Update READMEs

FlagEmbedding/llm_reranker/README.md

@@ -3,18 +3,21 @@
 您可以输入查询语句和段落到reranker后直接得到相关性得分。并且分数可以通过sigmoid函数映射到[0,1]中的浮点值。
 
 ## Model List
-- [bge-reranker-base](http://113.200.138.88:18080/aimodels/bge-reranker-base)
-- [bge-reranker-large](http://113.200.138.88:18080/aimodels/bge-reranker-large)
+- [BAAI/bge-reranker-base](http://113.200.138.88:18080/aimodels/bge-reranker-base)
+- [BAAI/bge-reranker-large](http://113.200.138.88:18080/aimodels/bge-reranker-large)
+- [BAAI/bge-reranker-v2-m3](http://113.200.138.88:18080/aimodels/baai/bge-reranker-v2-m3)
+- [BAAI/bge-reranker-v2-gemma](http://113.200.138.88:18080/aimodels/baai/bge-reranker-v2-gemma)
+- [BAAI/bge-reranker-v2-minicpm-layerwise](http://113.200.138.88:18080/aimodels/baai/bge-reranker-v2-minicpm-layerwise)
 
 您可以根据个人场景和资源来选择所需模型：
 
-- 针对 **多种语言**，使用 [BAAI/bge-reranker-v2-m3](https://huggingface.co/BAAI/bge-reranker-v2-m3) 和 [BAAI/bge-reranker-v2-gemma](https://huggingface.co/BAAI/bge-reranker-v2-gemma)
+- 针对 **多种语言**，使用 [BAAI/bge-reranker-v2-m3](http://113.200.138.88:18080/aimodels/baai/bge-reranker-v2-m3) 和 [BAAI/bge-reranker-v2-gemma](http://113.200.138.88:18080/aimodels/baai/bge-reranker-v2-gemma)
 
-- 针对 **中文或者英文**, 使用 [BAAI/bge-reranker-v2-m3](https://huggingface.co/BAAI/bge-reranker-v2-m3) 和 [BAAI/bge-reranker-v2-minicpm-layerwise](https://huggingface.co/BAAI/bge-reranker-v2-minicpm-layerwise).
+- 针对 **中文或者英文**, 使用 [BAAI/bge-reranker-v2-m3](http://113.200.138.88:18080/aimodels/baai/bge-reranker-v2-m3) 和 [BAAI/bge-reranker-v2-minicpm-layerwise](http://113.200.138.88:18080/aimodels/baai/bge-reranker-v2-minicpm-layerwise).
 
-- 针对 **效率**, 使用 [BAAI/bge-reranker-v2-m3](https://huggingface.co/BAAI/bge-reranker-v2-m3) 和 底层[BAAI/bge-reranker-v2-minicpm-layerwise](https://huggingface.co/BAAI/bge-reranker-v2-minicpm-layerwise).
+- 针对 **效率**, 使用 [BAAI/bge-reranker-v2-m3](http://113.200.138.88:18080/aimodels/baai/bge-reranker-v2-m3) 和 底层[BAAI/bge-reranker-v2-minicpm-layerwise](http://113.200.138.88:18080/aimodels/baai/bge-reranker-v2-minicpm-layerwise).
 
-- 想要更好的效果, 建议 [BAAI/bge-reranker-v2-minicpm-layerwise](https://huggingface.co/BAAI/bge-reranker-v2-minicpm-layerwise) 和 [BAAI/bge-reranker-v2-gemma](https://huggingface.co/BAAI/bge-reranker-v2-gemma)
+- 想要更好的效果, 建议 [BAAI/bge-reranker-v2-minicpm-layerwise](http://113.200.138.88:18080/aimodels/baai/bge-reranker-v2-minicpm-layerwise) 和 [BAAI/bge-reranker-v2-gemma](http://113.200.138.88:18080/aimodels/baai/bge-reranker-v2-gemma)
 
 ## Usage
 ### 使用 FlagEmbedding
@@ -305,7 +308,6 @@ merge_llm('google/gemma-2b', 'lora_llm_output_path', 'merged_model_output_paths'
 ```
 
 **针对 llm-based layerwise reranker**
-
 如果基于原始模型进行的微调(openbmb/MiniCPM-2B-dpo-bf16)
 
 ```shell
@@ -314,7 +316,6 @@ merge_layerwise_raw_llm('openbmb/MiniCPM-2B-dpo-bf16', 'lora_llm_output_path', '
 ```
 
 如果基于微调模型进行的微调(BAAI/bge-reranker-v2-minicpm-layerwise)
-
 ```shell
 from FlagEmbedding.llm_reranker.merge import merge_layerwise_finetuned_llm
 merge_layerwise_finetuned_llm('BAAI/bge-reranker-v2-minicpm-layerwise', 'lora_llm_output_path', 'merged_model_output_paths')

FlagEmbedding/reranker/README.md

@@ -2,7 +2,7 @@
 ## Usage
 和embedding模型不同，Reranker使用问题和文档作为输入，直接输出相似度而不是嵌入。
 您可以通过输入查询语句和段落文本到reranker来获得相关性评分。
-The reranker is optimized based cross-entropy loss, so the relevance score is not bounded to a specific range.
+reranker是基于交叉熵损失函数进行优化的，因此相关分数不局限于特定的范围。
 
 ### 使用 FlagEmbedding
 1. 确认环境配置完成，请参考[环境配置](../../README.md#环境配置)
@@ -19,7 +19,6 @@ print(scores)
 ```
 
 ### 使用 Huggingface transformers
-
 ```python
 import torch
 from transformers import AutoModelForSequenceClassification, AutoTokenizer
@@ -36,7 +35,6 @@ with torch.no_grad():
 ```
 
 ## 微调
-
 可以跟着这个[用例](../../examples/reranker/)来微调reranker。
 
 reranker采用了[xlm-roberta-base](https://huggingface.co/xlm-roberta-base)进行初始化，并且我们使用了混合的多语言数据集来进行训练
@@ -49,7 +47,6 @@ reranker采用了[xlm-roberta-base](https://huggingface.co/xlm-roberta-base)进
 当前，模型主要支持中英文，并且可能会看到其他低资源语言的性能下降。
 
 ## Evaluation
-
 您可以使用我们的[c-mteb script](../../C_MTEB#evaluate-reranker)进行reranker验证。
 
 ## Acknowledgement

README.md

@@ -89,6 +89,9 @@ BGE Embedding是一个通用向量模型。 我们使用[retromae](https://githu
 ### BGE Reranker
 - [bge-reranker-base](http://113.200.138.88:18080/aimodels/bge-reranker-base)
 - [bge-reranker-large](http://113.200.138.88:18080/aimodels/bge-reranker-large)
+- [bge-reranker-v2-m3](http://113.200.138.88:18080/aimodels/baai/bge-reranker-v2-m3)
+- [bge-reranker-v2-gemma](http://113.200.138.88:18080/aimodels/baai/bge-reranker-v2-gemma)
+- [bge-reranker-v2-minicpm-layerwise](http://113.200.138.88:18080/aimodels/baai/bge-reranker-v2-minicpm-layerwise)
 
 ## 源码仓库及问题反馈
 - https://developer.hpccube.com/codes/modelzoo/flagembedding_pytorch