智源开放3亿条语义向量模型训练数据， BGE模型持续迭代更新

机器之心专栏

机器之心编辑部

伴随着大模型开发和应用的火热发展，作为大模型核心基础组件的 Embedding 重要性愈发凸显。智源于一月前发布的开源可商用中英文语义向量模型 BGE（BAAI General Embedding）在社区收获颇高关注度，Hugging Face 累计下载量达到数十万。当前，BGE 快速迭代推出 1.5 版本并公布多项更新，其中，BGE 首次开源 3 亿条大规模训练数据，帮助社区训练同类模型，推动该领域技术发展。

MTP数据集链接：https://data.baai.ac.cn/details/BAAI-MTP

BGE 模型链接：https://huggingface.co/BAAI

BGE 代码仓库：https://github.com/FlagOpen/FlagEmbedding

3 亿中英向量模型训练数据开放

业界语义向量模型训练数据首次开源，达 3 亿中英文数据。

BGE 的出色能力很大程度上源于其大规模、多样化的训练数据。此前，业界同行鲜有发布同类数据集。在本次更新中，智源首次将 BGE 的训练数据向社区予以开放，为推动此类技术进一步发展打下了基础。

此次发布的数据集 MTP 由总计 3 亿条中英文关联文本对构成；其中，中文记录达 1 亿条，英文数据达 2 亿条。数据收集自 Wudao Corpora、Pile、DuReader、Sentence Transformer 等语料，经过必要的采样、抽取、清洗获得。

详细细节请参考 Data Hub：https://data.baai.ac.cn

MTP 为迄今开源的最大规模中英文关联文本对数据集，为训练中英文语义向量模型提供重要基础。

响应开发者社区，BGE 功能升级

基于社区反馈，BGE 在其 1.0 的版本之上进行了进一步优化，其表现更加稳健、出色。具体升级如下：

模型更新。BGE-*-zh-v1.5 缓解了相似度分布问题，通过对训练数据进行过滤，删除低质量数据，提高训练时温度系数 temperature 至 0.02，使得相似度数值更加平稳 。

新增模型。开源 BGE-reranker 交叉编码器模型，可更加精准找到相关文本，支持中英双语。不同于向量模型需要输出向量，BGE-reranker 直接文本对输出相似度，排序准确度更高，可用于对向量召回结果的重新排序，提升最终结果的相关性。

新增功能。BGE1.1 增加难负样本挖掘脚本，难负样本可有效提升微调后检索的效果；在微调代码中增加在微调中增加指令的功能；模型保存也将自动转成 sentence transformer 格式，更方便模型加载。

值得一提的是，日前，智源联合 Hugging Face 发布了一篇技术报告，报告提出用 C-Pack 增强中文通用语义向量模型。

《C-Pack: Packaged Resources To Advance General Chinese Embedding》

链接：https://arxiv.org/pdf/2309.07597.pdf

在开发者社区收获高热度

BGE 发布自以来受到大模型开发者社区关注，目前 Hugging Face 累计下载量达到数十万，且已被 LangChain、LangChain-Chatchat、llama_index 等知名开源项目集成。

Langchain 官方、LangChain 联合创始人兼首席执行官 Harrison Chase、Deep trading 创始人 Yam Peleg 等社区大 V 对 BGE 表示关注。

坚持开源开放，促进协同创新，智源大模型技术开体系 FlagOpen BGE 新增 FlagEmbedding 新版块，聚焦于 Embedding 技术和模型，BGE 是其中明星开源项目之一。FlagOpen 致力于打造大模型时代的 AI 技术基础设施，未来将持续向学术界和产业界开源更为完整的大模型全栈技术。