مقدمه

\n

در سال ۲۰۲۶، انصاری از جمع دنیای هوش مصنوعی، سری جدیدی از مدل‌های رده‌بندی (reranker) تحت نام Ettin Reranker Family را معرفی کردند. این مدل‌ها بر پایه Encoderهای مختلف Sentence Transformers ساخته شده و با بهره‌گیری از متدهای Distillation توان‌مند واقع شده‌اند.

\n

چرا رده‌بندی مهم است؟

\n

در پردازش زبان طبیعی، معمولاً ابتدا به‌وسیله‌ی یک embedder متن‌های مربوطه را به بردارهای عددی تبدیل می‌کنند و سپس منطق رده‌بندی برای انتخاب بهترین پاسخ یا نمونه‌ی مرتبط اجرا می‌شود. رده‌بندی دقیق، کیفیت پاسخ‌ها و سرعت بازیابی را به طور چشم‌گیری افزایش می‌دهد.

\n

ویژگی‌های Ettin Reranker Family

\n

هرکدام از شش مدل این خانواده، اندازه‌های متنوعی دارند و می‌توانند بر اساس نیازهای پردازشی و دقت مورد استفاده قرار گیرند. اصلی‌ترین نکات فنی عبارتند از: آموزش با ترکیب داده‌های lightonai/embeddings-pre-training و mixedbread-ai/mxbai-rerank-large-v2؛ استفاده از نقطه‌باشی MSE در آموزش Distillation؛ و بهره‌برداری از سرعت و دقت بالا در MTEB(eng,v2).

\n
    \n
  • پشتیبانی از مجموعه‌ای گسترده از embedderها، از جمله گُگل/embeddinggemma-300m.
    • \n
  • پیاده‌سازی ساده در محیط‌های کدگذاری جاوااسکریپت و پایتون.
    • \n
  • مستندات جامع و به‌روزرسانی منظم در Hugging Face.
    • \n
\n

نتایج و مقایسه عملکرد

\n

سنتی در پست لغتو به بررسی نتایج از دست‌کاری‌های بزرگ و مقایسه با مدل‌های رده‌بندی مطرح می‌پردازند: این مدل‌ها نه تنها بر روی MTEB پیشرفت قابل توجهی دارند، بلکه سرعت بازیابی را نیز بهینه کرده‌اند، به‌خصوص در ترکیب با embedderهای سبک (بوگو).

\n

نحوه‌ی بهره‌گیری در پروژه‌های عملی

\n

برای استفاده از یکی از مدل‌های Ettin Reranker کافی است آن را از Hugging Face Hub بارگیری کنید و در pipeline پیکربندی معادل retrieve-then-rerank بسازید. Hugging Face سرویس‌های PT、 ONNX و TorchScript را فراهم می‌کند تا بتوانید آن را سریعاً در سرورهای خود یا دستگاه‌های موبایل به کار ببرید.

پرسش‌های پرتکرار

Ettin Reranker چیست و چه کاربردی دارد؟

Ettin Reranker مجموعه‌ای از مدل‌های رده‌بندی است که بر پایه‌ی Sentence Transformers ساخته شده و برای بهبود دقت و سرعت پاسخ‌گویی در سیستم‌های بازیابی اطلاعات استفاده می‌شود.

Ettin Reranker برای چه embedderهایی مناسب است؟

این مدل‌ها با embedderهای متنوعی مانند google/embeddinggemma-300m، sentence‑transformers و برخی embedderهای سبک (Light, Small) سازگار هستند و می‌توانند در pipeline retrieve‑then‑rerank به‌کار روند.