ChatPaper.aiChatPaper

Nomic Embed: Het trainen van een reproduceerbare tekstembedder voor lange contexten

Nomic Embed: Training a Reproducible Long Context Text Embedder

February 2, 2024
Auteurs: Zach Nussbaum, John X. Morris, Brandon Duderstadt, Andriy Mulyar
cs.AI

Samenvatting

Dit technisch rapport beschrijft de training van nomic-embed-text-v1, het eerste volledig reproduceerbare, open-source, open-weights, open-data Engels tekstembeddingmodel met een contextlengte van 8192 dat zowel OpenAI Ada-002 als OpenAI text-embedding-3-small overtreft bij taken met korte en lange context. We publiceren de trainingscode en modelgewichten onder een Apache 2-licentie. In tegenstelling tot andere open-source modellen, publiceren we een trainingsdatalader met 235 miljoen gecureerde tekstparen die de volledige replicatie van nomic-embed-text-v1 mogelijk maakt. Je kunt de code en data om het model te repliceren vinden op https://github.com/nomic-ai/contrastors.
English
This technical report describes the training of nomic-embed-text-v1, the first fully reproducible, open-source, open-weights, open-data, 8192 context length English text embedding model that outperforms both OpenAI Ada-002 and OpenAI text-embedding-3-small on short and long-context tasks. We release the training code and model weights under an Apache 2 license. In contrast with other open-source models, we release a training data loader with 235 million curated text pairs that allows for the full replication of nomic-embed-text-v1. You can find code and data to replicate the model at https://github.com/nomic-ai/contrastors
PDF151December 15, 2024