Nomic / nomic-embed-text-v1.5
Milvus Integrated
Tarea: Incrustación
Modalidad: Texto
Métrica de Similitud: Coseno
Licencia: Apache 2.0
Dimensiones: 768
Tokens de Entrada Máximos: 8192
Precio: Gratis
Introducción a nomic-embed-text-v1.5
El modelo nomic-embed-text-v1.5 es un modelo de embeddings de texto con una ventana de entrada de 8192 tokens y compatibilidad con tamaños de embedding variables. Entrenado con Matryoshka Representation Learning, permite a los desarrolladores generar embeddings compactos o de mayor capacidad a partir del mismo modelo, con tamaños recomendados de 768, 512, 256, 128 y 64.
Nomic-embed-text-v1.5 ahora es multimodal mediante nomic-embed-vision-v1.5, que comparte el mismo espacio de embeddings, por lo que los embeddings de texto pueden usarse directamente junto con embeddings de imágenes.
Cómo crear embeddings con nomic-embed-text-v1.5
Hay dos formas principales de generar embeddings vectoriales:
- PyMilvus: el SDK de Python para Milvus que integra sin problemas el modelo
nomic-embed-text-v1.5. - El módulo
embeden el SDK de Python de Nomic proporciona funcionalidad de embeddings mediante la Nomic Embedding API.
Una vez generados los embeddings vectoriales, pueden almacenarse en Zilliz Cloud (un servicio de base de datos vectorial totalmente gestionado impulsado por Milvus) y usarse para búsqueda por similitud semántica. Estos son cuatro pasos clave:
- Regístrate gratis para obtener una cuenta de Zilliz Cloud.
- Configura un clúster serverless y obtén el Public Endpoint y la API Key.
- Crea una colección vectorial e inserta tus embeddings vectoriales.
- Ejecuta una búsqueda semántica en los embeddings almacenados.
Crea embeddings mediante PyMilvus e insértalos en Zilliz Cloud para búsqueda semántica
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})")
Para obtener más información, consulta nuestra documentación del modelo de embeddings de PyMilvus.
Flujos de trabajo de IA sin interrupciones
Desde incrustaciones hasta búsqueda de IA escalable—Zilliz Cloud te permite almacenar, indexar y recuperar incrustaciones con una velocidad y eficiencia inigualables.
Prueba Zilliz Cloud Gratis
