一、概念与核心原理
1. 嵌入模型的本质
嵌入模型（Embedding Model）是一种将离散数据（如文本、图像）映射到连续向量空间的技术。通过高维向量表示（如 768 维或 3072 维），模型可捕捉数据的语义信息，使得语义相似的文本在向量空间中距离更近。例如，“忘记密码”和“账号锁定”会被编码为相近的向量，从而支持语义检索而非仅关键词匹配。
2. 核心作用
语义编码：将文本、图像等转换为向量，保留上下文信息（如 BERT 的 CLS Token 或均值池化。)
相似度计算：通过余弦相似度、欧氏距离等度量向量关联性，支撑检索增强生成（RAG）、推荐系统等应用。
信息降维：压缩复杂数据为低维稠密向量，提升存储与计算效率。
3. 关键技术原理
上下文依赖：现代模型（如 BGE-M3）动态调整向量，捕捉多义词在不同语境中的含义。
训练方法：对比学习（如 Word2Vec 的 Skip-gram/CBOW）、预训练+微调（如 BERT）。
二、主流模型分类与选型指南
Embedding模型将文本转换为数值向量，捕捉语义信息，使计算机能够理解和比较内容的"意义"。
选择Embedding模型的考虑因素：
| 因素 | 说明 |
|---|---|
|
任务性质 |
匹配任务需求(问答、搜索、聚类等) |
|
领域特性 |
通用vs专业领域(医学、法律等) |
|
多语言支持 |
需处理多语言内容时考虑 |
|
维度 |
权衡信息丰富度与计算成本 |
|
许可条款 |
开源vs专有服务 |
|
最大tokens |
适合的上下文窗口大小 |
|
最佳实践：为特定应用测试多个embedding模型，评估在实际数据上的性能而非仅依赖通用基准。 |
我们一般拿问答系统的标准评估数据集SQuAD（的验证集）进行评估，SQuAD是由斯坦福大学发布的用于 阅读理解问答任务 的英文数据集。主要用于训练和评估模型：根据一段文章回答相关的问题。数据集中每个样本包括：
-
一段文章（context）
-
一个问题（question）
-
正确答案（answer），答案是文章中的一段文本。
下载地址：
https://rajpurkar.github.io/SQuAD-explorer/dataset/dev-v2.0.json
我们拿2个Embedding模型进行评估对比，其代码如下：
# embedding_model效果对比from sentence_transformers import SentenceTransformer, utilimport jsonimport numpy as np# 加载SQuAD数据（假设已处理成列表格式）with open(r"D:\Test\LLMTrain\day18\data\squad_dev.json") as f:squad_data = json.load(f)["data"]# 提取问题和答案对qa_pairs = []for article in squad_data:for para in article["paragraphs"]:for qa in para["qas"]:if not qa["is_impossible"]:qa_pairs.append({"question": qa["question"],"answer": qa["answers"][0]["text"],"context": para["context"]})# 初始化两个本地模型model1 = SentenceTransformer(r'D:\Test\LLMTrain\testllm\llm\sentence-transformers\paraphrase-multilingual-MiniLM-L12-v2') # 模型1model2 = SentenceTransformer(r'D:\Test\LLMTrain\testllm\llm\sungw111\text2vec-base-chinese-sentence') # 模型2# 编码所有上下文（作为向量库）contexts = [item["context"] for item in qa_pairs]context_embeddings1 = model1.encode(contexts) # 模型1的向量库context_embeddings2 = model2.encode(contexts) # 模型2的向量库# 评估函数def evaluate(model, query_embeddings, context_embeddings):correct = 0for idx, qa in enumerate(qa_pairs[:100]): # 测试前100条# 查找最相似上下文sim_scores = util.cos_sim(query_embeddings[idx], context_embeddings)best_match_idx = np.argmax(sim_scores)# 检查答案是否在匹配段落中if qa["answer"] in contexts[best_match_idx]:correct += 1return correct / len(qa_pairs[:100])# 编码所有问题query_embeddings1 = model1.encode([qa["question"] for qa in qa_pairs[:100]])query_embeddings2 = model2.encode([qa["question"] for qa in qa_pairs[:100]])# 执行评估acc1 = evaluate(model1, query_embeddings1, context_embeddings1)acc2 = evaluate(model2, query_embeddings2, context_embeddings2)print(f"模型1准确率: {acc1:.2%}")print(f"模型2准确率: {acc2:.2%}")
打印的结果是：
模型1准确率: 47.00%模型2准确率: 22.00%
由此，我们就可以知道两个Embedding模型在英文的场景下的理解能力。
Embedding模型有很多种，以下是一些主流分类和选型指南。
1. 通用全能型
BGE-M3：北京智源研究院开发，支持多语言、混合检索（稠密+稀疏向量），处理 8K 上下文，适合企业级知识库。
NV-Embed-v2：基于 Mistral-7B，检索精度高（MTEB 得分 62.65），但需较高计算资源。
2.垂直领域特化型
中文场景： BGE-large-zh-v1.5 （合同/政策文件）、 M3E-base （社交媒体分析）。
