Agent.ai.vn: NV-Embed

Hiển thị các bài đăng có nhãn NV-Embed. Hiển thị tất cả bài đăng

NV-Embed: Mô hình nhúng hiệu quả cao không cần dữ liệu độc quyền

<h2>NV-Embed: Mô hình nhúng hiệu quả cao không cần dữ liệu độc quyền</h2>

<h3>Mục lục</h3>
<ol>
  <li>Giới thiệu về NV-Embed</li>
  <li>Những cải tiến đột phá trong NV-Embed</li>
  <li>Kết quả ấn tượng</li>
  <li>Ứng dụng và tương lai của NV-Embed</li>
</ol>

<h3>1. Giới thiệu về NV-Embed</h3>
<p>NVIDIA đã giới thiệu NV-Embed, một mô hình nhúng đa năng mang lại hiệu suất vượt trội trong các tác vụ nhúng và thu hồi thông tin. Khác biệt với các phương pháp hàng đầu trước đây phụ thuộc vào dữ liệu tổng hợp độc quyền từ GPT-4, NV-Embed được huấn luyện hoàn toàn trên dữ liệu công khai. Điều này giúp cho mô hình dễ dàng tái tạo và có thể được sử dụng rộng rãi trong cộng đồng nghiên cứu.</p>

<h3>2. Những cải tiến đột phá trong NV-Embed</h3>
<ul>
  <li><strong>Lớp chú ý tiềm ẩn:</strong> NV-Embed sử dụng một lớp chú ý tiềm ẩn mới để kết hợp các nhúng từ chuỗi token, giúp nâng cao độ chính xác trong các tác vụ thu hồi và xử lý thông tin. Phương pháp này vượt trội so với các phương pháp phổ biến như kết hợp trung bình hoặc nhúng token cuối cùng.</li>
  <li><strong>Loại bỏ mặt nạ chú ý:</strong> Nhóm nghiên cứu loại bỏ mặt nạ chú ý nguyên nhân trong quá trình huấn luyện tương phản của các mô hình ngôn ngữ giải mã, dẫn đến hiệu suất cao hơn và đơn giản hóa quá trình huấn luyện.</li>
  <li><strong>Huấn luyện hướng dẫn tương phản hai giai đoạn:</strong> NV-Embed được huấn luyện theo phương pháp hướng dẫn tương phản hai giai đoạn, sử dụng dữ liệu thu hồi và dữ liệu phi thu hồi để tối ưu hóa hiệu suất cho các tác vụ đa dạng.</li>
</ul>

<h3>3. Kết quả ấn tượng</h3>
<p>NV-Embed đạt điểm số cao kỷ lục 69.32 trên chuẩn mực đánh giá MTEB (Massive Text Embedding Benchmark), vượt trội so với các mô hình nhúng hàng đầu khác như E5-mistral-7b-instruct, SFREmbedding và Voyage-large-2-instruct. Mô hình cũng đạt điểm số cao nhất trong các tác vụ thu hồi, thể hiện hiệu quả vượt trội.</p>

<h3>4. Ứng dụng và tương lai của NV-Embed</h3>
<p>NV-Embed có tiềm năng ứng dụng rộng rãi trong nhiều lĩnh vực, từ tìm kiếm thông tin đến phân loại văn bản, phân cụm và đo lường sự tương đồng ngữ nghĩa. Nhóm nghiên cứu đang tiếp tục cải thiện mô hình và khám phá các ứng dụng mới trong tương lai.</p>

<p>Mã nguồn của NV-Embed có sẵn trên Hugging Face và bài báo chi tiết về mô hình có thể được tìm thấy trên arXiv.</p>

NV-Embed: Mô hình nhúng hiệu quả cao không cần dữ liệu độc quyền

NV-Embed: Mô hình nhúng hiệu quả cao không cần dữ liệu độc quyền Mục lục Giới thiệu về NV-Embed Những cải tiến đột phá trong NV-Em...

