Rivoluzionare gli Embedding di Testi Bilingue con l'Apprendimento Contrastivo Multi-Task

Nel nostro recente articolo, Multi-Task Contrastive Learning for 8192-Token Bilingual Text Embeddings, abbiamo dettagliato lo sviluppo dei nostri modelli di embedding di testo bilingue tedesco-inglese e spagnolo-inglese.

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.

Il nostro approccio utilizza l'apprendimento contrastivo multi-task e una pipeline avanzata di curazione dei dati, concentrandosi sulle capacità bilingue e estendendosi fino a supportare 8192 token in lunghezza. Questo metodo permette ai nostri modelli di eccellere nella comprensione delle lingue target e nell'esecuzione efficiente di valutazioni cross-linguistiche.

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

Oltre ai modelli bilingue trattati nell'articolo, abbiamo anche sviluppato modelli bilingue cinese-inglese e monolingue inglese. Queste aggiunte dimostrano il nostro impegno nel coprire un ampio spettro di esigenze linguistiche e nel potenziare le nostre capacità nell'elaborazione del linguaggio.

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.

I nostri modelli bilingue si caratterizzano per la loro efficienza, operando con dimensioni di vocabolario ottimizzate per richiedere meno parametri e meno memoria. Questa efficienza sottolinea la nostra dedizione nel creare strumenti potenti ma efficienti in termini di risorse per l'elaborazione del linguaggio.

Dopo la pubblicazione del nostro articolo, abbiamo espanso il Massive Text Embedding Benchmark (MTEB) per includere benchmark per i nostri modelli di embedding inglese-tedesco e inglese-spagnolo. Questa espansione fa parte del nostro sforzo per stimolare ulteriori ricerche e progressi nelle tecnologie di text embedding per le lingue non inglesi.

In Jina AI, il nostro obiettivo è migliorare l'elaborazione e la comprensione di più lingue, contribuendo al campo del NLP con i nostri sviluppi nei modelli di text embedding bilingue e monolingue.