Verbesserung von Texteinbettungen mit großen Sprachmodellen

Improving Text Embeddings with Large Language Models

December 31, 2023

Autoren: Liang Wang, Nan Yang, Xiaolong Huang, Linjun Yang, Rangan Majumder, Furu Wei

cs.AI

Zusammenfassung

In diesem Artikel stellen wir eine neuartige und einfache Methode vor, um hochwertige Text-Embeddings zu erhalten, indem ausschließlich synthetische Daten und weniger als 1.000 Trainingsschritte verwendet werden. Im Gegensatz zu bestehenden Methoden, die oft auf mehrstufiges Vor-Training mit Milliarden von schwach überwachten Textpaaren angewiesen sind, gefolgt von Feinabstimmung mit einigen gelabelten Datensätzen, erfordert unsere Methode weder den Aufbau komplexer Trainingspipeline noch die Abhängigkeit von manuell gesammelten Datensätzen, die häufig durch Aufgabenvielfalt und Sprachabdeckung eingeschränkt sind. Wir nutzen proprietäre LLMs, um diverse synthetische Daten für Hunderttausende von Text-Embedding-Aufgaben in fast 100 Sprachen zu generieren. Anschließend feinabstimmen wir Open-Source-Decoder-LLMs auf den synthetischen Daten unter Verwendung eines standardmäßigen Kontrastverlusts. Experimente zeigen, dass unsere Methode auf hoch kompetitiven Text-Embedding-Benchmarks starke Leistungen erzielt, ohne dabei gelabelte Daten zu verwenden. Darüber hinaus setzt unser Modell, wenn es mit einer Mischung aus synthetischen und gelabelten Daten feinabgestimmt wird, neue State-of-the-Art-Ergebnisse auf den BEIR- und MTEB-Benchmarks.

English

In this paper, we introduce a novel and simple method for obtaining high-quality text embeddings using only synthetic data and less than 1k training steps. Unlike existing methods that often depend on multi-stage intermediate pre-training with billions of weakly-supervised text pairs, followed by fine-tuning with a few labeled datasets, our method does not require building complex training pipelines or relying on manually collected datasets that are often constrained by task diversity and language coverage. We leverage proprietary LLMs to generate diverse synthetic data for hundreds of thousands of text embedding tasks across nearly 100 languages. We then fine-tune open-source decoder-only LLMs on the synthetic data using standard contrastive loss. Experiments demonstrate that our method achieves strong performance on highly competitive text embedding benchmarks without using any labeled data. Furthermore, when fine-tuned with a mixture of synthetic and labeled data, our model sets new state-of-the-art results on the BEIR and MTEB benchmarks.