Джина А.И. / jina-embeddings-v2-base-code

Введение в модели Jina Embedding v2

Модели Jina Embeddings v2 предназначены для работы с длинными документами с расширенным максимальным размером входных данных 8 192 лексем. По состоянию на октябрь 2024 года, Jina AI Embedding V2 имеет следующие варианты, каждый из которых удовлетворяет различные потребности во встраивании.

Что такое jina-embeddings-v2-base-code

jina-embeddings-v2-base-code - это многоязычная модель встраивания, которая понимает английский и 30 популярных языков программирования, поддерживая последовательности длиной до 8192 лексем. Она использует архитектуру на основе BERT, в частности JinaBERT, которая включает симметричный двунаправленный вариант ALiBi для управления более длинными последовательностями. Изначально натренированная на наборе данных кода GitHub, эта модель была усовершенствована с помощью обширной коллекции Jina AI, содержащей более 150 миллионов пар вопросов-ответов по кодированию и пар исходных кодов docstring из различных доменов.

Сравнение jina-embeddings-v2-base-code с другими моделями встраивания Jina.

Модель	Размер параметра	Размерность встраивания	Текст
jina-embeddings-v3	570M	гибкий размер встраивания (по умолчанию: 1024)	многоязычные встраивания текста; поддерживается 94 языка в целом
jina-embeddings-v2-small-en	33M	512	монолингвальных вкраплений на английском языке
jina-embeddings-v2-base-en	137M	768	английских одноязычных вкраплений
jina-embeddings-v2-base-zh	161M	768	Китайско-английские двуязычные вкрапления
jina-embeddings-v2-base-de	161M	768	Немецко-английские двуязычные вкрапления
jina-embeddings-v2-base-code	161M	768	Английский и языки программирования

Как создавать вкрапления с помощью jina-embeddings-v2-base-code

Существует два основных способа создания векторных вкраплений:

1. PyMilvus: Python SDK для Milvus, который легко интегрирует модель jina-embeddings-v2-base-code.
2. Библиотека SentenceTransformer: библиотека Python `sentence-transformer.

После создания векторных вкраплений их можно хранить в векторной базе данных, например Zilliz Cloud (полностью управляемая векторная база данных на базе Milvus), и использовать для поиска семантического сходства.

Вот четыре основных этапа:

• Зарегистрируйтесь для бесплатной учетной записи Zilliz Cloud.
• Настройте бессерверный кластер и получите Публичную конечную точку и ключ API.
• Создайте коллекцию векторов и вставьте в нее свои векторные вкрапления.
• Запустите семантический поиск по сохраненным вкраплениям.

Создание вкраплений с помощью PyMilvus и вставка их в Zilliz Cloud для семантического поиска

from pymilvus.model.dense import SentenceTransformerEmbeddingFunction
из pymilvus import MilvusClient

ef = SentenceTransformerEmbeddingFunction("jinaai/jina-embeddings-v2-base-code", trust_remote_code=True)

docs = [
   "Искусственный интеллект был основан как академическая дисциплина в 1956 году",
   "Алан Тьюринг был первым человеком, который провел серьезные исследования в области искусственного интеллекта",
   "Тьюринг родился в Майда-Вейл, Лондон, и вырос на юге Англии".
]
# Генерируем вкрапления для документов
docs_embeddings = ef(docs)

запросы = ["Когда был основан искусственный интеллект",
          "Где родился Алан Тьюринг?"]
# Генерируем вкрапления для запросов
query_embeddings = ef(queries)

# Подключение к облаку Zilliz с помощью публичной конечной точки и ключа API
client = MilvusClient(
    uri=ZILLIZ_PUBLIC_ENDPOINT,
    token=ZILLIZ_API_KEY)

КОЛЛЕКЦИЯ = "документы"
if client.has_collection(collection_name=COLLECTION):
    client.drop_collection(collection_name=COLLECTION)
client.create_collection(
    имя_коллекции=COLLECTION,
    dimension=ef.dim,
    auto_id=True)

для doc, embedding в zip(docs, docs_embeddings):
    client.insert(COLLECTION, {"text": doc, "vector": embedding})
    
results = client.search(
    имя_коллекции=КОЛЛЕКЦИЯ,
    data=query_embeddings,
    consistency_level="Strong",
    output_fields=["text"])

За подробностями обращайтесь к нашей документации [PyMilvus Embedding Model documentation](За подробностями обращайтесь к нашей документации PyMilvus Embedding Model documentation.).

Создание вкраплений с помощью библиотеки SentenceTransformer и вставка их в Zilliz Cloud для семантического поиска

from sentence_transformers import SentenceTransformer
из pymilvus import MilvusClient

model = SentenceTransformer("jinaai/jina-embeddings-v2-base-code", trust_remote_code=True)

docs = [
   "Искусственный интеллект был основан как академическая дисциплина в 1956 году",
   "Алан Тьюринг был первым человеком, который провел серьезные исследования в области искусственного интеллекта",
   "Тьюринг родился в Майда-Вейл, Лондон, и вырос на юге Англии".
]
# Генерируем вкрапления для документов
docs_embeddings = model.encode(docs, normalize_embeddings=True)

запросы = ["запрос: Когда был основан искусственный интеллект",
           "query: Wo wurde Alan Turing geboren?" ]
# Генерируем вкрапления для запросов
query_embeddings = model.encode(queries, normalize_embeddings=True)

# Подключение к облаку Zilliz с помощью публичной конечной точки и ключа API
client = MilvusClient(
    uri=ZILLIZ_PUBLIC_ENDPOINT,
    token=ZILLIZ_API_KEY)

КОЛЛЕКЦИЯ = "документы"
if client.has_collection(collection_name=COLLECTION):
    client.drop_collection(collection_name=COLLECTION)
client.create_collection(
    имя_коллекции=COLLECTION,
    dimension=768,
    auto_id=True)

для doc, embedding в zip(docs, docs_embeddings):
    client.insert(COLLECTION, {"text": doc, "vector": embedding})
    
results = client.search(
    имя_коллекции=КОЛЛЕКЦИЯ,
    data=query_embeddings,
    consistency_level="Strong",
    output_fields=["text"])