向量嵌入驱动现代的搜索和检索增强生成 (RAG) 应用。嵌入技术捕捉数据对象 (如文本) 的语义意义，并将其表示为一组数字。在当今的生成式 AI (Generative AI) 应用中，这些向量嵌入通常由称为嵌入模型的技术生成。

但是，如何为搜索或RAG应用程序选择正确的嵌入模型呢？

步骤1：确定用例

通用模型是否能够满足您的需求，还是您有特定的需求，例如模式（如仅文本或多模态）、主题领域（如编码、法律、医学、多语言等）和部署模式？在大多数情况下，从适用于您所需模式的通用模型开始会是一个合理的基线。

步骤2：选择基线模型

大型文本嵌入基准 (MTEB) 排行榜是概览当前广泛存在的专有和开源文本嵌入模型的良好起点。MTEB 为每个嵌入模型列出了多种指标，如模型大小、内存使用量、嵌入维度、最大 Token 数量，以及在检索、摘要等任务中的得分。

以下是为您的应用选择最佳模型时需要考虑的一些因素：

任务：在 MTEB 排行榜上，您会看到各种标签。您需要先确定是想要一个全能型模型，还是一个特定任务（如分类、聚类、检索、摘要等）匹配的模型。例如，如果您正在构建一个 RAG 应用，您可能需要重点关注“检索”任务。如果您有更具体的需求，例如特定语言（如英语、中文、法语、波兰语）或领域（如法律），也需要进一步细化选择。

得分：得分显示了模型在特定基准数据集或多个基准数据集上的表现。根据任务不同，评估指标也不同。通常，这些指标的取值范围在 0 到 1 之间，数值越高表示性能越好。

模型大小和内存使用量：这些指标帮助您了解运行模型所需的计算资源。尽管较大的模型通常具有更好的检索性能，但它们也会增加延迟。此外，较大的模型可能会过拟合，从而在实际应用中表现不佳。因此，在生产环境中，您需要在延迟和性能之间找到平衡。理想情况下，可以先使用一个小型、轻量的模型快速构建基线，然后在管道工作正常后，替换为更大、更高性能的模型。

嵌入维度：这是嵌入向量的长度。虽然较大的嵌入维度能够捕捉更多数据细节和关系，但并不总是必要。例如，与 PDF 进行对话可能并不需要 2048 维度的嵌入。相反，较小的嵌入维度能够提供更快的推理速度，并且在存储和内存方面更高效。因此，您需要在数据复杂性和操作效率之间找到平衡。

最大 Token 数：这是单个嵌入可以处理的最大 Token 数。对于常见的 RAG 应用，合适的嵌入块大小通常是一个段落或更少。在这种情况下，最大 Token 数为 512 的模型应该足够了。然而，在某些特殊情况下，您可能需要嵌入更长的文本，这就需要使用具有更大上下文窗口的模型。

步骤3：根据用例评估模型

虽然 MTEB 排行榜是一个很好的起点，但您应该谨慎对待其结果。请记住，这些结果是模型自行报告的。某些模型的性能分数可能被夸大，因为它们可能在训练数据中包含了公开可用的 MTEB 数据集。最后，用于基准测试的这些数据集可能无法准确代表您所处理的数据。因此，我们建议您在自己的数据集上评估嵌入模型。

准备数据

可以生成一个包含 50 到 100 个数据对象的小型手工标注数据集，以观察能达到的性能。

创建嵌入

可以使用milvus或者Weaviate矢量数据库来存储相应的矢量嵌入。

评估性能

各种评估指标可用，例如精确度，召回率，MRR，MAP和NDCG。

第四步：迭代

在使用用例构建了一个小型基线模型的初始管道后，可以尝试使用几种不同的嵌入模型，看看能否超越基线模型的表现。

可选步骤：微调

微调嵌入模型是一个可选步骤。理想情况下，可以找到一个合适的现成模型，微调仅在需要进一步提升性能时才有必要。

参考

• • Step-by-Step Guide to Choosing the Best Embedding Model for Your Application

• • How to Choose an Embedding Model

欢迎关注我的公众号“NLP轻松谈”，文章将第一时间推送。