ZeroEntropy and Zilliz Cloud Integration
Integrate Zilliz Cloud with ZeroEntropy to build high-accuracy semantic search using two-stage vector retrieval and reranking.
Usa questa integrazione gratuitamenteChe cos'è ZeroEntropy
ZeroEntropy è un'azienda di infrastrutture di ricerca AI che fornisce modelli di embedding e reranking tramite un'API pensata per gli sviluppatori.
Offre due modelli principali:
zembed-1(Modello di embedding): Converte il testo in embedding vettoriali che catturano il significato semantico. Supporta dimensioni di output configurabili — 40, 80, 160, 320, 640, 1.280 o 2.560 — così puoi bilanciare l'accuratezza rispetto al costo di archiviazione. zembed-1 può ridurre i costi di archiviazione dei database vettoriali fino a 10 volte rispetto alle alternative a dimensione completa.zerank-2(Modello di reranking): Un cross-encoder che assegna punteggi di pertinenza alle coppie query-documento. Invece di basarsi solo sulla distanza vettoriale, legge insieme la query e il documento per valutare quanto corrispondano.zerank-2supporta anche il rispetto delle istruzioni: puoi passare istruzioni in linguaggio naturale per guidare il comportamento di ranking senza riaddestrare il modello.
Entrambi i modelli sono open-weight e disponibili tramite la ZeroEntropy API e l'SDK Python.
Come funzionano gli embedding e il reranking di ZeroEntropy con Zilliz Cloud
ZeroEntropy e Zilliz Cloud lavorano insieme in una pipeline di recupero in due fasi:
Fase 1 — Incorporare e recuperare. Usi
zembed-1per generare embedding vettoriali per i tuoi documenti, quindi li archivi in una collection Zilliz Cloud. Quando arriva una query, la incorpori con lo stesso modello ed esegui una ricerca di similarità vettoriale in Zilliz Cloud per recuperare i candidati migliori. Questo passaggio è veloce, anche su milioni di documenti.Fase 2 — Riordinare per accuratezza. Passi i candidati della Fase 1 a
zerank-2. Il reranker valuta ogni candidato rispetto alla query in dettaglio e li riordina in base alla rilevanza. Questo secondo passaggio intercetta risultati che sono semanticamente vicini ma non realmente rilevanti, e fa emergere quelli che lo sono.
Il risultato: Zilliz Cloud gestisce scala e velocità, ZeroEntropy gestisce la precisione.
Perché usare ZeroEntropy con Zilliz Cloud per creare app di IA
Maggiore accuratezza della ricerca con recupero in due fasi. La ricerca per similarità vettoriale trova documenti vicini nello spazio degli embedding, ma vicino non significa sempre rilevante. L'aggiunta del reranker di ZeroEntropy come seconda fase migliora la qualità dei risultati valutando la reale rilevanza invece di basarsi solo sulla distanza vettoriale.
Costi di archiviazione inferiori con dimensioni degli embedding flessibili.
zembed-1supporta dimensioni di output da 40 a 2.560. Embedding più piccoli occupano meno spazio nella tua collection Zilliz Cloud, riducendo i costi di archiviazione e memoria. In combinazione con il reranking, puoi usare embedding compatti senza perdere qualità di ricerca.Ranking specifico per dominio senza riaddestramento del modello.
zerank-2accetta istruzioni in linguaggio naturale insieme alla query — per esempio, "dai priorità alle tecniche pratiche rispetto alla teoria" o "classifica per recenza." Questo ti consente di adattare la stessa pipeline a diversi casi d'uso (ricerca legale, assistenza clienti, recupero medico) senza fine-tuning o riaddestramento.Integrazione semplice. La pipeline completa — embedding, archiviazione, ricerca, reranking — richiede poche righe di Python usando gli SDK
zeroentropyepymilvus. Zilliz Cloud gestisce automaticamente l'indicizzazione una volta inseriti i tuoi embedding.Archiviazione e recupero vettoriali scalabili. Milvus è progettato per indicizzare e cercare miliardi di vettori. Man mano che la tua collection di documenti cresce, Zilliz Cloud scala automaticamente per gestire l'aumento del volume di dati e del carico di query, così il reranker di ZeroEntropy ha sempre a disposizione un recupero di prima fase rapido con cui lavorare.
Infrastruttura gestita con indicizzazione automatica. Zilliz Cloud gestisce la creazione degli indici, il provisioning delle risorse e l'ottimizzazione delle prestazioni fin da subito. Tu inserisci i tuoi embedding ZeroEntropy; Zilliz Cloud si occupa del resto — senza necessità di configurazione manuale degli indici o gestione dell'infrastruttura.
Come integrare ZeroEntropy con Zilliz Cloud
Se usi Milvus open source, installa semplicemente l'SDK Python ZeroEntropy (
zeroentropy) e la libreria client Milvus (pymilvus). Se usi Zilliz Cloud (il Milvus gestito), è molto più semplice. I modelli di embedding e reranking sono integrati internamente; non sono necessarie dipendenze esterne.Genera gli embedding vettoriali per i tuoi documenti usando
zembed-1, specificando la dimensione preferita.Inserisci gli embedding in una collection Zilliz Cloud o Milvus. Zilliz Cloud gestisce automaticamente l'indicizzazione.
Per ogni query, creane l'embedding con
zembed-1e cerca nella collection in Zilliz Cloud per recuperare i candidati migliori.Passa i candidati a
zerank-2per riordinarli in base alla rilevanza. Facoltativamente, includi un'istruzione in linguaggio naturale per personalizzare il comportamento del ranking.
Scopri come usare ZeroEntropy con Zilliz Cloud
Il modo migliore per iniziare è con un tutorial pratico. Questo tutorial ti guida nella creazione di una pipeline di ricerca semantica a due fasi utilizzando i modelli di embedding e reranking di ZeroEntropy con Milvus.
Tutorial: Ricerca semantica con ZeroEntropy e Milvus
Ed ecco alcune altre risorse: