首页
/ FlagEmbedding项目中文LLM嵌入模型微调实践

FlagEmbedding项目中文LLM嵌入模型微调实践

2025-05-24 04:03:07作者:裘晴惠Vivianne

背景介绍

FlagEmbedding项目中的LLM-Embedder是一个强大的嵌入模型框架,但其官方版本BAAI/llm-embedder默认不支持中文。本文将详细介绍如何通过微调方法,使该框架能够有效处理中文文本。

中文支持方案

要让LLM-Embedder支持中文,核心思路是使用一个已经支持中文的基础模型作为起点,然后通过特定数据集进行微调。具体实现步骤如下:

  1. 选择中文基础模型:推荐使用BAAI/bge-large-zh-v1.5作为query_encoder,这是一个已经预训练好的中文嵌入模型。

  2. 准备训练数据:训练数据应采用JSONL格式,每条记录包含查询文本、正例和负例样本,并标注任务类型。例如:

{"query":"今天星期几","pos":[xxxx],"neg":[xxxx],"task":"icl"}
  1. 配置中文指令:需要为中文版本配置特定的指令模板,例如:
"zh_llm_embedder": {
    "instruction": {
        "icl": {
            "query": "为这个句子生成表示以用于检索相关文章: ",
            "key": ""
        }
    }
}

微调实施步骤

执行微调的命令如下:

CUDA_VISIBLE_DEVICES="0,2" nohup torchrun --nproc_per_node=2 run_dense.py \
--output_dir data/outputs/icl \
--train_data llm-embedder:train.jsonl \
--save_steps 6000 \
--query_encoder BAAI/bge-large-zh-v1.5 \
--version zh_llm_embedder \
--inbatch_same_dataset epoch \
--learning_rate 2e-5 \
--num_train_epochs 2 \
--train_group_size 15 \
--per_device_train_batch_size 16 \
--cos_temperature 0.02 \
--dtype fp32 \
--report_to tensorboard \
--data_root data >log.log 2>&1 &

关键参数说明:

  • query_encoder:指定中文基础模型
  • version:使用配置的中文版本标识
  • train_group_size:控制训练时正负样本比例
  • cos_temperature:调节相似度计算的温度参数

模型转换与使用

微调完成后,模型会保存在指定目录中,包含以下文件结构:

├── args.json
├── encoder
│   ├── config.json
│   ├── model.safetensors
│   ├── special_tokens_map.json
│   ├── tokenizer_config.json
│   ├── tokenizer.json
│   └── vocab.txt
...

为了使用sentence_transformers库加载模型,需要进行格式转换。转换过程中可能会出现关于pooler层未初始化的警告,这是正常现象,可以安全忽略,因为实际使用中不会用到这些层。

技术要点

  1. 跨语言迁移:通过使用中文预训练模型作为基础,可以有效实现知识迁移,使模型具备中文处理能力。

  2. 微调策略:采用in-batch负采样技术,通过train_group_size参数控制样本组合,提高模型区分相关和不相关文本的能力。

  3. 温度参数cos_temperature参数影响相似度得分的分布,适当调整可以提高模型区分度。

应用建议

  1. 对于不同的中文任务场景,可以调整指令模板以获得更好的效果。

  2. 微调后的模型可以广泛应用于中文信息检索、问答系统等场景。

  3. 建议在实际应用前,使用领域相关数据对模型进行进一步微调,以获得最佳性能。

通过这种方法,开发者可以有效地将LLM-Embedder框架应用于中文场景,为中文自然语言处理任务提供高质量的文本嵌入能力。

登录后查看全文
热门项目推荐
相关项目推荐

项目优选

收起
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
176
261
RuoYi-Vue3RuoYi-Vue3
🎉 (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
858
511
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
129
182
openHiTLSopenHiTLS
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
258
298
ShopXO开源商城ShopXO开源商城
🔥🔥🔥ShopXO企业级免费开源商城系统,可视化DIY拖拽装修、包含PC、H5、多端小程序(微信+支付宝+百度+头条&抖音+QQ+快手)、APP、多仓库、多商户、多门店、IM客服、进销存,遵循MIT开源协议发布、基于ThinkPHP8框架研发
JavaScript
93
15
Cangjie-ExamplesCangjie-Examples
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
332
1.08 K
HarmonyOS-ExamplesHarmonyOS-Examples
本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
398
371
note-gennote-gen
一款跨平台的 Markdown AI 笔记软件,致力于使用 AI 建立记录和写作的桥梁。
TSX
83
4
CangjieCommunityCangjieCommunity
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
kernelkernel
deepin linux kernel
C
22
5