添加 openai 评测

README.md

@@ -55,10 +55,31 @@ M3E 使用 in-batch 负采样的对比学习的方式在句对数据集进行训
 - 指令数据集，M3E 使用了 300W + 的指令微调数据集，这使得 M3E 对文本编码的时候可以遵从指令，这部分的工作主要被启发于 [instructor-embedding](https://github.com/HKUNLP/instructor-embedding)
 - 基础模型，M3E 使用 hfl 实验室的 [Roberta](https://huggingface.co/hfl/chinese-roberta-wwm-ext) 系列模型进行训练，目前提供 small 和  base 两个版本，大家则需选用
 - ALL IN ONE，M3E 旨在提供一个 ALL IN ONE 的文本嵌入模型，不仅支持同质句子相似度判断，还支持异质文本检索，你只需要一个模型就可以覆盖全部的应用场景，未来还会支持代码检索
-
 ## 评测
 
-coming soon，我们正在准备中文文本嵌入模型评测 BenchMark MTEB-zh，敬请期待
+### 文本分类
+
+- 数据集选择，选择开源在 HuggingFace 上的 6 种文本分类数据集，包括新闻、电商评论、股票评论、长文本等
+- 评测方式，使用 MTEB 的方式进行评测，报告 Accuracy。
+- 评测模型，[text2vec](https://github.com/shibing624/text2vec), m3e-base, m3e-small, openai-ada-002
+- 评测脚本，具体参考此 [评测脚本](https://github.com/wangyuxinwhy/uniem/blob/main/mteb-zh/tasks.py)
+
+|                   | text2vec | m3e-small | m3e-base | openai |
+| ----------------- | -------- | --------- | -------- | ------ |
+| TNews             | 0.43     | 0.4443    | 0.4827   | 0.4594 |
+| JDIphone          | 0.8214   | 0.8293    | 0.8533   | 0.746  |
+| GubaEastmony      | 0.7472   | 0.712     | 0.7621   | 0.7574 |
+| TYQSentiment      | 0.6099   | 0.6596    | 0.7188   | 0.68   |
+| StockComSentiment | 0.4307   | 0.4291    | 0.4363   | 0.4819 |
+| IFlyTek           | 0.414    | 0.4263    | 0.4409   | 0.4486 |
+| Average           | 0.5755   | 0.5834    | 0.6157   | 0.5956 |
+
+openai-ada-002 模型待评测
+
+### 检索排序
+
+更多任务，敬请期待
+
 
 ## M3E数据集