Улучшение текстовых эмбеддингов с использованием больших языковых моделей

Improving Text Embeddings with Large Language Models

December 31, 2023

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

cs.AI

Аннотация

В данной статье мы представляем новый и простой метод получения высококачественных текстовых эмбеддингов, использующий только синтетические данные и менее 1000 шагов обучения. В отличие от существующих подходов, которые часто зависят от многоэтапного промежуточного предобучения на миллиардах слабо аннотированных текстовых пар с последующим тонким настраиванием на нескольких размеченных наборах данных, наш метод не требует создания сложных обучающих конвейеров или использования вручную собранных данных, которые часто ограничены разнообразием задач и охватом языков. Мы используем проприетарные большие языковые модели (LLM) для генерации разнообразных синтетических данных для сотен тысяч задач текстового эмбеддинга на почти 100 языках. Затем мы тонко настраиваем открытые декодер-ориентированные LLM на синтетических данных, используя стандартную контрастную функцию потерь. Эксперименты показывают, что наш метод демонстрирует высокую производительность на конкурентных бенчмарках текстовых эмбеддингов без использования каких-либо размеченных данных. Более того, при тонкой настройке на смеси синтетических и размеченных данных наша модель устанавливает новые рекорды на бенчмарках BEIR и MTEB.

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.