richinfoai/ritrieve_zh_v1

Publié par richinfoai le 25 mars 2025, richinfoai/ritrieve_zh_v1 est un modèle d’embedding de 326 millions de paramètres, tous actifs. Il produit, avec SentenceTransformer, des vecteurs de dimension 1792 destinés à représenter des textes chinois.

Ces représentations servent à la recherche sémantique, à la sélection de passages pour le RAG, à la mesure de similarité et au clustering. Le modèle fonctionne sans instruction préalable. Sa licence MIT autorise notamment l’adaptation, l’intégration et l’auto-hébergement dans des applications commerciales ou non commerciales.

Caractéristiques

Performances (benchmarks)

Scores issus de MTEB (Massive Text Embedding Benchmark), suite d'évaluation indépendante. Le rang situe le modèle parmi les modèles d'embedding évalués sur le même track.

Comment se situe-t-il ?

Le modèle (en orange) comparé aux meilleurs modèles sur chaque dimension évaluée, et à ses voisins de classement.

Notre analyse

Forces. richinfoai/ritrieve_zh_v1 se classe dans le top 10 de MTEB: Chinese, une évaluation couvrant la recherche, le reranking et la classification de paires en chinois. Ce positionnement indique une qualité générale élevée sur cet ensemble de tâches. Le modèle résulte d’une distillation de lier007/xiaobu-embedding-v2, dunzhang/stella-large-zh-v3-1792d et BAAI/bge-multilingual-gemma2. Son entraînement combine BAAI/Infinity-Instruct et opencsg/chinese-fineweb-edu, avec une première étape fondée sur cosine loss, puis une seconde sur similarity loss pour ramener les représentations à 1792 dimensions. L’absence d’instructions simplifie son emploi avec SentenceTransformer, tandis que la licence MIT facilite son déploiement autonome.

Limites et points d’attention. La dimension 1792 implique des index plus volumineux, davantage de mémoire et des calculs de similarité plus coûteux que pour des embeddings plus compacts. Sorti il y a environ un an, le modèle est ancien à l’échelle rapide de l’IA et peut être dépassé par des modèles plus récents de sa catégorie, voire retiré des catalogues actuels. Usages pertinents : recherche sémantique en chinois, récupération de passages pour le RAG, détection de similarité et regroupement de corpus chinois.

Sources des données : MTEB — Massive Text Embedding Benchmark · LLM-Stats (llm-stats.com).