Hugging Face, token pooling eğitiminde 4 kat küçülmeyi test etti
Pooling-aware eğitim, çok vektörlü arama dizininde belge vektörlerini dörtte bire indirirken nDCG@10 performansının yüzde 97,8’ini korudu.
BİR BAKIŞTA
Haberin özeti
- Dört kat pooling ile saklanan belge vektörü sayısı dörtte bire indiriliyor.
- Pooling-aware eğitim nDCG@10 performansının yüzde 97,8’ini korudu.
- Standart eğitimli karşılaştırma aynı ayarda yüzde 94,6 koruma sağladı.
Neler değişiyor?
Hugging Face, çok vektörlü embedding modellerinde token pooling’i eğitim sürecine dahil eden yöntemi yayımladı. Bu mimariler belgeyi tek vektöre sıkıştırmak yerine her token için ayrı temsil saklıyor; ayrıntılı eşleşme güçlenirken dizin boyutu ve sorgu maliyeti artıyor. Token pooling, benzer belge vektörlerini kümelere ayırıp temsilci ortalamalarla değiştirerek saklanan vektör sayısını azaltıyor.
Yazıdaki NanoBEIR değerlendirmesinde dört kat pooling, standart eğitimli modelde değişmemiş nDCG@10 performansının yüzde 94,6’sını korudu. Pooling-aware eğitimle bu oran yüzde 97,8’e çıktı. Sonuçlar sağlayıcının deneyidir ve farklı veri alanlarında aynı dengeyi garanti etmiyor. Yöntem; RAG, semantik arama ve görsel belge erişiminde daha küçük dizinler kurmak isteyen ekipler için ölçülebilir bir optimizasyon seçeneği sunuyor.
Asıl kaynaklara göz at
Kaynak tarihi: 11 Kasım 2026.
AI Radar yayın saati: 11 Kas 2026 19:12 (Türkiye). Son güncelleme: 11 Kas 2026 19:13.
KONUYU TAKİP ET
Konular ve etiketler
Keşfini paylaş.
Bu haberi bir arkadaşına gönder.
Okuyucu yorumları
Bu gelişme hakkında ne düşünüyorsun? Deneyimini veya sorunu paylaş. Yorumlar editör onayından sonra yayımlanır.
Adın/takma adın ve yorumun onaylanırsa herkese açık görünür. Veri işleme hakkında: Gizlilik bilgilendirmesi.
Yorumlar yükleniyor…