Hugging Face 推出全新「Ettin Reranker」重排模型家族,旨在解決 RAG 系統中檢索精度不足的痛點。該系列模型涵蓋多種參數大小,支援多語言與長文本處理,並與 Hugging Face 生態系深度整合。Ettin 透過創新的架構設計,在保持低延遲的同時,顯著提升了重排(Reranking)階段的 NDCG 指標,是開發者構建高效能 RAG 應用的全新開源選擇。
Hugging Face 釋出最新指南,介紹如何利用 Sentence Transformers 庫訓練與微調稀疏嵌入(Sparse Embedding)模型。稀疏嵌入(如 SPLADE)能將文本轉化為高維稀疏向量,在保留關鍵字匹配能力的同時具備語意理解力。此更新簡化了訓練流程,讓開發者能輕鬆構建適用於混合檢索(Hybrid Search)的高效檢索系統。
Hugging Face 釋出全新教學,詳細介紹如何利用 Sentence Transformers 庫訓練與微調 Reranker(重排)模型。Reranker 在 RAG 系統中扮演關鍵角色,能對初步檢索的文檔進行二次精準排序。本文涵蓋資料準備、損失函數選擇、訓練流程及評估方法,幫助開發者針對特定領域優化檢索效果。