Sentence Transformers v4.0.1:跨编码器训练重构与性能提升
项目简介
Sentence Transformers是一个基于Transformer架构的开源库,专门用于生成高质量的句子、段落和图像嵌入。该项目由UKPLab团队维护,广泛应用于信息检索、语义搜索、问答系统等自然语言处理任务。最新发布的v4.0.1版本带来了跨编码器(Cross Encoder)训练流程的重大重构,显著提升了模型训练效率和性能。
跨编码器训练架构重构
v4.0.1版本最核心的改进是对跨编码器(又称重排序器)训练流程的全面重构。新的训练架构采用了模块化设计,主要由五个关键组件构成:
-
数据集组件:使用Hugging Face的Dataset和DatasetDict类替代传统的InputExample列表,支持更高效的数据处理和共享。数据集可以包含多个文本列,这些列将按顺序传递给相应的损失函数。
-
损失函数:引入了11种新的损失函数,包括BinaryCrossEntropyLoss、LambdaLoss、ListNetLoss等,支持单损失函数或多数据集场景下的损失函数字典配置。
-
训练参数:通过CrossEncoderTrainingArguments类(继承自transformers的TrainingArguments)提供对训练细节的精细控制。
-
评估器:可选组件,支持在评估数据集上使用损失函数或SentenceEvaluator进行评估。
-
训练器:全新的CrossEncoderTrainer类,基于transformers的Trainer实现,简化了训练流程。
关键技术改进
-
多GPU训练支持:新增对数据并行(DP)和分布式数据并行(DDP)的支持,大幅提升训练速度。
-
混合精度训练:引入bf16训练支持,在保持模型精度的同时减少内存占用。
-
训练过程可视化:改进的损失日志记录功能,配合内置的Weights and Biases、TensorBoard等回调支持,使训练过程更加透明。
-
梯度优化:支持梯度检查点和梯度累积技术,有效缓解大模型训练中的显存压力。
-
模型管理:增强的模型卡生成功能,自动记录训练配置和超参数,便于模型共享和复现。
-
训练恢复:支持从检查点恢复训练,提高长时间训练任务的可靠性。
实际应用效果
在实际应用中,经过微调的跨编码器模型表现出显著优势。例如,在GooAQ数据集上微调的模型,在仅30分钟到1小时的训练后,性能就大幅超越通用目的的预训练模型。这证明了针对特定领域数据进行微调的价值,即使数据本身属于通用领域。
其他改进
-
评估器优化:为InformationRetrievalEvaluator添加了进度条显示功能,提升用户体验。
-
训练效率:用RandomSampler替代SubsetRandomSampler作为默认批采样器,减少了内存使用并提高了训练速度。
-
模型兼容性:增强了对非对称模型的支持,修复了相关评估器和模型卡生成的问题。
-
CLIP模型改进:为CLIP模型添加了截断功能和序列长度设置支持。
开发者建议
对于新项目,建议直接使用新的Trainer-based训练方法。虽然旧的CrossEncoder.fit方法仍然可用(内部已转为使用CrossEncoderTrainer),但新方法提供了更丰富的功能和更好的性能。
总结
Sentence Transformers v4.0.1通过重构跨编码器训练流程,为开发者提供了更强大、更灵活的工具集。无论是多GPU训练支持、混合精度训练,还是改进的评估和可视化功能,都显著提升了模型开发和微调的效率。对于需要进行语义相关性任务的项目,这一版本无疑是一个值得升级的选择。
- 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~044CommonUtilLibrary
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!C0300- 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
最新内容推荐
项目优选









