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 13:51:23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

热门内容推荐

最新内容推荐

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
150
1.95 K
kernelkernel
deepin linux kernel
C
22
6
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
986
396
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
193
274
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
934
554
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
190
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
75
66
openHiTLS-examplesopenHiTLS-examples
本仓将为广大高校开发者提供开源实践和创新开发平台,收集和展示openHiTLS示例代码及创新应用,欢迎大家投稿,让全世界看到您的精巧密码实现设计,也让更多人通过您的优秀成果,理解、喜爱上密码技术。
C
65
521
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
1.11 K
0