Boostez la génération augmentée avec ReasonIR-8B : L'outil de recherche pour le raisonnement de pointe

Vous cherchez à améliorer significativement vos modèles de génération augmentée (RAG) ? Découvrez ReasonIR-8B, un modèle de recherche de pointe spécialement conçu pour les tâches de raisonnement complexes. Il améliore considérablement les performances sur MMLU et GPQA, ce qui en fait un atout précieux.

Améliorez vos RAG avec la recherche Raisonnement-Intensive

ReasonIR-8B se distingue par ses performances exceptionnelles sur BRIGHT, un benchmark exigeant basé sur le raisonnement. En l'intégrant dans votre flux de travail RAG, vous accédez à une recherche plus précise et pertinente. Une recherche plus pertinente signifie une genération plus juste et plus efficace. Ce qui rend la tâche beaucoup plus simple.

Installation et Utilisation Simplifiées de ReasonIR

L'implémentation de ReasonIR est simple et directe, que vous utilisiez transformers ou sentence_transformers. Voici deux approches pour l'intégrer à votre code :

Avec transformers

1. Assurez-vous d'avoir installé transformers>=4.47.0.
2. Utilisez le code suivant :

from transformers import AutoModel, AutoTokenizer
model = AutoModel.from_pretrained("reasonir/ReasonIR-8B", torch_dtype="auto", trust_remote_code=True)
query = "Le renard brun rapide saute par-dessus le chien paresseux."
document = "Le renard brun rapide saute par-dessus le chien paresseux."
query_instruction = ""
doc_instruction = ""
model = model.to("cuda")
model.eval()
query_emb = model.encode(query, instruction=query_instruction)
doc_emb = model.encode(document, instruction=doc_instruction)
sim = query_emb @ doc_emb.T

N'oubliez pas d'inclure trust_remote_code=True et torch_dtype="auto" pour garantir le bon fonctionnement et l'utilisation de bf16.

Avec sentence_transformers

1. Utilisez le code suivant :

from sentence_transformers import SentenceTransformer
model_kwargs = {"torch_dtype": "auto"}
model = SentenceTransformer("reasonir/ReasonIR-8B", trust_remote_code=True, model_kwargs=model_kwargs)
model.set_pooling_include_prompt(include_prompt=False) # Exclure le prompt pendant le pooling
query = "Le renard brun rapide saute par-dessus le chien paresseux."
document = "Le renard brun rapide saute par-dessus le chien paresseux."
query_instruction = ""
doc_instruction = ""
query_emb = model.encode(query, instruction=query_instruction)
doc_emb = model.encode(document, instruction=doc_instruction)
sim = query_emb @ doc_emb.T

Là encore, incluez trust_remote_code=True et torch_dtype="auto". Notez qu'il peut y avoir une légère différence de virgule flottante avec sentence_transformers.

Pourquoi choisir ReasonIR-8B pour votre recherche et génération augmentée ?

• Performances de pointe : Dépasse les modèles traditionnels sur les tâches de raisonnement.
• Facilité d'intégration : Compatible avec transformers et sentence_transformers.
• Entraîné pour le raisonnement général : Optimisé pour des requêtes complexes.
• Ressources complètes : Modèle, données et article de recherche disponibles.

Explorez les Données et l'Article de Recherche

Pour une compréhension approfondie, référez-vous à l'article de recherche, disponible sur arXiv. Vous trouverez également les données utilisées pour l'entraînement sur Hugging Face Datasets.

Exploitez ReasonIR pour une recherche de pointe

Investissez dans ReasonIR-8B et donnez à vos modèles RAG la capacité de raisonner plus efficacement. Visitez le dépôt GitHub ReasonIR pour en savoir plus et commencer à l'utiliser dès aujourd'hui. Améliorez facilement les performances de vos tâches de recherche et de génération augmentée avec cet outil puissant. Le raisonnement amélioré n'est qu'à quelques lignes de code !