ZeroEntropy and Zilliz Cloud Integration
Integrate Zilliz Cloud with ZeroEntropy to build high-accuracy semantic search using two-stage vector retrieval and reranking.
Usa esta integración gratisQué es ZeroEntropy
ZeroEntropy es una empresa de infraestructura de búsqueda con IA que proporciona modelos de embedding y reranking a través de una API fácil de usar para desarrolladores.
Ofrece dos modelos principales:
zembed-1(Modelo de embedding): Convierte texto en embeddings vectoriales que capturan el significado semántico. Admite dimensiones de salida configurables — 40, 80, 160, 320, 640, 1,280 o 2,560 — para que puedas equilibrar la precisión con el coste de almacenamiento. zembed-1 puede reducir los costes de almacenamiento de bases de datos vectoriales hasta 10 veces en comparación con alternativas de dimensión completa.zerank-2(Modelo de reranking): Un codificador cruzado que puntúa pares consulta-documento según su relevancia. En lugar de depender únicamente de la distancia vectorial, lee la consulta y el documento juntos para evaluar qué tan bien coinciden.zerank-2también admite seguimiento de instrucciones: puedes pasar instrucciones en lenguaje natural para guiar el comportamiento de clasificación sin volver a entrenar el modelo.
Ambos modelos son de pesos abiertos y están disponibles a través de la API de ZeroEntropy y el SDK de Python.
Cómo funcionan las incrustaciones y la reclasificación de ZeroEntropy con Zilliz Cloud
ZeroEntropy y Zilliz Cloud trabajan juntos en un canal de recuperación de dos etapas:
Etapa 1 — Incrustar y recuperar. Usas
zembed-1para generar embeddings vectoriales para tus documentos y luego los almacenas en una colección de Zilliz Cloud. Cuando llega una consulta, la incrustas con el mismo modelo y ejecutas una búsqueda de similitud vectorial en Zilliz Cloud para obtener los principales candidatos. Este paso es rápido, incluso entre millones de documentos.Etapa 2 — Reordenar para mayor precisión. Pasas los candidatos de la Etapa 1 a
zerank-2. El reranker evalúa cada candidato frente a la consulta en detalle y los reordena por relevancia. Esta segunda pasada detecta resultados que son semánticamente cercanos pero no realmente relevantes, y muestra los que sí lo son.
El resultado: Zilliz Cloud se encarga de la escala y la velocidad, ZeroEntropy se encarga de la precisión.
Por qué usar ZeroEntropy con Zilliz Cloud para crear aplicaciones de IA
Mayor precisión de búsqueda con recuperación en dos etapas. La búsqueda por similitud vectorial encuentra documentos que están cerca en el espacio de embeddings, pero cerca no siempre significa relevante. Añadir el reranker de ZeroEntropy como segunda etapa mejora la calidad de los resultados al puntuar la relevancia real en lugar de depender únicamente de la distancia vectorial.
Menores costos de almacenamiento con dimensiones de embedding flexibles.
zembed-1admite dimensiones de salida de 40 a 2.560. Los embeddings más pequeños ocupan menos espacio en tu colección de Zilliz Cloud, lo que reduce los costos de almacenamiento y memoria. Al combinarse con reranking, puedes usar embeddings compactos sin perder calidad de búsqueda.Ranking específico del dominio sin reentrenamiento del modelo.
zerank-2acepta instrucciones en lenguaje natural junto con la consulta — por ejemplo, "prioriza las técnicas prácticas sobre la teoría" o "ordena por actualidad." Esto te permite adaptar la misma canalización a diferentes casos de uso (investigación legal, atención al cliente, recuperación médica) sin ajuste fino ni reentrenamiento.Integración sencilla. La canalización completa — embed, almacenar, buscar, rerank — requiere unas pocas líneas de Python usando los SDKs
zeroentropyypymilvus. Zilliz Cloud gestiona la indexación automáticamente una vez que insertas tus embeddings.Almacenamiento y recuperación vectorial escalables. Milvus está diseñado para indexar y buscar miles de millones de vectores. A medida que tu colección de documentos crece, Zilliz Cloud escala automáticamente para gestionar el mayor volumen de datos y la carga de consultas, de modo que el reranker de ZeroEntropy siempre tenga una recuperación rápida de primera etapa con la que trabajar.
Infraestructura gestionada con indexación automática. Zilliz Cloud se encarga de la creación de índices, el aprovisionamiento de recursos y la optimización del rendimiento de forma predeterminada. Tú insertas tus embeddings de ZeroEntropy; Zilliz Cloud se encarga del resto — no se requiere configuración manual de índices ni gestión de infraestructura.
Cómo integrar ZeroEntropy con Zilliz Cloud
Si usa Milvus de código abierto, simplemente instale el SDK de Python de ZeroEntropy (
zeroentropy) y la biblioteca cliente de Milvus (pymilvus). Si usa Zilliz Cloud (el Milvus gestionado), es mucho más fácil. Los modelos de embedding y reranking están integrados internamente; no se requieren dependencias externas.Genere embeddings vectoriales para sus documentos usando
zembed-1, especificando el tamaño de dimensión que prefiera.Inserte los embeddings en una colección de Zilliz Cloud o Milvus. Zilliz Cloud gestiona la indexación automáticamente.
Para cada consulta, genérele un embedding con
zembed-1y busque en la colección en Zilliz Cloud para recuperar los candidatos principales.Pase los candidatos a
zerank-2para reordenarlos por relevancia. Opcionalmente, incluya una instrucción en lenguaje natural para personalizar el comportamiento de clasificación.
Aprende a usar ZeroEntropy con Zilliz Cloud
La mejor manera de empezar es con un tutorial práctico. Este tutorial te guía sobre cómo crear un pipeline de búsqueda semántica de dos etapas utilizando los modelos de embeddings y reranking de ZeroEntropy con Milvus.
Tutorial: Búsqueda semántica con ZeroEntropy y Milvus
Y aquí tienes algunos recursos más: