MMTEB: Massieve Meertalige Tekst Embedding Benchmark

MMTEB: Massive Multilingual Text Embedding Benchmark

February 19, 2025

Auteurs: Kenneth Enevoldsen, Isaac Chung, Imene Kerboua, Márton Kardos, Ashwin Mathur, David Stap, Jay Gala, Wissam Siblini, Dominik Krzemiński, Genta Indra Winata, Saba Sturua, Saiteja Utpala, Mathieu Ciancone, Marion Schaeffer, Gabriel Sequeira, Diganta Misra, Shreeya Dhakal, Jonathan Rystrøm, Roman Solomatin, Ömer Çağatan, Akash Kundu, Martin Bernstorff, Shitao Xiao, Akshita Sukhlecha, Bhavish Pahwa, Rafał Poświata, Kranthi Kiran GV, Shawon Ashraf, Daniel Auras, Björn Plüster, Jan Philipp Harries, Loïc Magne, Isabelle Mohr, Mariya Hendriksen, Dawei Zhu, Hippolyte Gisserot-Boukhlef, Tom Aarsen, Jan Kostkan, Konrad Wojtasik, Taemin Lee, Marek Šuppa, Crystina Zhang, Roberta Rocca, Mohammed Hamdy, Andrianos Michail, John Yang, Manuel Faysse, Aleksei Vatolin, Nandan Thakur, Manan Dey, Dipam Vasani, Pranjal Chitale, Simone Tedeschi, Nguyen Tai, Artem Snegirev, Michael Günther, Mengzhou Xia, Weijia Shi, Xing Han Lù, Jordan Clive, Gayatri Krishnakumar, Anna Maksimova, Silvan Wehrli, Maria Tikhonova, Henil Panchal, Aleksandr Abramov, Malte Ostendorff, Zheng Liu, Simon Clematide, Lester James Miranda, Alena Fenogenova, Guangyu Song, Ruqiya Bin Safi, Wen-Ding Li, Alessia Borghini, Federico Cassano, Hongjin Su, Jimmy Lin, Howard Yen, Lasse Hansen, Sara Hooker, Chenghao Xiao, Vaibhav Adlakha, Orion Weller, Siva Reddy, Niklas Muennighoff

cs.AI

Samenvatting

Tekst-embeddingen worden doorgaans geëvalueerd op een beperkte set taken, die worden beperkt door taal, domein en taakdiversiteit. Om deze beperkingen aan te pakken en een uitgebreidere evaluatie te bieden, introduceren we de Massive Multilingual Text Embedding Benchmark (MMTEB) - een grootschalige, door de gemeenschap gedreven uitbreiding van MTEB, die meer dan 500 kwaliteitsgecontroleerde evaluatietaken omvat in meer dan 250 talen. MMTEB omvat een diverse set uitdagende, nieuwe taken zoals het volgen van instructies, het ophalen van lange documenten en het ophalen van code, en vertegenwoordigt de grootste meertalige verzameling evaluatietaken voor embeddingmodellen tot op heden. Met behulp van deze verzameling ontwikkelen we verschillende sterk meertalige benchmarks, die we gebruiken om een representatieve set modellen te evalueren. We constateren dat grote taalmmodellen (LLM's) met miljarden parameters state-of-the-art prestaties kunnen behalen op bepaalde taalsubsets en taakcategorieën, maar dat het best presterende publiek beschikbare model multilingual-e5-large-instruct is met slechts 560 miljoen parameters. Om de toegankelijkheid te vergroten en de rekenkosten te verlagen, introduceren we een nieuwe downsampling-methode gebaseerd op inter-taakcorrelatie, die zorgt voor een diverse selectie terwijl de relatieve modelrangschikking behouden blijft. Bovendien optimaliseren we taken zoals het ophalen van informatie door harde negatieven te bemonsteren, waardoor kleinere maar effectieve splits ontstaan. Deze optimalisaties stellen ons in staat benchmarks te introduceren die de rekenkosten drastisch verlagen. Zo behoudt onze nieuw geïntroduceerde zero-shot Engelse benchmark een vergelijkbare rangschikking als de volledige versie, maar tegen een fractie van de rekenkosten.

English

Text embeddings are typically evaluated on a limited set of tasks, which are constrained by language, domain, and task diversity. To address these limitations and provide a more comprehensive evaluation, we introduce the Massive Multilingual Text Embedding Benchmark (MMTEB) - a large-scale, community-driven expansion of MTEB, covering over 500 quality-controlled evaluation tasks across 250+ languages. MMTEB includes a diverse set of challenging, novel tasks such as instruction following, long-document retrieval, and code retrieval, representing the largest multilingual collection of evaluation tasks for embedding models to date. Using this collection, we develop several highly multilingual benchmarks, which we use to evaluate a representative set of models. We find that while large language models (LLMs) with billions of parameters can achieve state-of-the-art performance on certain language subsets and task categories, the best-performing publicly available model is multilingual-e5-large-instruct with only 560 million parameters. To facilitate accessibility and reduce computational cost, we introduce a novel downsampling method based on inter-task correlation, ensuring a diverse selection while preserving relative model rankings. Furthermore, we optimize tasks such as retrieval by sampling hard negatives, creating smaller but effective splits. These optimizations allow us to introduce benchmarks that drastically reduce computational demands. For instance, our newly introduced zero-shot English benchmark maintains a ranking order similar to the full-scale version but at a fraction of the computational cost.