learning for 8192-Token Bilingual Text Embeddings

We introduce a novel suite of state-of-the-art bilingual text embedding models that are designed to support English and another target language. These models are capable of processing lengthy text inputs with up to 8192 tokens, making them highly versatile for a range of natural language processing tasks such as text retrieval, clustering, and semantic textual similarity (STS) calculations. By focusing on bilingual models and introducing a unique multi-task learning objective, we have significantly improved the model performance on STS tasks, which outperforms the capabilities of existing multilingual models in both target language understanding and cross-lingual evaluation tasks. Moreover, our bilingual models are more efficient, requiring fewer parameters and less memory due to their smaller vocabulary needs. Furthermore, we have expanded the Massive Text Embedding Benchmark (MTEB) to include benchmarks for German and Spanish embedding models. This integration aims to stimulate further research and advancement in text embedding technologies for these languages.

arXiv.orgIsabelle Mohr

Embedding API

Start with 1M free tokens. Top-performing, 8192 context length bilingual embeddings for your search and RAG systems.

Nuestro enfoque utiliza aprendizaje contrastivo multitarea y un avanzado pipeline de curación de datos, centrándose en capacidades bilingües mientras se extiende para admitir 8192 tokens de longitud. Este método permite que nuestros modelos sobresalgan en la comprensión de los idiomas objetivo y en la realización de evaluaciones multilingües de manera eficiente.

Aquí Se Habla Español: Top-Quality Spanish-English Embeddings and 8k Context

Jina AI's new bilingual Spanish-English embedding model brings the state-of-the-art in AI to half a billion Spanish speakers.

GitHub

Ich bin ein Berliner: German-English Bilingual Embeddings with 8K Token Length

Jina AI introduces a German/English bilingual embedding model, featuring an extensive 8,192-token length, specifically designed to support German businesses thriving in the U.S. market.

GitHub

Además de los modelos bilingües cubiertos en el artículo, también hemos desarrollado modelos bilingües chino-inglés y monolingües en inglés. Estas adiciones demuestran nuestro compromiso de cubrir un amplio espectro de necesidades lingüísticas y ampliar nuestras capacidades en el procesamiento del lenguaje.

8K Token-Length Bilingual Embeddings Break Language Barriers in Chinese and English

The first bilingual Chinese-English embedding model with 8192 token-length.

Discord

Jina AI Launches World's First Open-Source 8K Text Embedding, Rivaling OpenAI

Jina AI introduces jina-embeddings-v2, the world's first open-source model boasting an 8K context length. Matching the prowess of OpenAI's proprietary models, this innovation is now publicly accessible on Huggingface, signaling a significant milestone in the landscape of text embeddings.

Nuestros modelos bilingües se caracterizan por su eficiencia, operando con tamaños de vocabulario optimizados para requerir menos parámetros y menos memoria. Esta eficiencia subraya nuestra dedicación a crear herramientas potentes pero eficientes en recursos para el procesamiento del lenguaje.

Tras la publicación de nuestro artículo, expandimos el Massive Text Embedding Benchmark (MTEB) para incluir benchmarks para nuestros modelos de embedding inglés-alemán e inglés-español. Esta expansión es parte de nuestro esfuerzo por estimular más investigación y avances en tecnologías de embedding de texto para idiomas distintos al inglés.

En Jina AI, nuestro objetivo es mejorar el procesamiento y la comprensión de múltiples idiomas, contribuyendo al campo del NLP con nuestros desarrollos en modelos de embedding de texto bilingües y monolingües.