tháng 6 17, 2024

NV-Embed-v1: Nâng tầm hiệu suất cho các mô hình ngôn ngữ lớn

<html lang='vi'>
<head>
  <meta charset='UTF-8'>
  <meta name='viewport' content='width=device-width, initial-scale=1.0'>
  <title>NV-Embed-v1: Nâng tầm hiệu suất cho các mô hình ngôn ngữ lớn</title>
  <style>
    body {
      font-family: sans-serif;
      margin: 0;
      padding: 20px;
    }

h1, h2, h3, h4, h5, h6 {
      margin-top: 2em;
    }

h2 {
      font-size: 2em;
    }

ul {
      list-style: disc;
      margin-left: 2em;
    }

li {
      margin-bottom: 0.5em;
    }

img {
      display: block;
      margin: 2em auto;
      max-width: 100%;
    }

.footer {
      text-align: center;
      margin-top: 2em;
      font-size: 0.8em;
    }
  </style>
</head>
<body>
  <h1>NV-Embed-v1: Nâng tầm hiệu suất cho các mô hình ngôn ngữ lớn</h1>

<h2>Mục lục</h2>
  <ul>
    <li>1. Tổng quan về mô hình</li>
    <li>2. Đầu vào và đầu ra</li>
    <li>3. Khả năng</li>
    <li>4. Ứng dụng</li>
    <li>5. Những thử nghiệm nên thực hiện</li>
    <li>6. Mô hình liên quan</li>
  </ul>

<h2>1. Tổng quan về mô hình</h2>
  <p>NV-Embed-v1 là một mô hình nhúng linh hoạt do NVIDIA phát triển. Mục tiêu của mô hình là nâng cao hiệu suất của các mô hình ngôn ngữ lớn (LLMs) bằng cách giới thiệu nhiều kiến trúc và quy trình đào tạo đa dạng. Mô hình này có thể hữu ích như một mô hình văn bản-văn bản, cung cấp một cách để tạo ra các nhúng cho nhiều nhiệm vụ dựa trên văn bản.</p>

<h2>2. Đầu vào và đầu ra</h2>
  <p>NV-Embed-v1 nhận văn bản làm đầu vào và tạo ra các nhúng làm đầu ra. Các nhúng này sau đó có thể được sử dụng cho nhiều nhiệm vụ dựa trên văn bản, chẳng hạn như phân loại văn bản, tìm kiếm ngữ nghĩa và mô hình hóa ngôn ngữ.</p>
  <ul>
    <li><strong>Đầu vào:</strong> Dữ liệu văn bản ở nhiều định dạng, chẳng hạn như câu, đoạn văn hoặc tài liệu.</li>
    <li><strong>Đầu ra:</strong> Các nhúng số đại diện cho văn bản đầu vào trong không gian vector nhiều chiều.</li>
  </ul>

<h2>3. Khả năng</h2>
  <p>NV-Embed-v1 được thiết kế để trở thành một mô hình nhúng linh hoạt có thể nâng cao hiệu suất của LLMs. Bằng cách sử dụng nhiều kiến trúc và quy trình đào tạo, mô hình nhằm mục đích tạo ra các nhúng chất lượng cao có thể được sử dụng trong nhiều ứng dụng.</p>

<h2>4. Ứng dụng</h2>
  <p>NV-Embed-v1 có thể được sử dụng cho nhiều nhiệm vụ dựa trên văn bản, chẳng hạn như:</p>
  <ul>
    <li><strong>Phân loại văn bản:</strong> Sử dụng các nhúng được tạo bởi mô hình để phân loại văn bản thành các danh mục khác nhau.</li>
    <li><strong>Tìm kiếm ngữ nghĩa:</strong> Sử dụng các nhúng để tìm các tài liệu hoặc đoạn văn tương tự dựa trên nội dung ngữ nghĩa của chúng.</li>
    <li><strong>Mô hình hóa ngôn ngữ:</strong> Sử dụng các nhúng làm đầu vào cho các mô hình ngôn ngữ khác để cải thiện hiệu suất của chúng.</li>
  </ul>
  <p>Bạn cũng có thể khám phá các cách để kiếm tiền từ mô hình NV-Embed-v1 bằng cách tích hợp nó vào các sản phẩm hoặc dịch vụ yêu cầu khả năng AI dựa trên văn bản.</p>

<h2>5. Những thử nghiệm nên thực hiện</h2>
  <p>Dưới đây là một số ý tưởng về những thứ nên thử nghiệm với mô hình NV-Embed-v1:</p>
  <ul>
    <li>Thử nghiệm với các định dạng đầu vào và kỹ thuật tiền xử lý văn bản khác nhau để xem chúng ảnh hưởng như thế nào đến chất lượng của các nhúng được tạo ra.</li>
    <li>Đánh giá hiệu suất của mô hình trên các nhiệm vụ dựa trên văn bản cụ thể, chẳng hạn như phân loại văn bản hoặc tìm kiếm ngữ nghĩa, và so sánh nó với các mô hình nhúng khác.</li>
    <li>Khám phá cách mô hình NV-Embed-v1 có thể được điều chỉnh tinh vi hoặc kết hợp với các mô hình khác để cải thiện hiệu suất của nó đối với các trường hợp sử dụng cụ thể.</li>
  </ul>

