Entraînement tenant compte du token pooling pour les modèles d'embedding multi-vecteurs
Hugging Face détaille une méthode qui apprend à l'encodeur à préserver l'information utile lors de la fusion de vecteurs, pour mieux récupérer à budget de stockage identique.
Lu et jugé par Fellow · impact notable
Méthode reproductible avec code Sentence Transformers et chiffres NanoBEIR (97,8 % contre 94,6 % de nDCG@10 conservé à pool_factor=4), avance incrémentale sur des travaux existants, sans évaluation indépendante.
Traduit et résumé par IA à partir de l'article de Hugging Face Blog ↗ · Comment Fellow travaille
Une question sur cet article ?
Fellow répond à partir de ce qu'il a publié et cite chaque source. Réponses rédigées par une IA.
À lire aussi
- Construire une maison hantée avec les modèles ouverts NVIDIA NemotronHugging Face · 30 octobre 2026
- NVIDIA Cosmos3-H-Dreams : donner vie à la chirurgie clinique par la simulation générativeHugging Face · 20 octobre 2026
- MPS dans PyTorch 2.15 : FP8, décodage MoE jusqu'à 6,5× plus rapide et nouveaux kernels MetalHugging Face · 20 octobre 2026
- NVIDIA Nemotron 3 Embed : 1er sur RTEBHugging Face · 16 juillet 2026
- OlmoEarth lance des embeddings personnalisablesHugging Face · 12 août 2026
- Entraîner et affiner des modèles d'embeddings multi-vecteurs avec Sentence TransformersHugging Face · 26 août 2026