bge-base-en-v1.5 | BAAI 가이드

모든 모델
BAAI / bge-base-en-v1.5

BAAI / bge-base-en-v1.5

AI Model Milvus Integrated

작업: 임베딩

형태: 텍스트

유사성 측정법: 모두(정규화)

라이선스: Apache 2.0

차원: 768

최대 입력 토큰: 512

가격: 무료

bge-base-en-v1.5 소개

bge-base-en-v1.5`는 주어진 영어 텍스트를 압축 벡터로 변환하는 BAAI 일반 임베딩(BGE) 모델입니다.

bge-base-en-v1.5`를 다른 인기 BGE 모델과 비교해 보세요:

모델	크기	최대 토큰	MTEB avg
bge-large-en-v1.5	1024	512	64.23
bge-large-en	1024	512	63.98
bge-base-en-v1.5	768	512	63.55	63.55
bge-base-en	768	512	63.36
bge-small-en-v1.5	384	512	62.17
bge-small-en	384	512	62.11

bge-base-en-v1.5로 임베딩을 만드는 방법

벡터 임베딩을 만드는 방법에는 크게 두 가지가 있습니다:

PyMilvus: bge-base-en-v1.5를 원활하게 통합하는 Milvus 용 Python SDK.
FlagEmbedding: BAAI에서 제공하는 공식 Python SDK.

이러한 방법을 통해 개발자는 고급 텍스트 임베딩 기능을 애플리케이션에 쉽게 통합할 수 있습니다.

벡터 임베딩이 생성되면 질리즈 클라우드(Milvus가 제공하는 완전 관리형 벡터 데이터베이스 서비스)에 저장하여 의미적 유사성 검색에 사용할 수 있습니다. 다음은 네 가지 주요 단계입니다:

질리즈 클라우드 계정을 무료로 가입합니다.
서버리스 클러스터 설정](https://docs.zilliz.com/docs/create-cluster#set-up-a-free-cluster) 및 퍼블릭 엔드포인트 및 API 키를 발급받습니다.
벡터 컬렉션을 생성하고 벡터 임베딩을 삽입합니다.
저장된 임베딩에 대해 시맨틱 검색을 실행합니다.

파이밀버스를 통해 벡터 임베딩을 생성하고 질리즈 클라우드에 삽입하여 시맨틱 검색을 진행합니다.

파이밀버스 가져오기 모델, MilvusClient에서

ef = model.dense.SentenceTransformerEmbeddingFunction(
   model_name="BAAI/bge-base-en-v1.5",
   device="cpu",
   query_instruction="관련 구절 검색을 위해 이 문장을 표현하세요:"
   )

# 문서에 대한 임베딩 생성
docs = [
   "인공 지능은 1956년에 학문 분야로 설립되었습니다.",
   "앨런 튜링은 인공지능 분야에서 실질적인 연구를 수행한 최초의 인물입니다.",
   "런던의 메이다 베일에서 태어난 튜링은 영국 남부에서 자랐습니다.", "앨런 튜링은 인공지능을 연구한 최초의 사람입니다.".
]

문서_임베딩 = ef.encode_documents(docs)

# 쿼리에 대한 임베딩 생성하기
queries = ["인공 지능은 언제 설립되었나요",
          "앨런 튜링은 어디에서 태어났나요?"]

쿼리 임베딩 = ef.encode_queries(쿼리)

# 퍼블릭 엔드포인트와 API 키로 질리즈 클라우드에 연결하기
client = 밀버스클라이언트(
    uri=ZILLIZ_PUBLIC_ENDPOINT,
    token=ZILLIZ_API_KEY)

컬렉션 = "문서"
if client.has_collection(collection_name=COLLECTION):
    client.drop_collection(collection_name=COLLECTION)
client.create_collection(
    collection_name=COLLECTION,
    dimension=ef.dim,
    auto_id=True)

문서의 경우 zip(docs, docs_embeddings)에 임베딩합니다:
    client.insert(COLLECTION, {"text": doc, "vector": embedding})
    
results = client.search(
    collection_name=COLLECTION,
    data = 쿼리_임베딩,
    일관성_레벨="강함",
    output_fields=["text"])

자세한 내용은 파이밀버스 임베딩 모델 문서를 참조하세요.

플래그임베딩 파이썬 라이브러리를 통해 벡터 임베딩을 생성하고 질리즈 클라우드에 삽입하여 시맨틱 검색을 수행합니다.

깃발 임베딩에서 깃발 모델 임포트
pymilvus에서 MilvusClient를 가져옵니다.

model = FlagModel("BAAI/bge-base-en-v1.5",
                  query_instruction_for_retrieval="관련 구절을 검색하기 위해 이 문장을 표현하세요:",
                  use_fp16=False)

# 문서에 대한 임베딩 생성
docs = [
   "인공 지능은 1958년에 학문 분야로 설립되었습니다.",
   "앨런 튜링은 인공지능 분야에서 실질적인 연구를 수행한 최초의 인물입니다.",
   "런던의 메이다 베일에서 태어난 튜링은 영국 남부에서 자랐습니다.", "앨런 튜링은 인공지능을 연구한 최초의 사람입니다.".
]
문서_임베딩 = 모델.인코딩(문서)

# 쿼리에 대한 임베딩 생성하기
queries = ["인공 지능은 언제 설립되었나요",
          "앨런 튜링은 어디에서 태어났나요?"]
query_embedings = model.encode_queries(queries)

# 퍼블릭 엔드포인트와 API 키로 질리즈 클라우드에 연결하기
client = 밀버스클라이언트(
    uri=ZILLIZ_PUBLIC_ENDPOINT,
    token=ZILLIZ_API_KEY)

컬렉션 = "문서"
if client.has_collection(collection_name=COLLECTION):
    client.drop_collection(collection_name=COLLECTION)
client.create_collection(
    collection_name=COLLECTION,
    dimension=768,
    auto_id=True)

문서의 경우 zip(docs, docs_embeddings)에 임베딩합니다:
    client.insert(COLLECTION, {"text": doc, "vector": embedding})

results = client.search(
    collection_name=COLLECTION,
    data = 쿼리_임베딩,
    일관성_레벨="강함",
    output_fields=["text"])