Hugging Face lança família de modelos Ettin para melhorar buscas com inteligência artificial
Os novos rerankers prometem resultados mais precisos em sistemas de busca e assistentes virtuais, combinando desempenho de modelos grandes com a velocidade de versões compactas.
A Hugging Face (uma plataforma onde desenvolvedores compartilham e baixam modelos de IA já treinados) apresentou os Ettin Rerankers, uma nova família de modelos projetados para melhorar a precisão de sistemas de busca e assistentes virtuais baseados em inteligência artificial. Os rerankers (modelos que reordenam resultados de busca para colocar os mais relevantes no topo) são uma peça-chave em aplicações de RAG (Retrieval-Augmented Generation, uma técnica em que a IA busca informações em documentos antes de gerar uma resposta), usadas por empresas para criar chatbots e assistentes que precisam consultar bases de dados internas.
A família Ettin inclui três versões — pequena, média e grande — que combinam arquiteturas diferentes para equilibrar velocidade e qualidade. Segundo informou a Hugging Face, os modelos foram treinados em 19 idiomas e alcançaram desempenho superior a alternativas populares em benchmarks (testes padronizados usados para comparar modelos). A versão grande, por exemplo, supera o BGE Reranker v2.5 em vários testes, enquanto as versões menores oferecem velocidade até três vezes maior com pequena perda de precisão.
Os três modelos estão disponíveis com pesos abertos (ou seja, qualquer pessoa pode baixar, modificar e usar os modelos sem pagar licenças), sob licença Apache 2.0. Isso permite que desenvolvedores rodem os rerankers em seus próprios servidores, sem depender de APIs pagas (interfaces de programação que conectam aplicativos a serviços externos, geralmente cobradas por uso). A Hugging Face também oferece os modelos como serviço pago em sua plataforma de inferência (o processo de rodar um modelo já treinado para obter respostas ou previsões).
A escolha do nome Ettin faz referência a uma criatura mitológica de duas cabeças, simbolizando a arquitetura híbrida dos modelos: eles combinam um codificador bi-encoder (que processa perguntas e documentos separadamente, rápido mas menos preciso) com um cross-encoder (que analisa pergunta e documento juntos, mais lento mas mais preciso). Essa abordagem permite que os modelos façam uma primeira filtragem rápida e depois refinem os melhores resultados, otimizando o equilíbrio entre custo computacional e qualidade das respostas. Para quem desenvolve assistentes de IA ou sistemas de busca empresariais, os Ettin Rerankers representam uma alternativa viável a soluções proprietárias como as da OpenAI ou da Cohere.
