Cohère / embed-english-light-v3.0
Milvus Integrated
Tâche: Intégration
Modalité: Texte
Métrique de similarité: Tous (normalisés)
Licence: Propriétaire
Dimensions: 384
Tokens d'entrée max: 512
Prix: 0,10 $ / 1 million de jetons
Introduction à embed-english-light-v3.0
embed-english-light-v3.0 est une version plus petite et plus rapide de embed-english-v3.0. Presque aussi performante, mais beaucoup plus rapide. Adaptée aux textes en anglais.
Comparaison de tous les modèles d'intégration de la série Embed V3.
| Les modèles Embed V3 et Embed V3 sont les suivants : - Nom du modèle | Dimensions | MTEB Performance (plus c'est élevé, mieux c'est) | BEIR Performance (plus c'est élevé, mieux c'est) | | ----------------------------- | :------------ : | :----------------------------------: | :-------------------------------------: | embed-english-v3.0 | 1024 | 64.5 | 55.9 | embed-english-light-3.0 | embed-english-light-3.0 | 384 | 62.0 | 52.0 | | embed-multilingual-v3.0 | 1024 | 64.0 | 54.6 | | embed-multilingual-light-v3.0 | 384 | 60.1 | 50.9 | | embed-multilingual-v2.0 | 768 | 58.5 | 47.1 |
- MTEB : Large ensemble de données pour évaluer les recherches, la classification et le regroupement (56 ensembles de données)
- BEIR : ensemble de données axé sur les recherches hors domaine (14 ensembles de données)
Comment créer des embeddings vectoriels avec embed-english-light-v3.0
Il y a deux façons principales de générer des embeddings vectoriels :
- PyMilvus : le SDK Python pour Milvus qui intègre de manière transparente le modèle
embed-english-light-v3.0. - Cohere Python SDK : le SDK python proposé par Cohere.
Une fois les encastrements vectoriels générés, ils peuvent être stockés dans Zilliz Cloud (un service de base de données vectorielles entièrement géré par Milvus) et utilisés pour la recherche de similarité sémantique. Voici les quatre étapes clés :
- Sign up pour un compte Zilliz Cloud gratuit.
- Configurer un cluster sans serveur et obtenir le Point de terminaison public et la clé API.
- Créer une collection de vecteurs et insérer vos embeddings vectoriels.
- Lancez une recherche sémantique sur les embeddings stockés.
Générer des embeddings vectoriels via PyMilvus et les insérer dans Zilliz Cloud pour une recherche de similarité.
from pymilvus.model.dense import CohereEmbeddingFunction
from pymilvus import MilvusClient
COHERE_API_KEY = "your-cohere-api-key"
ef = CohereEmbeddingFunction("embed-english-light-v3.0", api_key=COHERE_API_KEY)
docs = [
"L'intelligence artificielle a été fondée en tant que discipline universitaire en 1956,
"Alan Turing a été la première personne à mener des recherches substantielles sur l'intelligence artificielle,
"Né à Maida Vale, Londres, Turing a grandi dans le sud de l'Angleterre."
]
# Générer des embeddings pour les documents
docs_embeddings = ef.encode_documents(docs)
queries = ["Quand l'intelligence artificielle a-t-elle été fondée ?
"Où est né Alan Turing ?"]
# Génère des embeddings pour les requêtes
query_embeddings = ef.encode_queries(queries)
# Connexion au nuage Zilliz avec le point de terminaison public et la clé API
client = MilvusClient(
uri=ZILLIZ_PUBLIC_ENDPOINT,
token=ZILLIZ_API_KEY)
COLLECTION = "documents"
if client.has_collection(collection_name=COLLECTION) :
client.drop_collection(nom_de_la_collection=COLLECTION)
client.create_collection(
nom_de_la_collection=COLLECTION,
dimension=ef.dim,
auto_id=True)
for doc, embedding in zip(docs, docs_embeddings) :
client.insert(COLLECTION, {"text" : doc, "vector" : embedding})
results = client.search(collection_name=COLLECTION,
data=query_embeddings,
niveau de cohérence = "Fort",
output_fields=["text"])
Référez-vous à notre [documentation PyMilvus Embedding Model] (https://milvus.io/docs/embeddings.md) pour un guide étape par étape.
Générer des embeddings vectoriels via Cohere python SDK et les insérer dans Zilliz Cloud pour la recherche de similarité.
import cohere
from pymilvus import MilvusClient
COHERE_API_KEY = "votre-cohere-api-key"
co = cohere.Client(COHERE_API_KEY)
docs = [
"L'intelligence artificielle a été fondée en tant que discipline universitaire en 1956",
"Alan Turing a été la première personne à mener des recherches substantielles sur l'intelligence artificielle,
"Né à Maida Vale, Londres, Turing a grandi dans le sud de l'Angleterre."
]
docs_embeddings = co.embed(
texts=docs, model="embed-english-light-v3.0", input_type="search_document"
).embeddings
queries = ["Quand l'intelligence artificielle a-t-elle été fondée ?
"Où est né Alan Turing ?"]
query_embeddings = co.embed(
texts=docs, model="embed-english-light-v3.0", input_type="search_query"
).embeddings
# Connexion au nuage Zilliz avec le point de terminaison public et la clé API
client = MilvusClient(
uri=ZILLIZ_PUBLIC_ENDPOINT,
token=ZILLIZ_API_KEY)
COLLECTION = "documents"
if client.has_collection(collection_name=COLLECTION) :
client.drop_collection(nom_de_la_collection=COLLECTION)
client.create_collection(
nom_de_la_collection=COLLECTION,
dimension=384,
auto_id=True)
pour doc, embedding dans zip(docs, docs_embeddings) :
client.insert(COLLECTION, {"text" : doc, "vector" : embedding})
results = client.search(
nom_de_la_collection=COLLECTION,
data=query_embeddings,
niveau de cohérence="Fort",
output_fields=["text"])
Pour plus d'informations, consultez [Cohere documentation] (https://docs.cohere.com/docs/cohere-embed).
- Introduction à embed-english-light-v3.0
- Comment créer des embeddings vectoriels avec embed-english-light-v3.0
Contenu
Workflows IA fluides
Des embeddings à la recherche IA évolutive - Zilliz Cloud vous permet de stocker, indexer et récupérer des embeddings avec une vitesse et une efficacité inégalées.
Essayer Zilliz Cloud gratuitement
