46.6kPrenota una dimostrazioneAccediIniziare gratis
BAAI

BAAI / bge-m3

Un modello di embedding multilingue con funzionalità multiple (dense, sparse e recupero multivettoriale) che supporta 100 lingue.

Milvus Integrated

Compito: Incorporazione

Modalità: Testo

Metrica di Similarità: Coseno, prodotto di punti

Licenza: Mit

Dimensioni: 1024

Token di Input Massimi: 8192

Prezzo: Gratuito

Published 2 min di lettura

Introduzione a BGE-M3

BGE-M3 è un modello di incorporamento del testo sviluppato da BAAI, studiato per essere versatile in diverse lingue e compiti. Supporta oltre 100 lingue e gestisce input fino a 8192 token. Questa capacità consente a BGE-M3 di eccellere in compiti di recupero di testi densi, radi e multivettoriali, rendendolo molto efficace per il recupero di documenti e per la risposta a domande. Le prestazioni all'avanguardia del modello sono dimostrate da benchmark come MKQA e MLDR. La sua architettura include la distillazione dell'autoconoscenza, migliorando l'adattabilità e l'accuratezza su diversi insiemi di dati, e posizionandolo come un potente strumento per il reperimento di informazioni multilingue.

Come creare le incorporazioni con BGE-M3

Esistono due modi per generare embeddings vettoriali:

  • PyMilvus: l'SDK Python per Milvus che integra perfettamente il modello bge-m3.
  • Libreria FlagEmbedding: la libreria Python FlagEmbedding.

Una volta create le incorporazioni vettoriali, queste possono essere memorizzate in Zilliz Cloud (un servizio di database vettoriale completamente gestito da Milvus) e utilizzate per la ricerca di similarità semantica. Ecco i quattro passaggi chiave:

  • Iscriversi per un account Zilliz Cloud gratuito.
  • Configurare un cluster serverless](https://docs.zilliz.com/docs/create-cluster#set-up-a-free-cluster) e ottenere Endpoint pubblico e chiave API.
  • Creare una collezione di vettori e inserire gli embeddings vettoriali.
  • Eseguire una ricerca semantica sugli embeddings memorizzati.

Creare embeddings tramite PyMilvus

da pymilvus.model.hybrid import BGEM3EmbeddingFunction
da pymilvus import MilvusClient, DataType, AnnSearchRequest, WeightedRanker

ef = BGEM3EmbeddingFunction()

docs = [
   "L'intelligenza artificiale è stata fondata come disciplina accademica nel 1956",
   "Alan Turing è stato il primo a condurre una ricerca sostanziale sull'intelligenza artificiale",
   "Nato a Maida Vale, Londra, Turing è cresciuto nel sud dell'Inghilterra".
]
# Generare le incorporazioni per i documenti
docs_embeddings = ef.encode_documents(docs)

query = ["Quando è stata fondata l'intelligenza artificiale",
          "Dove è nato Alan Turing?"]

# Generare embeddings per le query
query_embeddings = ef.encode_queries(queries)

client = MilvusClient(
    uri=ZILLIZ_PUBLIC_ENDPOINT,
    token=ZILLIZ_API_KEY)
 
schema = client.create_schema(
    auto_id=True,
    enable_dynamic_field=True,
)

schema.add_field(nome_campo="pk", datatype=DataType.INT64, is_primary=True)
schema.add_field(
    nome_campo="vettore_denso",
    datatype=DataType.FLOAT_VECTOR,
    dim=ef.dim["denso"],
)
schema.add_field(
    nome_campo="sparse_vector", datatype=DataType.SPARSE_FLOAT_VECTOR
)

index_params = client.prepare_index_params()
index_params.add_index(
    nome_campo="dense_vector", tipo_indice="FLAT", tipo_metrico="IP"
)
index_params.add_index(
    nome_campo="sparse_vector",
    index_type="SPARSE_INVERTED_INDEX",
    metric_type="IP",
)

