Sentence-Transformers中如何为Model2Vec蒸馏添加新词元
2025-05-13 11:38:14作者:昌雅子Ethen
在自然语言处理任务中,我们经常需要处理一些特定领域的专有名词或品牌名称。这些词汇如果被分词器错误拆分,可能会影响模型性能。本文将深入探讨在使用Sentence-Transformers库进行Model2Vec蒸馏时,如何有效地添加新词元(token)到分词器中。
问题背景
当使用Model2Vec技术对预训练模型进行蒸馏时,开发者可能会遇到需要添加新词元的情况。例如在商品搜索场景中,我们希望保留特定品牌名称的完整性,而不是让分词器将其拆分为子词。传统的添加词元方法在蒸馏过程中会遇到词汇表大小不一致的问题。
技术挑战
直接向基础模型的分词器添加新词元并保存自定义版本后,在蒸馏过程中会出现词汇表大小不一致的警告。具体表现为:
- 报告词汇量与实际词汇量不符
- 后续微调过程失败
- 新词元的嵌入质量不佳
解决方案演进
初始方案:直接添加词元
开发者最初尝试直接向基础模型的分词器添加新词元:
tokens = ["my_special_token", "my_special_token2"]
base_model = SentenceTransformer("intfloat/multilingual-e5-large")
base_model_module = base_model._first_module()
base_model_module.tokenizer.add_tokens(tokens, special_tokens=True)
base_model_module.auto_model.resize_token_embeddings(len(base_model_module.tokenizer))
这种方法虽然能在文件层面看到新词元,但在蒸馏过程中会出现词汇表不一致的问题。
改进方案:使用vocabulary参数
Model2Vec的最新版本已经支持通过vocabulary参数为多种分词器添加多词词汇:
vocabulary = list(model[0].tokenizer.get_vocab()) + ["my_special_token", "my_special_token2"]
static_embedding = StaticEmbedding.from_distillation(
base_model_path,
vocabulary=vocabulary,
device="cpu",
pca_dims=256,
apply_zipf=True
)
这种方法会:
- 将多词词汇的各子词嵌入取平均
- 生成有意义的组合嵌入
- 适用于现代基于子词的分词器
技术要点
- 词元添加时机:应在蒸馏前而非蒸馏后添加新词元
- 嵌入质量:新词元的初始嵌入质量可能较差,需要通过微调提升
- 分词器兼容性:现代Model2Vec已支持多种分词器类型
- Zipf定律应用:新词元的位置应考虑词汇的频率分布
实践建议
- 使用最新版Model2Vec以获得最佳兼容性
- 为新词元准备足够的训练样本以提升微调效果
- 监控新词元在推理时的表现
- 考虑新词元在Zipf分布中的合理位置
通过合理应用这些技术,开发者可以有效地在Sentence-Transformers的Model2Vec蒸馏过程中添加新词元,从而提升特定领域任务的表现。
登录后查看全文
热门项目推荐
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~052CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00openHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!C0331- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
1 freeCodeCamp Cafe Menu项目中link元素的void特性解析2 freeCodeCamp全栈开发课程中React实验项目的分类修正3 freeCodeCamp英语课程视频测验选项与提示不匹配问题分析4 freeCodeCamp课程中屏幕放大器知识点优化分析5 freeCodeCamp课程页面空白问题的技术分析与解决方案6 freeCodeCamp课程视频测验中的Tab键导航问题解析7 freeCodeCamp JavaScript高阶函数中的对象引用陷阱解析8 freeCodeCamp博客页面工作坊中的断言方法优化建议9 freeCodeCamp猫照片应用教程中的HTML注释测试问题分析10 freeCodeCamp全栈开发课程中测验游戏项目的参数顺序问题解析
最新内容推荐
OMNeT++中文使用手册:网络仿真的终极指南与实用教程 基于Matlab的等几何分析IGA软件包:工程计算与几何建模的完美融合 PADS元器件位号居中脚本:提升PCB设计效率的自动化利器 电脑PC网易云音乐免安装皮肤插件使用指南:个性化音乐播放体验 Python Django图书借阅管理系统:高效智能的图书馆管理解决方案 Python开发者的macOS终极指南:VSCode安装配置全攻略 WebVideoDownloader:高效网页视频抓取工具全面使用指南 ReportMachine.v7.0D5-XE10:Delphi报表生成利器深度解析与实战指南 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南 海康威视DS-7800N-K1固件升级包全面解析:提升安防设备性能的关键资源
项目优选
收起

React Native鸿蒙化仓库
C++
179
263

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
869
514

openGauss kernel ~ openGauss is an open source relational database management system
C++
130
183

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
295
331

本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
333
1.09 K

harmony-utils 一款功能丰富且极易上手的HarmonyOS工具库,借助众多实用工具类,致力于助力开发者迅速构建鸿蒙应用。其封装的工具涵盖了APP、设备、屏幕、授权、通知、线程间通信、弹框、吐司、生物认证、用户首选项、拍照、相册、扫码、文件、日志,异常捕获、字符、字符串、数字、集合、日期、随机、base64、加密、解密、JSON等一系列的功能和操作,能够满足各种不同的开发需求。
ArkTS
18
0

为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.07 K
0

deepin linux kernel
C
22
5

微信开发 Java SDK,支持微信支付、开放平台、公众号、视频号、企业微信、小程序等的后端开发,记得关注公众号及时接受版本更新信息,以及加入微信群进行深入讨论
Java
829
22

🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
601
58