如何高效选择RAG的中文Embedding模型？揭秘最佳实践与关键标准！

Embedding 是一种将高维稀疏数据映射到低维稠密空间的技术。这种技术广泛应用于自然语言处理（NLP）、推荐系统、图像处理等领域，用于将离散的、稀疏的输入数据（如词汇、用户ID、物品ID）转化为密集的、连续的向量表示。

在使用RAG（Retrieval-Augmented Generation）技术时，我们常常会遇到一个关于如何选择合适的中文Embedding模型的问题。中文Embedding模型在RAG技术中非常关键，因为它们直接影响到信息检索的效果和生成文本的质量。

当你去搜索中文Embedding模型时，你会在哪儿搜索呢？会发现市面上有很多种选择，该如何选择适合的中文Embedding模型呢？

其实，选择的过程就是一个软件选型的过程，值得重视。

下面，我将在本文详细介绍通过Huggingface筛选中文Embedding的过程。

第一步：打开Huggingface官网：https://huggingface.co/，进入首页。

第二步：点击Models，这里包含Huggingface上所有的开源模型。

第三步：在Languages中选择 chinese 中文。

第四步：搜索embedding，可以看到很多开源的中文Embedding模型。

第5步：排序。

第6步：我们根据下载量来选择下载量比较大的embedding模型。（根据大数据来说，下载量最多的，被大多数人认可，效果理论上还可以。）

第7步：依据HuggingFace的测评榜上进行选择。

打开测评榜：https://huggingface.co/spaces/mteb/leaderboard

这里既包含开源，也包含API，鱼目混杂，需要进一步验证和确认。

当然除了按照下载量和测评结果，还需要考量比如模型的性能、处理速度，vector维度大小等。下面我总结了一些不同维度进行选型的标准，主要包括以下几个方面：

1. 模型性能：这是最重要的标准之一。性能优异的Embedding模型能够提供更准确的向量表示，从而提高信息检索的准确性和生成文本的质量。

2. 处理速度：模型的计算效率也非常关键。处理速度快的模型可以在实际应用中显著提升系统的响应速度，从而改善用户体验。

3. 向量维度大小：Embedding向量的维度大小直接影响到模型的存储和计算成本。较高的维度可以捕捉更多的细节信息，但也会增加计算开销。因此，需要在维度大小和性能之间找到一个平衡点。

4. 适用性：不同的Embedding模型在不同的应用场景下表现各异。选择适合具体任务的模型可以显著提升效果。例如，对于文本生成任务，某些模型可能比其他模型表现更优。

5. 训练数据和方法：Embedding模型的训练数据和方法也会影响其性能和适用性。基于大规模、高质量语料训练的模型通常具有更好的泛化能力。

6. 可扩展性：在处理大量数据或需要频繁更新模型的场景中，模型的可扩展性至关重要。可扩展性好的模型可以更方便地进行扩展和更新。

7. 兼容性：考虑Embedding模型与现有系统和工具的兼容性，以确保模型能够无缝集成到现有工作流中。

8. 社区和支持：选择有活跃社区和良好支持的Embedding模型，可以更方便地获取帮助和资源，解决使用过程中遇到的问题。

m3e-base 是我早期在生产环境使用过的一个Embedding开源模型，下面演示如何在本地化加载和运行。要使用 Hugging Face 加载开源模型 m3e-base 并进行本地化部署，可以按照以下步骤进行：

1. 安装依赖：确保安装了必要的 Python 包，如 transformers 和 torch。

2. 加载模型：使用 Hugging Face 的 transformers 库来加载模型。

3. 进行推理：使用模型进行嵌入生成。

4. 本地部署：可以使用 Flask 或 FastAPI 等框架进行本地部署。

完整的代码如下：

from transformers import AutoModel, AutoTokenizer``   ``# 加载 tokenizer 和模型``tokenizer = AutoTokenizer.from_pretrained("m3e-base")``model = AutoModel.from_pretrained("m3e-base")``   ``# 示例文本``text = "这是一个测试句子。"``   ``# 对输入文本进行编码``inputs = tokenizer(text, return_tensors="pt")``   ``# 生成嵌入``with torch.no_grad():`    `outputs = model(**inputs)`    `embeddings = outputs.last_hidden_state.mean(dim=1)``   ``print(embeddings)

通过上述步骤，你可以加载 Hugging Face 的 m3e-base 模型，并进行本地化部署。你可以根据实际需求进一步优化和扩展这些代码。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】