大模型应用落地：如何选择合适的 Embedding 模型？

0.背景落地

在生成式人工智能(GenAI)领域，检索增强生成(RAG)作为一种策略脱颖而出，它通过集成外部数据来扩充像 ChatGPT 这样的大型语言模型(LLM)的现有知识库。

RAG 系统核心涉及三种关键的人工智能模型组件：嵌入(Embedding)模型负责将信息转化为数学向量，重排名(Reranker)模型则用于优化搜索结果，而强大的基础语言模型确保了丰富的语境理解和生成。

本篇文章旨在指导您依据数据特性及目标领域，比如：金融专业，来挑选最合适的嵌入模型，从而最大化 RAG 系统的效能与准确性。

1.文本数据：MTEB 排行榜

HuggingFace 推出的 MTEB leaderboard 是一个综合性的文本嵌入模型比较平台，让您可以一览各模型的综合性能表现。

为了满足向量搜索的需求，建议优先关注“Retrieval Average”这一列，并按降序排列，以识别在检索任务中表现最优的模型。在此基础上，寻找那些内存占用小、效率高的佼佼者。

• 嵌入向量维度指的是模型输出向量的长度，即函数 f 将输入 x 转化为向量 y 的 y 部分，体现了模型对文本特征的编码深度。

• 而最大 Token 数则是模型能够处理的文本片段的最大长度，相当于函数 f中的输入 x，影响着单次请求能包含的信息量。

在筛选理想模型时，您不仅可根据检索性能排序，还能够依据特定条件进一步筛选：

• 语言支持：涵盖法语、英语、中文、波兰语等多语种。（示例筛选：task=retrieval, Language=chinese）

• 领域适应：针对法律文本的专业应用。（如：task=retrieval, Domain=law）

值得注意的是，MTEB上的排名可能因新公开的训练数据而有所偏差，某些模型的评分可能存在虚高现象。因此，参考 HuggingFace 的官方博客，学习如何辨别模型排名的真实可靠性显得尤为重要。在访问每个模型的“模型卡片”页面时，以下几个步骤至关重要：

• 深入探究训练详情：查找相关博客和研究论文，这些资料会详细介绍模型的训练数据、任务设定等关键信息。

• 留意模型来源：知名机构或公司的模型往往更值得信赖。比如：voyage-lite-02-instruct 模型的卡片缺少与其同系列其他模型的关联信息，暗示其可能存在过拟合问题，不推荐实际部署。

基于上述考量，我建议使用 Snowflake 新推出的“snowflake-arctic-embed-1”模型。该模型不仅在排名上表现抢眼，而且以其较小的体积适合在有限资源的设备上运行，此外，模型卡片提供的博客和论文链接也增加了其透明度和可信度。

2.图像数据：ResNet50

如果您希望查找与某张图片风格或内容相似的其他图片，比如：搜寻更多关于苏格兰折耳猫的图像资料，一种方法是上传一张该品种猫的照片，并利用图像搜索引擎去发掘类似图片。

ResNet50 作为一种广泛采纳的卷积神经网络(CNN)模型，自2015年微软基于 ImageNet 数据集的训练成果以来，便成为了图像识别领域的基石之一。

类似地，在面对视频搜索需求时，ResNet50 能够发挥作用，通过将视频分解成一系列静态帧，对每一帧应用模型以生成对应的嵌入向量。随后，基于这些向量进行相似性比对，系统能够甄选出与查询视频最为接近的视频内容，从而为用户提供高度匹配的搜索结果。

3.音频数据：PANNs

就如同图像搜索一样，您也能够依据提供的音频片段去探寻类似的音频内容。

PANNs（预训练音频神经网络）作为一种主流的音频检索 Embedding 模型，其优势在于它基于庞大的音频资料库进行了预先训练，对此在音频分类与标签分配等任务上展现出卓越的能力。

4.多模态图像与文本数据：SigLIP 或 Unum

近年来，一系列旨在对文本、图像、音频及视频等多种非结构化数据进行综合训练的 Embedding 模型应运而生。这些创新模型能够在统一的向量空间框架下，有效把握并表达不同形态的非结构数据所蕴含的深层语义信息。

多模态 Embedding 技术的发展，使得跨领域的应用如文本导向的图像检索、图像内容的自动生成描述，乃至图像间的相似性搜索成为可能，极大地拓宽了人工智能的应用范畴。

2021年，OpenAI 发布的 CLIP 作为 Embedding 模型的典范，开辟了新领域，尽管其定制化微调的需求增加了使用的复杂度。这一挑战随后在2024年迎来了转机，谷歌推出了 SigLIP（Sigmoidal-CLIP），该模型凭借在 zero-shot prompt 任务上的出色表现，显著降低了部署难度，提升了用户体验。

与此同时，轻量级的小型 LLM（语言模型）日益受到青睐。它们的吸引力在于能够摆脱对高端云计算资源的依赖，轻松实现在个人笔记本上的运行。这些“小而美”的模型，因内存占用低、响应速度快以及处理效率高的特点，正逐步改变着 AI 应用的格局。Unum 等平台更是提供了集成多模态功能的小型 Embedding 模型，进一步推动了 AI 技术的普及与应用便捷性。

5.多模态文本、音频、视频数据

多模态的文本-音频 RAG（检索增强的生成）系统广泛采纳了多模态生成型 LLMs。此过程启始于音频信息的文本化转换，创造音频-文本配对，继而将文本内容编码为 Embedding 形式的向量，以便利用 RAG 机制进行常规的文本查询。最终阶段涉及将检索到的文本逆向关联回相应的音频片段。

OpenAI 的 Whisper 技术在这方面起到了桥接作用，它能够实现语音到文本的高效转写。相反地，OpenAI 还开发了 Text-to-Speech（TTS）模型，完成了从文本到语音的逆向转换，丰富了多模态交互的闭环。

至于多模态文本-视频的 RAG 应用，则采取了类似的策略，先将复杂的视频内容简化为可处理的文本描述，经 Embedding 转化后执行文本查询，最后输出相关的视频片段作为检索成果。

OpenAI 的创新工具 Sora，则在文本到视频的生成领域展现了非凡能力，与 Dall-E 在图像生成领域的成就相似，Sora 仅需用户输入文本提示，即可借助强大的 LLM 生成对应的视频内容。Sora 的灵活性不仅限于文本，还能基于静态图像或现有视频进行视频的衍生创作，进一步拓展了多模态内容生成的边界。

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】