<h2>6. Mô hình liên quan</h2>
  <ul>
    <li><strong>Embeddings:</strong> Mô hình văn bản-văn bản AI tạo ra các biểu diễn vector của đầu vào văn bản.</li>
    <li><strong>Llama-2-7b-embeddings, Llama-2-13b-embeddings:</strong> Các mô hình nhúng văn bản được đào tạo trên các tập dữ liệu lớn.</li>
    <li><strong>Stable Diffusion:</strong> Một mô hình khuếch tán văn bản-ảnh tiềm ẩn có thể tạo ra các hình ảnh chân thực từ bất kỳ đầu vào văn bản nào.</li>
    <li><strong>EasyNegative:</strong> Một mô hình AI được phát triển để tạo ra hình ảnh từ lời nhắc văn bản.</li>
  </ul>

<div class='footer'>
    Lưu ý: Bản tóm tắt này được tạo ra với sự trợ giúp của AI và có thể chứa thông tin không chính xác. Vui lòng xem các liên kết để đọc các tài liệu nguồn gốc!
  </div>
</body>
</html>

NV-Embed-v1: Nâng tầm hiệu suất cho các mô hình ngôn ngữ lớn

NV-Embed-v1: Nâng tầm hiệu suất cho các mô hình ngôn ngữ lớn NV-Embed-v1: Nâng tầm hiệu suất cho các mô hình ngôn ngữ lớ...

