摘要
解码器型Transformer模型的规模持续扩大，参数量已达到数千亿级别。由于其庞大的规模，这类模型通过提示（prompting）或微调（fine-tuning）方法，在多种语言任务上均取得了当前最优的性能。然而，这些大规模基础模型在语义搜索和句子嵌入（sentence embeddings）相关领域仍难以直接应用，导致可能的最新研究成果无法实现，同时也迫使各组织不得不独立训练并维护专用模型。为此，我们提出了SGPT，旨在通过提示或微调方式，使解码器模型能够有效应用于句子嵌入与语义搜索任务。SGPT模型参数量为58亿，在BEIR语义搜索基准测试中，其性能较此前最佳的句子嵌入方法提升了7%，并超越了另一项拥有1750亿参数的并行方法。相关代码、模型及结果文件已公开，可免费获取：https://github.com/Muennighoff/sgpt。