yuxin.wang

监督的训练语料都是来源于开源数据集，明确了具体任务后，可以在开放的数据平台比如 HuggingFace 上，按照标签进行筛选。另外的思路可以通过 GPT4 来帮助构造数据集。

可以的，查看文档中的这一节就行了 https://github.com/wangyuxinwhy/uniem/tree/main/mteb-zh#%E8%AF%84%E6%B5%8B%E5%B7%B2%E6%94%AF%E6%8C%81%E7%9A%84%E6%A8%A1%E5%9E%8B

可以实现，FineTuner 的 run 方法，有一个 `epoch_end_callbacks` 的参数，可以在每个 epoch 结束之后自定义执行一些代码，不过这方面没有文档，可能需要您多调试几次。

可以说是模型本身的缺陷，M3E 的校准并不好，或者说相似度的度量本身不以为着概率等实际意义，相对的比较有意义，绝对的数值没有意义。但不意味特征不可信，算是对比学习的通病。

这个问题不太好说，没有开发集的话，可以自己测试几个 case ，估计一下。有开发集的话，可以选择在开发集上分值最高的阈值。如果真拍脑袋，我建议 0.85 ，也是瞎说~

其实余弦相似度本来也不是一个和 “不确定性” 显性相关的度量。如果 0.4 阈值下，相似判断的效果达到预期，也未尝不可。

嗯嗯，就是可以自定义 pooling_strategy 。从头训练的意思不是说从随机的权重开始训练，而是从预训练的语言模型上开始训练。

您的理解是对的

抱歉没有在文档中说清楚，small 版本使用的基础模型是 uer/chinese_roberta_L-4_H-512

可以参考 https://github.com/wangyuxinwhy/uniem/blob/main/scripts/train_m3e.py 这个训练脚本，准备好数据和模型，运行脚本就可以了