LMEB
PulseAugur coverage of LMEB — every cluster mentioning LMEB across labs, papers, and developer communities, ranked by signal.
-
KaLM-Reranker-V1：高效文档重排模型发布
研究人员推出 KaLM-Reranker-V1，这是一种新颖的文档重排模型，专为检索系统的效率和灵活性而设计。该模型将查询和文档的计算解耦，从而实现更快的处理速度，同时通过交叉注意力保持强大的相关性建模。KaLM-Reranker-V1 提供 Nano、Small 和 Large 版本，参数量分别为 0.27B、1B 和 4B。在 BEIR 和 MIRACL 等基准数据集上的实验表明，KaLM-Reranker-V1 取得了最先进的性…
-
KaLM-Reranker-V1：高效文档重排模型发布
研究人员推出 KaLM-Reranker-V1，这是一种新颖的重排模型，专为大规模检索系统的效率而设计。该模型使用具有 Matryoshka 嵌入池化和交叉注意力的编码器-解码器架构来解耦查询和段落的计算。KaLM-Reranker-V1 有三种尺寸：Nano（0.27B 参数）、Small（1B 参数）和 Large（4B 参数）。在 BEIR、MIRACL 和 LMEB 等基准测试上的实验表明，KaLM-Reranker-V1 取…
-
LMEB基准评估超越传统段落检索的长时记忆检索能力
研究人员推出了长时记忆嵌入基准（LMEB），这是一个新的评估框架，旨在评估嵌入模型在处理复杂、长时记忆检索任务方面的能力。与专注于传统段落检索的现有基准不同，LMEB包含22个数据集和193个零样本任务，涵盖了四种不同的记忆类型：情景记忆、对话记忆、语义记忆和程序记忆。对15个模型的初步评估表明，LMEB提出了一个合适的挑战，模型规模越大并不保证性能越好，并且LMEB衡量了与MTEB基准不同的能力。