Nomic / nomic-embed-text-v1.5
Milvus Integrated
Aufgabe: Einbettung
Modalität: Text
Ähnlichkeitsmetrik: Kosinus
Lizenz: Apache 2.0
Dimensionen: 768
Maximale Eingabe-Tokens: 8192
Preis: Kostenlos
Einführung in nomic-embed-text-v1.5
Das Modell nomic-embed-text-v1.5 ist ein Text-Embedding-Modell mit einem Eingabefenster von 8192 Tokens und Unterstützung für variable Embedding-Größen. Es wurde mit Matryoshka Representation Learning trainiert und ermöglicht Entwicklern, aus demselben Modell kompakte oder leistungsfähigere Embeddings zu erzeugen, mit empfohlenen Größen von 768, 512, 256, 128 und 64.
Nomic-embed-text-v1.5 ist nun multimodal durch nomic-embed-vision-v1.5, das denselben Embedding-Raum teilt, sodass Text-Embeddings direkt zusammen mit Bild-Embeddings verwendet werden können.
So erstellen Sie Embeddings mit nomic-embed-text-v1.5
Es gibt zwei primäre Möglichkeiten, Vektor-Embeddings zu erzeugen:
- PyMilvus: das Python-SDK für Milvus, das das Modell
nomic-embed-text-v1.5nahtlos integriert. - Das Modul
embedim Nomic Python SDK stellt Embedding-Funktionalität über die Nomic Embedding API bereit.
Sobald die Vektor-Embeddings erzeugt wurden, können sie in Zilliz Cloud gespeichert werden (ein vollständig verwalteter Vektordatenbankdienst auf Basis von Milvus) und für die semantische Ähnlichkeitssuche verwendet werden. Hier sind vier wichtige Schritte:
- Registrieren Sie sich kostenlos für ein Zilliz Cloud-Konto.
- Richten Sie einen serverlosen Cluster ein und erhalten Sie den Public Endpoint und API Key.
- Erstellen Sie eine Vektor-Collection und fügen Sie Ihre Vektor-Embeddings ein.
- Führen Sie eine semantische Suche auf den gespeicherten Embeddings aus.
Embeddings über PyMilvus erstellen und für die semantische Suche in Zilliz Cloud einfügen
from pymilvus import MilvusClient
from nomic import embed
# Prepare documents
docs = [
"Artificial intelligence was founded as an academic discipline in 1956.",
"Alan Turing was the first person to conduct substantial research in AI.",
"Born in Maida Vale, London, Turing was raised in southern England.",
]
# Generate embeddings for documents using nomic-embed-text-v1.5
docs_embeddings = embed.text(
texts=docs, model="nomic-embed-text-v1.5", task_type="search_document"
)["embeddings"]
# Prepare queries
queries = ["When was artificial intelligence founded", "Where was Alan Turing born?"]
# Generate embeddings for queries
query_embeddings = embed.text(
texts=queries, model="nomic-embed-text-v1.5", task_type="search_query"
)["embeddings"]
# Connect to Zilliz Cloud with Public Endpoint and API Key
client = MilvusClient(uri=ZILLIZ_PUBLIC_ENDPOINT, token=ZILLIZ_API_KEY)
COLLECTION = "nomic_v1_5_documents"
# Drop collection if it exists
if client.has_collection(collection_name=COLLECTION):
client.drop_collection(collection_name=COLLECTION)
# Create collection with dimension 768 (nomic-embed-text-v1.5 output dimension)
client.create_collection(collection_name=COLLECTION, dimension=768, auto_id=True)
# Insert documents with embeddings
for doc, embedding in zip(docs, docs_embeddings):
client.insert(COLLECTION, {"text": doc, "vector": embedding})
# Search for similar documents
results = client.search(
collection_name=COLLECTION,
data=query_embeddings,
# consistency_level="Strong", # Strong consistency ensures accurate results but may increase latency
output_fields=["text"],
limit=2,
)
# Print search results
for i, query in enumerate(queries):
print(f"\nQuery: {query}")
for result in results[i]:
print(f" - {result['entity']['text']} (distance: {result['distance']:.4f})")
Weitere Informationen finden Sie in unserer PyMilvus Embedding Model documentation.
Nahtlose KI-Workflows
Von Embeddings bis hin zu skalierbarer KI-Suche – Zilliz Cloud ermöglicht es Ihnen, Embeddings mit beispielloser Geschwindigkeit und Effizienz zu speichern, zu indizieren und abzurufen.
Zilliz Cloud kostenlos ausprobieren