COLLEZIONE = "documenti"
se client.has_collection(nome_raccolta=COLLEZIONE):
    client.drop_collection(nome_raccolta=COLLEZIONE)
client.create_collection(
    nome_collezione=COLLEZIONE,
    schema=schema,
    index_params=index_params,
    enable_dynamic_field=True,
)

per i in range(len(docs)):
    doc, dense_embedding, sparse_embedding = docs[i], docs_embeddings["dense"][i], docs_embeddings["sparse"][[i]]
    client.insert(COLLECTION, {"text": doc, "dense_vector": dense_embedding, "sparse_vector": sparse_embedding})

k = 1
req_list = []

dense_embedding = query_embeddings["dense"][0]
sparse_embedding = query_embeddings["sparse"][[0]]

dense_search_param = {
    "dati": [dense_embedding],
    "anns_field": "vettore_denso",
    "param": {"metric_type": "IP"},
    "limite": k * 2,
}

dense_req = AnnSearchRequest(**dense_search_param)
req_list.append(dense_req)

sparse_search_param = {
    "dati": [sparse_embedding],
    "anns_field": "sparse_vector",
    "param": {"metric_type": "IP"},
    "limite": k * 2,
}
sparse_req = AnnSearchRequest(**sparse_search_param)
req_list.append(sparse_req)

risultati = client.hybrid_search(
    RACCOLTA,
    req_list,
    WeightedRanker(1.0, 1.0),
    k,
    consistency_level="Strong",
    output_fields=["text"]
)

Per una guida dettagliata passo-passo, consultare la [Documentazione di PyMilvus] (https://milvus.io/docs/embed-with-bgm-m3.md).

Generare incorporazioni vettoriali tramite la libreria FlagEmbedding

da pymilvus import MilvusClient, DataType, AnnSearchRequest, WeightedRanker
da FlagEmbedding importare BGEM3FlagModel

model = BGEM3FlagModel('BAAI/bge-m3', use_fp16=False)

docs = [
   "L'intelligenza artificiale è stata fondata come disciplina accademica nel 1956",
   "Alan Turing è stato il primo a condurre una ricerca sostanziale sull'intelligenza artificiale",
   "Nato a Maida Vale, Londra, Turing è cresciuto nel sud dell'Inghilterra".
]
# Generare le incorporazioni per i documenti
docs_embeddings = model.encode(docs, return_dense=True, return_sparse=True)

query = ["Quando è stata fondata l'intelligenza artificiale",
          "Dove è nato Alan Turing?"]

# Generare embeddings per le query
query_embeddings = model.encode(queries, return_dense=True, return_sparse=True)

client = MilvusClient(
    uri=ZILLIZ_PUBLIC_ENDPOINT,
    token=ZILLIZ_API_KEY)
 
schema = client.create_schema(
    auto_id=True,
    enable_dynamic_field=True,
)

schema.add_field(nome_campo="pk", datatype=DataType.INT64, is_primary=True)
schema.add_field(
    nome_campo="vettore_denso",
    datatype=DataType.FLOAT_VECTOR,
    dim=1024,
)
schema.add_field(
    nome_campo="sparse_vector", datatype=DataType.SPARSE_FLOAT_VECTOR
)

index_params = client.prepare_index_params()
index_params.add_index(
    nome_campo="dense_vector", tipo_indice="FLAT", tipo_metrico="IP"
)
index_params.add_index(
    nome_campo="sparse_vector",
    index_type="SPARSE_INVERTED_INDEX",
    metric_type="IP",
)

COLLEZIONE = "documenti"
se client.has_collection(nome_raccolta=COLLEZIONE):
    client.drop_collection(nome_raccolta=COLLEZIONE)
client.create_collection(
    nome_collezione=COLLEZIONE,
    schema=schema,
    index_params=index_params,
    enable_dynamic_field=True,
)

per i in range(len(docs)):
    doc, dense_embedding, sparse_embedding = docs[i], docs_embeddings["dense_vecs"][i], docs_embeddings["lexical_weights"][i]
    client.insert(COLLECTION, {"text": doc, "dense_vector": dense_embedding, "sparse_vector": {int(k): sparse_embedding[k] per k in sparse_embedding}})

k = 1
req_list = []

dense_embedding = query_embeddings["dense_vecs"][0]
sparse_embedding = {int(k): query_embeddings["lexical_weights"][0][k] for k in query_embeddings["lexical_weights"][0]}

dense_search_param = {
    "dati": [dense_embedding],
    "anns_field": "vettore_denso",
    "param": {"metric_type": "IP"},
    "limite": k * 2,
}

dense_req = AnnSearchRequest(**dense_search_param)
req_list.append(dense_req)

sparse_search_param = {
    "dati": [sparse_embedding],
    "anns_field": "sparse_vector",
    "param": {"metric_type": "IP"},
    "limite": k * 2,
}
sparse_req = AnnSearchRequest(**sparse_search_param)
req_list.append(sparse_req)

risultati = client.hybrid_search(
    RACCOLTA,
    req_list,
    WeightedRanker(1.0, 1.0),
    k,
    consistency_level="Strong",
    output_fields=["text"]
)

Ulteriori letture

Risorse Correlate