Snowflake / snowflake-arctic-embed-m-v2.0
Milvus Integrated
Compito: Incorporamento
Modalità: Testo
Metrica di Similarità: IP, L1, L2, Coseno
Licenza: Apache 2.0
Dimensioni: 768
Token di Input Massimi: 8192
Prezzo: Gratuito
Introduzione a snowflake-arctic-embed-m-v2.0
Il modello snowflake-arctic-embed-m-v2.0 è un modello multilingue di embedding di testo che copre 74 lingue, ottimizzato per un retrieval di alta qualità e un'inferenza efficiente, offrendo al contempo prestazioni elevate sia in inglese sia in lingue diverse dall'inglese. Con 113M parametri non di embedding, fornisce un'inferenza rapida e scalabile e supporta rappresentazioni compatte tramite Matryoshka Representation Learning e training consapevole della quantizzazione.
Confronta snowflake-arctic-embed-m-v2.0 con i modelli snowflake-arctic-m:
| Modello | parametri | parametri non-emb | dimensioni | Supporto linguistico |
|---|---|---|---|---|
| snowflake-arctic-m-v2.0 | 305M | 113M | 768 | multilingue |
| snowflake-arctic-m | 109M | 86M | 768 | solo inglese |
Come creare embedding con snowflake-arctic-embed-m-v2.0
Esistono due modi principali per generare embedding vettoriali:
- PyMilvus: l'SDK Python per Milvus che integra perfettamente il modello
snowflake-arctic-embed-m-v2.0. - La funzione
AI_EMBEDfornita da Snowflake Cortex per testo e immagini.
Una volta generati gli embedding vettoriali, possono essere archiviati in Zilliz Cloud (un servizio di database vettoriale completamente gestito basato su Milvus) e utilizzati per la ricerca di similarità semantica. Ecco quattro passaggi chiave:
- Registrati gratuitamente per un account Zilliz Cloud.
- Configura un cluster serverless e ottieni il Public Endpoint e API Key.
- Crea una raccolta vettoriale e inserisci i tuoi embedding vettoriali.
- Esegui una ricerca semantica sugli embedding archiviati.
Crea embedding tramite PyMilvus e inseriscili in Zilliz Cloud per la ricerca semantica
from pymilvus.model.dense import SentenceTransformerEmbeddingFunction
from pymilvus import MilvusClient
# Carica il modello Snowflake Arctic Embed M v2.0
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.",
]
# Genera embedding per i documenti
docs_embeddings = ef(docs)
queries = ["When was artificial intelligence founded", "Where was Alan Turing born?"]
# Genera embedding per le query
query_embeddings = ef(queries)
# Connettiti a Zilliz Cloud con Public Endpoint e API Key
client = MilvusClient(uri=ZILLIZ_PUBLIC_ENDPOINT, token=ZILLIZ_API_KEY)
COLLECTION = "arctic_embed_m_v2_documents"
# Elimina la raccolta se esiste
if client.has_collection(collection_name=COLLECTION):
client.drop_collection(collection_name=COLLECTION)
# Crea la raccolta con dimensione rilevata automaticamente
client.create_collection(collection_name=COLLECTION, dimension=ef.dim, auto_id=True)
# Inserisci documenti con embedding
for doc, embedding in zip(docs, docs_embeddings):
client.insert(COLLECTION, {"text": doc, "vector": embedding})
# Cerca documenti simili
results = client.search(
collection_name=COLLECTION,
data=query_embeddings,
# consistency_level="Strong", # La coerenza forte garantisce risultati accurati ma può aumentare la latenza
output_fields=["text"],
limit=2,
)
# Stampa i risultati della ricerca
for i, query in enumerate(queries):
print(f"\nQuery: {query}")
for result in results[i]:
print(f" - {result['entity']['text']} (distance: {result['distance']:.4f})")
Per ulteriori informazioni, consulta la nostra documentazione del modello di embedding PyMilvus.
- Introduzione a snowflake-arctic-embed-m-v2.0
- Come creare embedding con snowflake-arctic-embed-m-v2.0
Contenuto
Flussi di lavoro AI senza interruzioni
Dalle embedding alla ricerca AI scalabile—Zilliz Cloud ti consente di memorizzare, indicizzare e recuperare embedding con velocità e efficienza senza pari.
Prova Zilliz Cloud gratuitamente
