embed-english-light-v3.0 介绍

embed-english-light-v3.0 是 embed-english-v3.0 的一个更小、更快的版本。它几乎同样能干，但速度更快。专为英文文本量身定制。 在 Embed V3 模型系列中比较所有嵌入模型。

model-1.png

• MTEB: 用于评估检索、分类和聚类的广泛数据集（56 个数据集）
• BEIR: 专注于跨域检索的数据集（14 个数据集）

如何使用 embed-english-light-v3.0 创建向量

生成向量有两种主要方式：

1. PyMilvus：Milvus 的 Python SDK，它无缝集成了 embed-english-light-v3.0 模型。
2. Cohere Python SDK：由 Cohere 提供的 Python SDK。 一旦生成了向量，它们可以存储在 Zilliz Cloud（一个由 Milvus 驱动的全托管向量数据库服务）中，并用于语义相似性搜索。以下是四个关键步骤：
3. 免费注册 Zilliz Cloud 账户。
4. 设置无服务器集群并获取公共端点和 API 密钥。
5. 创建 Collection 并插入您的向量。
6. 对存储的向量进行语义搜索。

通过 PyMilvus 生成向量

即将推出使用 PyMilvus 进行文本编码和使用 Zilliz Cloud 进行向量相似性搜索的演示。 请参阅我们的 PyMilvus embedding模型文档，获取逐步指南。

通过 Cohere Python SDK 生成向量

即将推出使用 Cohere Python SDK 进行文本编码和使用 Zilliz Cloud 进行向量相似性搜索的演示。 有关更多信息，请参考 Cohere 文档。