首页
/ MTEB项目任务元数据中类别字段的模态化改造分析

MTEB项目任务元数据中类别字段的模态化改造分析

2025-07-01 12:52:13作者:侯霆垣

在MTEB(大规模文本嵌入基准)项目中,任务元数据的"category"字段长期以来存在语义模糊的问题。本文深入分析该字段的现状、问题根源以及改进方案。

现状与问题

当前category字段主要存在两种使用模式:

  1. 长度描述型(如s2p表示句子到段落)
  2. 模态描述型(如t2i表示文本到图像)

这种双重语义导致以下问题:

  • 字段含义不明确,开发者容易混淆
  • 与新增的描述性统计功能(如average_document_length)存在数据冗余
  • 跨项目(如MIEB)协作时出现语义不一致

技术分析

通过代码审查发现,部分模型实现(如NV-Embed和Jasper)确实依赖该字段决定是否使用提示模板。但进一步分析表明:

  1. 段落(passage)与段落(paragraph)概念存在差异
  2. 提示模板的选择应通过专门的PromptType字段控制
  3. 现有长度描述信息已可通过描述性统计数据获取

改进方案

经过核心团队讨论,确定以下改造方案:

  1. 统一采用模态描述语义

    • 文本到文本:t2t
    • 文本到图像:t2i
    • 文本到视频:t2v
  2. 保留原有信息的方式

    • 对需要区分句子/段落的情况,采用二级分类:
    {
      "t2t": "s2p"
    }
    
  3. 提示模板控制

    • 完全通过PromptType字段管理
    • 移除模型实现中对category字段的依赖

实施影响

该改造将带来以下好处:

  • 提升元数据字段的语义明确性
  • 增强与MIEB等姊妹项目的兼容性
  • 为未来多模态扩展预留空间
  • 减少与描述性统计的数据冗余

最佳实践建议

对于模型开发者:

  • 使用PromptType而非category决定提示模板
  • 需要长度信息时优先查询描述性统计数据

对于任务贡献者:

  • 多模态任务使用t2x格式
  • 纯文本任务默认使用t2t
  • 特殊需求才使用二级分类

该改造已在新版本中实施,标志着MTEB项目在元数据规范化方面迈出重要一步。

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
kernelkernel
deepin linux kernel
C
22
6
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
154
1.98 K
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
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
941
555
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
405
387
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)。
Python
75
70
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
992
395
ops-mathops-math
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
509
44
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
344
1.32 K
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
194
279