Seed1.5-Embedding – 字節(jié)跳動 Seed 團(tuán)隊(duì)推出的向量模型

Seed1.5-Embedding是字節(jié)跳動Seed團(tuán)隊(duì)最新推出的向量模型，基于Seed1.5 (Doubao-1.5-pro)進(jìn)行深度訓(xùn)練。該模型在權(quán)威評測榜單MTEB上實(shí)現(xiàn)了中英文的最先進(jìn)（SOTA）效果，并在推理密集型檢索任務(wù)的BRIGHT榜單中表現(xiàn)出色。

Seed1.5-Embedding是什么

Seed1.5-Embedding是字節(jié)跳動Seed團(tuán)隊(duì)全新發(fā)布的向量模型，經(jīng)過對Seed1.5 (Doubao-1.5-pro)的進(jìn)一步訓(xùn)練。該模型在MTEB這一權(quán)威評測榜單上取得了中英文的SOTA效果，并在BRIGHT榜單的推理密集型檢索任務(wù)中也展現(xiàn)了優(yōu)異的成績。它采用了Siamese雙塔結(jié)構(gòu)，依托Seed1.5預(yù)訓(xùn)練LLM，通過兩階段的訓(xùn)練流程增強(qiáng)了模型的通用表征能力。第一階段使用無監(jiān)督數(shù)據(jù)進(jìn)行預(yù)微調(diào)，通過對比學(xué)習(xí)將生成模型轉(zhuǎn)化為編碼模型；第二階段則結(jié)合有監(jiān)督和合成數(shù)據(jù)進(jìn)行微調(diào)，進(jìn)行多任務(wù)優(yōu)化。通過迭代式難負(fù)例挖掘、偽負(fù)例過濾和合成數(shù)據(jù)等策略優(yōu)化數(shù)據(jù)質(zhì)量，顯著提升了模型在檢索任務(wù)中的表現(xiàn)。此外，Seed1.5-Embedding支持多種向量維度選擇，包括2048、1024、512和256。

Seed1.5-Embedding的主要功能

• 文本語義編碼：將輸入文本的語義轉(zhuǎn)化為高維空間中的表征向量，使得相關(guān)文本之間的向量相似性更高。這種編碼方式能夠支持檢索、分類、聚類等下游任務(wù)，廣泛應(yīng)用于搜索、推薦和內(nèi)容理解等領(lǐng)域。
• 檢索任務(wù)：通過計(jì)算向量相似度，快速從龐大的文檔庫中找到與用戶查詢最相關(guān)的信息。該模型在推理密集型檢索任務(wù)中表現(xiàn)卓越，能夠理解復(fù)雜的查詢與文檔匹配關(guān)系。
• 多任務(wù)優(yōu)化：支持多種任務(wù)類型，包括分類、聚類、成對分類、重排、檢索和語義文本相似性（STS）任務(wù)，適用各種應(yīng)用場景。
• 靈活的向量維度支持：支持多種向量維度（2048、1024、512、256），用戶可根據(jù)具體需求選擇合適的維度，即便在較低維度下，模型性能的下降也微乎其微，從而提供靈活的存儲和運(yùn)行效率選擇。
• 推理能力優(yōu)化：通過構(gòu)造推理密集型檢索數(shù)據(jù)，優(yōu)化模型在復(fù)雜查詢和文檔匹配中的推理能力，使其能夠處理更復(fù)雜的語義關(guān)系和邏輯推理任務(wù)。

Seed1.5-Embedding的技術(shù)原理

• 模型架構(gòu)：Seed1.5-Embedding采用Siamese雙塔向量模型結(jié)構(gòu)，查詢與文檔的向量通過余弦相似度計(jì)算匹配得分。模型依托Seed1.5的預(yù)訓(xùn)練LLM，將單向注意力轉(zhuǎn)變?yōu)殡p向，構(gòu)建了小規(guī)模的MoE（專家混合）模型，查詢和文檔的模型參數(shù)共享，從而確保了較高的運(yùn)行效率。
• 兩階段訓(xùn)練流程
  • 第一階段：利用無監(jiān)督數(shù)據(jù)進(jìn)行預(yù)微調(diào)，通過對比學(xué)習(xí)將單向Attention的生成模型改造為雙向Attention的編碼模型，從而充分建模各種文本匹配模式。
  • 第二階段：結(jié)合有監(jiān)督和合成數(shù)據(jù)進(jìn)行微調(diào)，通過混合多種任務(wù)數(shù)據(jù)進(jìn)行多任務(wù)優(yōu)化，讓模型學(xué)習(xí)各個(gè)任務(wù)的最佳表征模式。
• 數(shù)據(jù)工程策略
  • 負(fù)例挖掘：設(shè)計(jì)迭代式的難負(fù)例挖掘策略，根據(jù)模型自身的偏好挖掘難負(fù)例，以提升模型的細(xì)粒度相關(guān)性區(qū)分能力。
  • 偽負(fù)例過濾：自動過濾與正例過于相似的文本，以避免偽負(fù)例對學(xué)習(xí)的干擾。
  • 合成數(shù)據(jù)：構(gòu)造通用場景和推理密集場景的數(shù)據(jù)，從而提升模型在復(fù)雜檢索任務(wù)中的表現(xiàn)。

Seed1.5-Embedding的項(xiàng)目地址

• HuggingFace模型庫：https://huggingface.co/ByteDance-Seed/Seed1.5-Embedding

Seed1.5-Embedding的應(yīng)用場景

• 信息檢索與語義搜索：Seed1.5-Embedding能夠?qū)⑽臋n或網(wǎng)頁向量化，支持語義級別的搜索，顯著提升召回率和精準(zhǔn)度。這在問答系統(tǒng)（QA）、企業(yè)內(nèi)部文檔檢索、客戶服務(wù)等應(yīng)用場景中，能夠更準(zhǔn)確地理解用戶查詢意圖，快速定位相關(guān)文檔。
• 文本聚類與話題識別：利用文本向量，Seed1.5-Embedding可以對大量文檔進(jìn)行聚類，自動識別出不同的主題和分類信息。
• 推薦系統(tǒng)：在推薦系統(tǒng)中，該模型能夠?qū)⒂脩粼u論、產(chǎn)品描述等文本信息向量化，通過計(jì)算相似度，實(shí)現(xiàn)對相似商品和用戶的檢索。
• 文本分類與情感分析：Seed1.5-Embedding能夠?qū)?a class="external" href="http://www.futurefh.com/tag/382722.html" title="查看與 文本生成 相關(guān)的文章" target="_blank">文本生成向量，再輸入下游分類模型，提升文本分類、情感分析和立場分析等任務(wù)的性能。與傳統(tǒng)的TF-IDF特征相比，生成的向量能夠更準(zhǔn)確地表達(dá)文本的含義和上下文關(guān)系。
• 復(fù)雜查詢理解與推理：模型在推理密集型檢索任務(wù)上表現(xiàn)卓越，能夠深入理解復(fù)雜查詢與文檔之間的深層匹配關(guān)系。在生物學(xué)、地球科學(xué)、編程等領(lǐng)域的復(fù)雜搜索任務(wù)中，Seed1.5-Embedding能夠提供更為精準(zhǔn)的檢索結(jié)果。