大黔门官方网站建设无锡外贸网站制作

一、背景知识

embedding将文本映射到稠密的向量空间中，方便存储和查询。
huggingface的embedding榜单
这里结合自己的应用场景，选择1b以下的embedding模型，综合考量下选择arkohut/jina-embeddings-v3
模型链接

下载

使用模型卡片提供的命令，用cmd下载（强烈建议使用SSH命令下载！！！！用http容易报错）

需要使用魔法上网才能下载。如果超时的话，也可以选择手动下载。注意下载后的文件名应该和网站上提供的一样。

二、jina功能

论文地址：
jina-embeddings-v3: Multilingual Embeddings With Task LoRA

它的创新点主要有：
1.支持的文本长度高达8192 tokens
2.可以进行Task-specific的embedding
3.检索失败时可以合成数据
4.用上了最新的技术，提高了性能

三、LangChain上部署

model_name = "E:\jina-embeddings-v3"
model_kwargs = {'device': 'cpu','trust_remote_code':True}
encode_kwargs = {'normalize_embeddings': False}
hf = HuggingFaceEmbeddings(model_name=model_name,model_kwargs=model_kwargs,encode_kwargs=encode_kwargs
)

完整代码可见
我的实战博客