Snowflake / snowflake-arctic-embed-l-v2.0
Milvus Integrated
Aufgabe: Einbettung
Modalität: Text
Ähnlichkeitsmetrik: IP, L1, L2, Kosinus
Lizenz: Apache 2.0
Dimensionen: 1024
Maximale Eingabe-Tokens: 8192
Preis: Kostenlos
Einführung in snowflake-arctic-embed-l-v2.0
Das Modell snowflake-arctic-embed-l-v2.0 ist ein mehrsprachiges Text-Embedding-Modell, das 74 Sprachen unterstützt und darauf ausgelegt ist, hochwertige Retrieval-Ergebnisse und effiziente Inferenz sowohl für englische als auch für nicht-englische Aufgaben zu liefern. Mit 303M Nicht-Embedding-Parametern bietet es schnelle, skalierbare Inferenz und unterstützt kompakte Repräsentationen durch Matryoshka Representation Learning und quantisierungsbewusstes Training.
Vergleichen Sie snowflake-arctic-embed-l-v2.0 mit snowflake-arctic-l-Modellen:
| Modell | Parameter | Nicht-Embedding-Parameter | Dimensionen | Sprachunterstützung |
|---|---|---|---|---|
| snowflake-arctic-l-v2.0 | 568M | 303M | 1024 | mehrsprachig |
| snowflake-arctic-l | 335M | 303M | 1024 | nur Englisch |
So erstellen Sie Embeddings mit snowflake-arctic-embed-l-v2.0
Es gibt zwei primäre Möglichkeiten, Vektor-Embeddings zu generieren:
- PyMilvus: das Python SDK für Milvus, das das Modell
snowflake-arctic-embed-l-v2.0nahtlos integriert. - Die von Snowflake Cortex bereitgestellte Funktion
AI_EMBEDfür Text und Bilder.
Sobald die Vektor-Embeddings generiert wurden, können sie in Zilliz Cloud (einem vollständig verwalteten Vektordatenbankdienst, der von Milvus unterstützt wird) gespeichert 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 Vektorsammlung und fügen Sie Ihre Vektor-Embeddings ein.
- Führen Sie eine semantische Suche auf den gespeicherten Embeddings aus.
Embeddings über PyMilvus erstellen und sie für die semantische Suche in Zilliz Cloud einfügen
from pymilvus.model.dense import SentenceTransformerEmbeddingFunction
from pymilvus import MilvusClient
# Load the Snowflake Arctic Embed L v2.0 model
ef = SentenceTransformerEmbeddingFunction(
"Snowflake/snowflake-arctic-embed-l-v2.0", trust_remote_code=True
)
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
docs_embeddings = ef(docs)
queries = ["When was artificial intelligence founded", "Where was Alan Turing born?"]
# Generate embeddings for queries
query_embeddings = ef(queries)
# Connect to Zilliz Cloud with Public Endpoint and API Key
client = MilvusClient(uri=ZILLIZ_PUBLIC_ENDPOINT, token=ZILLIZ_API_KEY)
COLLECTION = "arctic_embed_l_v2_documents"
# Drop collection if it exists
if client.has_collection(collection_name=COLLECTION):
client.drop_collection(collection_name=COLLECTION)
# Create collection with auto-detected dimension
client.create_collection(collection_name=COLLECTION, dimension=ef.dim, 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-Dokumentation.
- Einführung in snowflake-arctic-embed-l-v2.0
- So erstellen Sie Embeddings mit snowflake-arctic-embed-l-v2.0
Inhalte
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
