Snowflake / snowflake-arctic-embed-m-v2.0
Milvus Integrated
Tâche: Intégration
Modalité: Texte
Métrique de similarité: IP, L1, L2, cosinus
Licence: Apache 2.0
Dimensions: 768
Tokens d'entrée max: 8192
Prix: Gratuit
Introduction à snowflake-arctic-embed-m-v2.0
Le modèle snowflake-arctic-embed-m-v2.0 est un modèle multilingue d'embedding de texte couvrant 74 langues, optimisé pour une récupération de haute qualité et une inférence efficace tout en offrant de solides performances en anglais comme dans les langues autres que l'anglais. Avec 113M de paramètres hors embedding, il fournit une inférence rapide et évolutive, et prend en charge des représentations compactes grâce au Matryoshka Representation Learning et à l'entraînement conscient de la quantification.
Comparez snowflake-arctic-embed-m-v2.0 avec les modèles snowflake-arctic-m :
| Modèle | params | params hors emb | dimensions | Prise en charge linguistique |
|---|---|---|---|---|
| snowflake-arctic-m-v2.0 | 305M | 113M | 768 | multilingue |
| snowflake-arctic-m | 109M | 86M | 768 | Anglais uniquement |
Comment créer des embeddings avec snowflake-arctic-embed-m-v2.0
Il existe deux principales façons de générer des embeddings vectoriels :
- PyMilvus : le SDK Python pour Milvus qui intègre de manière transparente le modèle
snowflake-arctic-embed-m-v2.0. - La fonction
AI_EMBEDfournie par Snowflake Cortex pour le texte et les images.
Une fois les embeddings vectoriels générés, ils peuvent être stockés dans Zilliz Cloud (un service de base de données vectorielle entièrement géré propulsé par Milvus) et utilisés pour la recherche de similarité sémantique. Voici quatre étapes clés :
- Inscrivez-vous gratuitement pour obtenir un compte Zilliz Cloud.
- Configurez un cluster serverless et obtenez le Public Endpoint and API Key.
- Créez une collection vectorielle et insérez vos embeddings vectoriels.
- Exécutez une recherche sémantique sur les embeddings stockés.
Créer des embeddings via PyMilvus et les insérer dans Zilliz Cloud pour la recherche sémantique
from pymilvus.model.dense import SentenceTransformerEmbeddingFunction
from pymilvus import MilvusClient
# Load the Snowflake Arctic Embed M v2.0 model
ef = SentenceTransformerEmbeddingFunction(
"Snowflake/snowflake-arctic-embed-m-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_m_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})")
Pour plus d’informations, consultez notre documentation du modèle d’embedding PyMilvus.
- Introduction à snowflake-arctic-embed-m-v2.0
- Comment créer des embeddings avec snowflake-arctic-embed-m-v2.0
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