tháng 6 17, 2024

NV-Embed-V1: Mở Rộng Khả Năng Hiểu Biết Ngôn Ngữ Của Máy

<h2>NV-Embed-V1: Mở Rộng Khả Năng Hiểu Biết Ngôn Ngữ Của Máy</h2>
<h3>Mục lục:</h3>
<ol>
  <li><strong>Giới thiệu về Text Embeddings</strong></li>
  <li><strong>NV-Embed-V1: Nâng Cao Hiệu Năng với Tìm Kiếm Vector</strong></li>
  <li><strong>Tìm Kiếm Vector và Vai Trò Quan Trọng</strong></li>
  <li><strong>Cách Mạng Hóa Hệ Thống RAG</strong></li>
  <li><strong>Đánh Giá Hiệu Năng của NV-Embed-V1</strong></li>
  <li><strong>Thử Nghiệm NV-Embed-V1: Câu Hỏi về Sherlock Holmes</strong></li>
  <li><strong>Yêu Cầu VRAM</strong></li>
  <li><strong>Nỗ Lực Quantization</strong></li>
  <li><strong>Tác Động Đến Người Dùng</strong></li>
  <li><strong>Kết Luận</strong></li>
</ol>
<h4>1. Giới thiệu về Text Embeddings</h4>
<p>Text embeddings là công cụ mạnh mẽ trong xử lý ngôn ngữ tự nhiên, được sử dụng để chuyển đổi các từ, câu hoặc đoạn văn thành các vector số. Phương pháp này giúp máy móc hiểu ngôn ngữ giống như con người, mở ra nhiều khả năng trong các lĩnh vực khác nhau.</p>
<p>Text embeddings nắm bắt ý nghĩa cốt lõi của dữ liệu văn bản, cho phép máy tính xử lý các nhiệm vụ phức tạp một cách chính xác và hiệu quả. Những nhiệm vụ này bao gồm các chức năng như tìm kiếm ngữ nghĩa, dịch ngôn ngữ và khám phá nội dung bằng cách trích xuất ý nghĩa tiềm ẩn từ dữ liệu văn bản.</p>
<h4>2. NV-Embed-V1: Nâng Cao Hiệu Năng với Tìm Kiếm Vector</h4>
<p>NV-Embed-v1, được phát triển bởi NVIDIA, sử dụng kiến trúc mô hình ngôn ngữ lớn chỉ có bộ giải mã, được chứng minh là vượt trội hơn các mô hình trước đó như BERT hoặc T5 trong các nhiệm vụ nhúng văn bản. Mô hình này sử dụng một lớp chú ý tiềm ẩn mới để đạt được các nhúng chính xác và có ý nghĩa hơn. Lớp chú ý tiềm ẩn cho phép NV-Embed-v1 hợp nhất các nhúng trên một chuỗi các token hiệu quả, từ đó nâng cao cả độ chính xác của việc truy xuất và các nhiệm vụ hạ nguồn.</p>
<h4>3. Tìm Kiếm Vector và Vai Trò Quan Trọng</h4>
<p>Tìm kiếm vector, là một phần không thể thiếu trong chức năng của NV-Embed-v1, liên quan đến việc truy vấn và truy xuất thông tin từ cơ sở dữ liệu bằng cách so sánh các vector thay vì văn bản. Cách tiếp cận này hiệu quả và chính xác hơn nhiều trong việc xử lý các tập dữ liệu lớn, nơi việc truy xuất dựa trên văn bản truyền thống có thể gặp khó khăn. Khả năng nhúng nâng cao của NV-Embed-v1 làm cho nó trở nên lý tưởng cho các ứng dụng đòi hỏi độ chính xác và tốc độ cao trong việc truy xuất thông tin, chẳng hạn như trong các công cụ tìm kiếm và hệ thống đề xuất.</p>
<h4>4. Cách Mạng Hóa Hệ Thống RAG</h4>
<p>Hệ thống RAG (Retrieval-Augmented Generation) kết hợp việc truy xuất nội dung thông tin với các mô hình tạo để tạo ra các phản hồi dựa trên dữ liệu bên ngoài. Chất lượng nhúng vượt trội của NV-Embed-v1 cải thiện đáng kể độ chính xác của nội dung đã truy xuất, từ đó nâng cao hiệu suất tổng thể của các hệ thống RAG. Với NV-Embed-v1, các nhà phát triển có thể xây dựng các hệ thống RAG không chỉ truy xuất thông tin liên quan chính xác hơn mà còn tạo ra các phản hồi phù hợp với ngữ cảnh và sâu sắc hơn.</p>