多模态场景： BGE-VL （图文跨模态检索），联合编码 OCR 文本与图像特征。
3.轻量化部署型
nomic-embed-text：768 维向量，推理速度比 OpenAI 快 3 倍，适合边缘设备。
gte-qwen2-1.5b-instruct：1.5B 参数，16GB 显存即可运行，适合初创团队原型验。
选型决策树：
-
-
中文为主 → BGE 系列 > M3E；
-
多语言需求 → BGE-M3 > multilingual-e5；
-
预算有限 → 开源模型（如 Nomic Embed）;
-
三、代码案例操作
1、从魔塔社区下载Embedding
#模型下载from modelscope import snapshot_downloadmodel_dir = snapshot_download('BAAI/bge-m3',cache_dir=r"D:\Test\LLMTrain\testllm\llm")
2、语义相似度测试
安装包
pip install -U sentence-transformers
逻辑代码
from sentence_transformers import SentenceTransformermodel = SentenceTransformer("BAAI/bge-m3") # 或 "all-MiniLM-L6-v2"sentences = ["这是一只猫。", "This is a cat."]embeddings = model.encode(sentences)# 看相似度from sklearn.metrics.pairwise import cosine_similarityprint(cosine_similarity([embeddings[0]], [embeddings[1]])) # 结果：0.94xxx
使用LlamaIndex中的演示代码：
from llama_index.embeddings.huggingface import HuggingFaceEmbeddingimport numpy as np# 加载 BGE 中文嵌入模型model_name = r"D:\Test\LLMTrain\testllm\llm\BAAI\bge-m3"embed_model = HuggingFaceEmbedding(model_name=model_name,device="cpu", # 使用 GPU为 cuda，如果没有 GPU 改为 "cpu"normalize=True, # 归一化向量，方便计算余弦相似度)# 嵌入文档documents = ["忘记密码如何处理？", "用户账号被锁定"]doc_embeddings = [embed_model.get_text_embedding(doc) for doc in documents]# 嵌入查询并计算相似度query = "密码重置流程"query_embedding = embed_model.get_text_embedding(query)# 计算余弦相似度（因为 normalize=True，点积就是余弦相似度）similarity = np.dot(query_embedding, doc_embeddings[0])print(f"相似度：{similarity:.4f}") # 输出示例：0.7942
如何系统的去学习大模型LLM ？
大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。
事实上，抢你饭碗的不是AI，而是会利用AI的人。
继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？
与其焦虑……
不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！
但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。
基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！
在这个版本当中：
第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言
您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓
一、LLM大模型经典书籍
AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。
二、640套LLM大模型报告合集
这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)
三、LLM大模型系列视频教程
四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）
五、AI产品经理大模型教程
LLM大模型学习路线 ↓
阶段1：AI大模型时代的基础理解
-
目标：了解AI大模型的基本概念、发展历程和核心原理。
-
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例
阶段2：AI大模型API应用开发工程
-
目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
-
内容：
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.3 流水线工程
- L2.4 总结与展望
阶段3：AI大模型应用架构实践
-
目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
-
内容：
- L3.1 Agent模型框架
- L3.2 MetaGPT
- L3.3 ChatGLM
- L3.4 LLAMA
- L3.5 其他大模型介绍
阶段4：AI大模型私有化部署
-
目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
-
内容：
- L4.1 模型私有化部署概述
- L4.2 模型私有化部署的关键技术
- L4.3 模型私有化部署的实施步骤
- L4.4 模型私有化部署的应用场景
这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓
扫一扫
1917
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
