Révolutionner les Embeddings de Textes Bilingues grâce à l'Apprentissage Contrastif Multi-Tâches

Dans notre récent article, Multi-Task Contrastive Learning for 8192-Token Bilingual Text Embeddings, nous avons détaillé le développement de nos modèles d'embeddings textuels bilingues allemand-anglais et espagnol-anglais.

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.

Notre approche utilise l'apprentissage contrastif multi-tâches et un pipeline avancé de conservation des données, en se concentrant sur les capacités bilingues tout en étendant la prise en charge jusqu'à 8192 tokens. Cette méthode permet à nos modèles d'exceller dans la compréhension des langues cibles et dans la réalisation efficace d'évaluations interlingues.

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

En plus des modèles bilingues présentés dans l'article, nous avons également développé des modèles bilingues chinois-anglais et monolingues anglais. Ces ajouts démontrent notre engagement à couvrir un large spectre de besoins linguistiques et à faire progresser nos capacités en traitement du langage.

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.

Nos modèles bilingues se caractérisent par leur efficacité, fonctionnant avec des tailles de vocabulaire optimisées pour nécessiter moins de paramètres et de mémoire. Cette efficacité souligne notre engagement à créer des outils de traitement du langage à la fois puissants et économes en ressources.

Suite à la publication de notre article, nous avons étendu le Massive Text Embedding Benchmark (MTEB) pour inclure des benchmarks pour nos modèles d'embeddings anglais-allemand et anglais-espagnol. Cette expansion s'inscrit dans notre effort pour stimuler la recherche et les avancées dans les technologies d'embeddings textuels pour les langues non anglaises.

Chez Jina AI, notre objectif est d'améliorer le traitement et la compréhension de multiples langues, en contribuant au domaine du NLP avec nos développements de modèles d'embeddings textuels bilingues et monolingues.