Découvrez les nouveaux rerankers CrossEncoder basés sur Ettin ModernBERT
Six nouveaux rerankers CrossEncoder, basés sur les encodeurs Ettin ModernBERT, ont été publiés. Ces modèles, disponibles en différentes tailles, utilisent une recette de distillation pour améliorer la précision des tâches de récupération de données.
« A reranker (a.k.a. pointwise cross-encoder) is a neural model that takes a (query, document) pair and outputs a single relevance score. » — Hugging Face Blog
Que faut-il retenir ?
- Six modèles de rerankers CrossEncoder ont été publiés, allant de 17 millions à 1 milliard de paramètres.
- Les modèles utilisent une recette de distillation basée sur MSE pour améliorer les scores de pertinence.
- Les rerankers sont conçus pour fonctionner en tandem avec des modèles d'embedding pour optimiser les coûts et la précision.
- Les modèles peuvent être utilisés avec seulement trois lignes de code via la bibliothèque Sentence Transformers.
Pourquoi cette nouvelle compte-t-elle ?
Ces nouveaux rerankers permettent d'améliorer significativement la précision des systèmes de récupération de données tout en maintenant des coûts de calcul raisonnables. Ils sont particulièrement utiles pour les applications nécessitant une haute précision dans le classement des résultats, comme les moteurs de recherche ou les systèmes de recommandation.
cross-encoder/ettin-reranker-1b-v1
Public concerné : développeurs, entreprises
Qu'est-ce qu'un reranker et pourquoi l'utiliser avec un modèle d'embedding ?
Un reranker est un modèle neuronal qui évalue la pertinence d'une paire (requête, document). Il est utilisé après un modèle d'embedding pour améliorer la précision du classement des résultats tout en limitant les coûts de calcul.
Commentaires (0)
💡 Aucun lien externe ni code HTML accepté. Soyez respectueux. Les commentaires sont modérés avant publication.
Aucun commentaire pour le moment. Soyez le premier !