Датасет · KaLM-Embedding
Мультиязычные триплеты для обучения эмбеддингов KaLM
KaLM-Embedding/KaLM-embedding-finetuning-data
От 1 до 10 млн примеров с позитивными и негативными парами на английском, китайском и других языках для дообучения моделей эмбеддингов.
Что внутри
Набор для извлечения признаков (feature-extraction) объемом от 1 до 10 миллионов записей на английском, китайском и других языках. Каждый пример предварительно обработан и содержит строку запроса (query), список релевантных ответов (pos, обычно один) и список нерелевантных примеров (neg, обычно семь).
Что можно сделать
- Контрастивное дообучение моделей текстовых эмбеддингов
- Улучшение качества семантического поиска и ретриверов для RAG-систем
- Задачи
- Эмбеддинги
- Языки
- Английский, Китайский
- Размер
- 1M–10M записей
- Скачиваний за месяц
- 558
- Лайков
- 33
Модели, обученные на нём
- tencent/KaLM-Embedding-Gemma3-12B-2511Похожесть текстов 9,2 тыс.
- mradermacher/KaLM-Embedding-Gemma3-12B-2511-i1-GGUF 2,5 тыс.
- KaLM-Embedding/KaLM-embedding-multilingual-mini-instruct-v2.5Эмбеддинги 1,9 тыс.
- mradermacher/KaLM-Embedding-Gemma3-12B-2511-GGUF 758
- KaLM-Embedding/KaLM-Reranker-V1-Nano-R2text ranking 560
- mradermacher/KaLM-embedding-multilingual-mini-instruct-v2.5-GGUF 507
- KaLM-Embedding/KaLM-Reranker-V1-Small-R2text ranking 460
- KaLM-Embedding/KaLM-Reranker-V1-Large-R2text ranking 440
Как загрузить
from datasets import load_dataset
ds = load_dataset("KaLM-Embedding/KaLM-embedding-finetuning-data")