腾讯开源Conan-embedding，登顶CMTEB

今天给大家带来一篇腾讯最新开源的向量模型的论文，模型开源，在CMTEB上拿了第一名！嵌入/向量模型是Agent、RAG中很关键的一个组件，所以也是一个卷的很激烈的一个领域。

Conan-embedding: General Text Embedding with More and Better Negative Samples

随着RAG（检索增强生成）技术的日益普及，嵌入模型的能力正受到越来越多的关注。嵌入模型主要通过对比学习进行训练，其中负样本是一个关键组件。以往的研究提出了各种硬负样本挖掘策略，但这些策略通常被作为预处理步骤使用。在本文中，我们提出了conan-embedding模型，该模型最大化地利用更多、更高质量的负样本。具体来说，由于模型处理预处理负样本的能力在训练过程中不断发展，我们提出了一种动态硬负样本挖掘方法，以便在整个训练过程中使模型接触到更多具有挑战性的负样本。其次，对比学习需要尽可能多的负样本，但受限于GPU内存的限制。因此，我们使用了Cross-GPU平衡损失（Cross-GPU balancing Loss）来提供更多的负样本进行嵌入训练，并在多个任务之间平衡批量大小。此外，我们还发现LLM（大型语言模型）生成的提示-响应对可以用于嵌入训练。我们的方法有效地增强了嵌入模型的能力，目前在Chinese Massive Text Embedding Benchmark（CMTEB）排行榜上排名第一。

模型开源地址：https://huggingface.co/TencentBAC/Conan-embedding-v1

Conan-embedding模型，主要是提出了两个的新点子：Dynamic Hard Negative Mining和Cross-GPU Batch Balance Loss

• Dynamic Hard Negative Mining： 就是在训练过程中动态地挖掘难负例，每100次迭代检查一次，如果负例的分数乘以1.15小于初始分数且绝对值小于0.8，就认为这个负例不再困难，并用新的难负例替换它。
• Cross-GPU Batch Balance Loss, CBB Loss： 对比学习需要尽可能多的负样本，但受到GPU内存限制。利用多个GPU引入更多的负样本，在多个任务之间平衡负样本的数量，提高训练效率和效果。

论文里还提到了，用LLM生成的prompt-response对来训练嵌入模型，这样可以让模型更聪明，处理起文本来更得心应手。

Conan-embedding在CMTEB的六个任务上都取得了优异的成绩，超越了之前所有的模型。消融研究也证明了动态硬负样本挖掘和CBB Loss这两个方法的有效性。