<h4>5. Đánh Giá Hiệu Năng của NV-Embed-V1</h4>
<p>NV-Embed-v1 đã thể hiện hiệu suất vượt trội trên nhiều điểm chuẩn nhúng văn bản, thiết lập kỷ lục mới và vượt trội hơn các mô hình trước đó.</p>
<h4>6. Thử Nghiệm NV-Embed-V1: Câu Hỏi về Sherlock Holmes</h4>
<p>Cơ hội thử nghiệm NV-Embed-v1 của NVIDIA trực tiếp đã mang lại những hiểu biết có giá trị về ứng dụng thực tế và hiệu quả của mô hình. Bắt đầu bằng việc thử nghiệm mô hình bằng cách sử dụng mã Python ví dụ được cung cấp trên trang Hugging Face của mô hình. Tập dữ liệu bao gồm 100 đoạn văn về thám tử Sherlock Holmes. Thực hiện thử nghiệm này để đánh giá mức độ mô hình có thể truy xuất thông tin và cung cấp câu trả lời chính xác trong một lĩnh vực cụ thể.</p>
<h4>7. Yêu Cầu VRAM</h4>
<p>NV-Embed-v1 không phải là một món đồ chơi, và việc triển khai của nó yêu cầu phần cứng khá mạnh. Thử nghiệm cho thấy mô hình cần khoảng 40GB VRAM để chạy mà không gặp phải lỗi torch.cuda.OutOfMemoryError: Lỗi bộ nhớ CUDA. Hệ thống 24GB VRAM gần như đủ để tải mô hình, nhưng chắc chắn là không đủ để thực sự sử dụng nó. Tuy nhiên, đừng để điều này ngăn cản bạn thử nghiệm, hãy thuê một vài A100 trong buổi chiều để chạy nó qua các bước của nó.</p>
<h4>8. Nỗ Lực Quantization</h4>
<p>Trong nỗ lực giảm kích thước của mô hình và làm cho nó dễ quản lý hơn cho việc triển khai, đã thử nghiệm quantize NV-Embed-v1 thành một mô hình ONNX.</p>
<p>Quantization là một quy trình có thể giúp nén mô hình mà không ảnh hưởng đáng kể đến hiệu suất của nó bằng cách giảm độ chính xác của dữ liệu số. Tuy nhiên, nỗ lực này không thành công.</p>
<h4>9. Tác Động Đến Người Dùng</h4>
<p>Những thách thức này làm nổi bật một khía cạnh quan trọng của việc sử dụng các mô hình AI tiên tiến: yêu cầu về tài nguyên tính toán đáng kể và các vấn đề về khả năng tương thích công cụ tiềm ẩn. Đối với những người quan tâm đến NV-Embed-v1, đặc biệt là những người có quyền truy cập hạn chế vào phần cứng cao cấp, điều quan trọng là phải tính đến những khía cạnh này trong quá trình lập kế hoạch và thực hiện dự án.</p>
<h4>10. Kết Luận</h4>
<p>NV-Embed-v1 của NVIDIA thiết lập một điểm chuẩn mới trong lĩnh vực nhúng văn bản với kiến trúc và phương pháp đào tạo tiên tiến. Sự ra mắt của nó là một sự phát triển đầy hứa hẹn cho các ứng dụng NLP, đặc biệt là trong việc nâng cao khả năng và độ chính xác của các hệ thống RAG. Khi công nghệ này trở nên dễ sử dụng hơn, nó sẽ dẫn đến tiến bộ lớn trong cách máy móc nắm bắt và giao tiếp bằng ngôn ngữ con người. Điều này sẽ mở ra những khả năng tự động hóa mới và những hiểu biết về AI trong các lĩnh vực khác nhau.</p>
<img alt="Logo" src="https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEjrwz9PG3ltGG7b-dJ4KGk3s069Qm95v6sNrat4kvH0lfkQfaNlJaH9zwxr8dpplA6PuIRfSF37QHQNHMbLPv5L3qtUcPF13MFopQhf4DEsNlGlpTRWPCJiFKQyLn2U7FALiR1Y7Qmn9RnrPu9YeuJv2Cne8sMo84Yjl2ukMgJqXbUu4C7coTJ44-0vNsBY/s16000/logo-new.jpg">

NV-Embed-V1: Mở Rộng Khả Năng Hiểu Biết Ngôn Ngữ Của Máy

NV-Embed-V1: Mở Rộng Khả Năng Hiểu Biết Ngôn Ngữ Của Máy Mục lục: Giới thiệu về Text Embeddings NV-Embed-V1: Nâng Cao Hiệu Năng với...

tháng 6 17, 2024

NVIDIA NV-Embed: Mô hình nhúng văn bản hàng đầu trên bảng xếp hạng MTEB

<h2>NVIDIA NV-Embed: Mô hình nhúng văn bản hàng đầu trên bảng xếp hạng MTEB</h2>
<h3>Mục lục</h3>
<ol>
  <li>NV-Embed: Mô hình nhúng văn bản mạnh mẽ</li>
  <li>Hiểu rõ các tiêu chuẩn đánh giá mô hình nhúng</li>
  <li>MTEB và BEIR: Tiêu chuẩn đánh giá cho các ứng dụng thu thập thông tin</li>
  <li>Hiệu suất vượt trội của NV-Embed</li>
  <li>Ứng dụng thực tế của NV-Embed</li>
  <li>Bắt đầu sử dụng NV-Embed</li>
</ol>
<h3>1. NV-Embed: Mô hình nhúng văn bản mạnh mẽ</h3>
<p>Mô hình nhúng văn bản mới nhất của NVIDIA, NV-Embed, đã thiết lập kỷ lục về độ chính xác nhúng với điểm số 69,32 trên tiêu chuẩn đánh giá Massive Text Embedding Benchmark (MTEB), bao gồm 56 tác vụ nhúng.</p>
<p>Các mô hình chính xác và hiệu quả như NV-Embed đóng vai trò quan trọng trong việc chuyển đổi lượng dữ liệu khổng lồ thành những thông tin có thể hành động được. NVIDIA cung cấp các mô hình hiệu suất cao thông qua danh mục API của NVIDIA.</p>
<h3>2. Hiểu rõ các tiêu chuẩn đánh giá mô hình nhúng</h3>
<p>Để đánh giá độ chính xác của các mô hình nhúng, chúng ta cần xem xét các tiêu chuẩn đánh giá chính:</p>
<ul>
  <li><strong>Normalized discounted cumulative gain (NDCG):</strong> Là tiêu chuẩn đánh giá dựa trên thứ hạng, đo lường độ liên quan và thứ tự của thông tin được thu thập.</li>
  <li><strong>Recall:</strong> Là tiêu chuẩn đánh giá không dựa trên thứ hạng, đo lường phần trăm kết quả liên quan được thu thập.</li>
</ul>
<h3>3. MTEB và BEIR: Tiêu chuẩn đánh giá cho các ứng dụng thu thập thông tin</h3>
<p>Hai tiêu chuẩn đánh giá được sử dụng phổ biến nhất trong lĩnh vực thu thập thông tin là:</p>
<ul>
  <li><strong>MTEB:</strong> Bao gồm 56 tác vụ khác nhau, bao gồm thu thập thông tin, phân loại, sắp xếp lại, phân cụm, tóm tắt và nhiều hơn nữa.</li>
  <li><strong>BEIR:</strong> Tập trung vào tác vụ thu thập thông tin và thêm độ phức tạp về các loại và lĩnh vực câu hỏi, chẳng hạn như kiểm tra thực tế, câu hỏi sinh học hoặc phát hiện câu hỏi trùng lặp.</li>
</ul>
<h3>4. Hiệu suất vượt trội của NV-Embed</h3>
<p>NV-Embed đạt được điểm số NDCG@10 là 69,32 trên MTEB, cao hơn so với các mô hình hàng đầu khác. Một số cải tiến chính giúp NV-Embed đạt được hiệu quả vượt trội:</p>
<ul>
  <li><strong>Lớp chú ý tiềm ẩn mới:</strong> Giúp đơn giản hóa quá trình kết hợp các đại diện toán học (nhúng) của một chuỗi từ (chuỗi mã thông báo).</li>
  <li><strong>Quá trình học hai giai đoạn:</strong> Giai đoạn đầu sử dụng các cặp âm tính trong lô và các cặp âm tính khó để học tương phản. Giai đoạn hai kết hợp dữ liệu từ các tác vụ không phải thu thập thông tin để học tương phản và vô hiệu hóa huấn luyện âm tính trong lô.</li>
</ul>
<h3>5. Ứng dụng thực tế của NV-Embed</h3>
<p>NV-Embed có thể được sử dụng để nâng cao hiệu suất của các ứng dụng thu thập thông tin, chẳng hạn như:</p>
<ul>
  <li><strong>Nói chuyện với dữ liệu (Talk to your data):</strong> Cho phép người dùng đặt câu hỏi cho dữ liệu không cấu trúc và nhận được câu trả lời chính xác.</li>
  <li><strong>Hỗ trợ tìm kiếm:</strong> Cung cấp kết quả tìm kiếm liên quan hơn và chính xác hơn.</li>
</ul>
<h3>6. Bắt đầu sử dụng NV-Embed</h3>
<p>Bạn có thể trải nghiệm NV-Embed thông qua danh mục API của NVIDIA. Ngoài ra, bạn có thể sử dụng bộ sưu tập vi dịch vụ NVIDIA NeMo Retriever, được thiết kế để cho phép các tổ chức kết nối liền mạch các mô hình tùy chỉnh với dữ liệu kinh doanh đa dạng và cung cấp phản hồi chính xác cao.</p>
<img alt="NVIDIA logo" src="https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEjrwz9PG3ltGG7b-dJ4KGk3s069Qm95v6sNrat4kvH0lfkQfaNlJaH9zwxr8dpplA6PuIRfSF37QHQNHMbLPv5L3qtUcPF13MFopQhf4DEsNlGlpTRWPCJiFKQyLn2U7FALiR1Y7Qmn9RnrPu9YeuJv2Cne8sMo84Yjl2ukMgJqXbUu4C7coTJ44-0vNsBY/s16000/logo-new.jpg">

NVIDIA NV-Embed: Mô hình nhúng văn bản hàng đầu trên bảng xếp hạng MTEB

NVIDIA NV-Embed: Mô hình nhúng văn bản hàng đầu trên bảng xếp hạng MTEB Mục lục NV-Embed: Mô hình nhúng văn bản mạnh mẽ Hiểu rõ các...

tháng 6 13, 2024

NV-Embed: Mô hình nhúng hiệu quả cao không cần dữ liệu độc quyền

NV-Embed-v1: Nâng tầm hiệu suất cho các mô hình ngôn ngữ lớn

NV-Embed-V1: Mở Rộng Khả Năng Hiểu Biết Ngôn Ngữ Của Máy

NVIDIA NV-Embed: Mô hình nhúng văn bản hàng đầu trên bảng xếp hạng MTEB

Bài đăng phổ biến

Labels