#嵌入模型

api-for-open-llm提供多种开源大模型的后端统一接口，以OpenAI ChatGPT API格式调用支持，如LLaMA、Baichuan等。支持流式响应、文字嵌入等功能，适用于多种应用需求。环境配置简洁，便于快速部署。

UForm是一个全面的多模态AI库，涵盖了从文本到图像，乃至视频剪辑的生成与理解等多种功能。支持多种语言，包含轻量级生成模型及高效的预训练变压模型，能够广泛应用于从服务器到智能手机等不同设备。主要优势包括快速的搜索性能、简易的模型部署过程及卓越的多语言应用能力，适用于快速嵌入、语义搜索、图像标题生成和视觉问答等多种场景。

Ad-papers汇集了计算广告领域的学术论文、实用技术和业界分享，为广告行业的研究者和实践者提供理论支持和实践案例。涵盖优化方法、话题模型、大数据基础架构等多个子领域。开放性的开源属性强调项目的共享精神，适合广告技术开发者、数据科学家以及学术研究人员。

ModelCache 是一种优化大型语言模型（LLMs）响应的语义缓存工具，通过缓存预计算的模型结果，迅速响应相似请求，提升用户体验。它支持多租户，并通过 Redis Search 将缓存与向量数据库的交互时间减至 10ms。该项目整合了多种嵌入框架及本地存储选项如 sqlite 和 faiss，便于用户迅速测试。其目标是降低推理部署成本、提升模型性能和提供可扩展的大型模型服务。

Chrome AI模块为Chrome内置的Gemini Nano模型提供Vercel AI支持，允许开发者通过多种API接口调用语言模型。此模块支持文本生成和嵌入功能，并适配多种模型和自定义设置。适用于Chrome开发版以及未来的正式发布版本。

GraphRAG4OpenWebUI 为 Open WebUI 提供了一个强大而高效的信息检索系统，集成了微软研究院的 GraphRAG 技术，支持本地搜索、全球搜索和 Tavily 搜索。该项目专为需要精确和全面搜索结果的开放网络用户界面设计，并且支持本地语言模型和嵌入模型，增强了灵活性和隐私性。通过多个 API 接口，用户可以轻松实现复杂的信息检索需求。

Embedding Studio是一个开源框架，能将嵌入模型与向量数据库转换为搜索引擎，具备点击流收集、搜索体验改进和模型自动适应等功能。适合处理大量目录和非结构化数据的平台，帮助持续优化搜索效果。

PyKEEN是一个专为知识图谱嵌入设计的Python开源库，支持多模态信息的训练与评估。通过pipeline函数提供高层次的可扩展功能，可以轻松训练和评估模型。内置37个数据集和多个模型，支持自定义数据集和模型扩展。集成了Optuna和PyTorch Lightning，适用于多种训练循环和评估方法。访问https://pykeen.readthedocs.io了解更多信息。

Semantra是一款开源的语义搜索工具，专注于本地文档内容分析。它支持处理文本和PDF文件，通过交互式Web界面提供精准的语义查询功能。Semantra采用多种嵌入模型，可根据需求进行定制，并确保数据隐私和安全。这一工具适用于各类专业人士，如记者、研究人员、学生和历史学家等，帮助他们在大量文档中快速定位关键信息，提升工作效率。

fastc是一款为CPU环境优化的文本分类工具，专为内存受限场景设计。它采用高效蒸馏模型生成嵌入，结合逻辑回归或最近质心方法实现快速分类。该工具支持多分类器并行执行，具备模型训练、保存、加载和发布功能，并提供推理服务器部署选项。fastc为开发者提供了一个全面且高效的文本分类解决方案。

SemanticFinder是一款基于transformers.js的浏览器端语义搜索和文档对话工具。它利用最新的嵌入模型,在浏览器中完成嵌入计算和余弦相似度计算,无需服务器端推理。用户可在2秒内快速搜索大型文本,如圣经或《悲惨世界》。该工具支持多语言,可自定义参数,并提供Chrome扩展程序版本。SemanticFinder将所有处理在本地完成,保护用户数据隐私,是一个高效灵活的语义搜索解决方案。

这是一个基于pyannote.audio的开源说话人嵌入模型，采用改进的x-vector TDNN架构和SincNet特征。模型在VoxCeleb 1测试集上达到2.8%的等错误率，无需额外的语音活动检测或PLDA。支持GPU加速、音频片段嵌入提取和滑动窗口嵌入等功能，可用于说话人识别、验证和分类等任务。

jina-colbert-v2是一个多语言信息检索模型，支持128种语言，采用马特里奥什卡嵌入技术实现效率与精度的平衡。该模型具有8192个输入上下文标记和标记级嵌入的可解释性。在BEIR、MS MARCO等基准测试中，jina-colbert-v2展现出优于前代模型和其他主流方案的检索性能。

该项目提供了BAAI/bge-base-en-v1.5模型的量化ONNX版本，专注于文本嵌入和相似度搜索。通过FastEmbed库，用户可以轻松生成文本嵌入并进行相似度计算。量化后的模型在保持原有性能的基础上，显著提升了推理速度和资源效率，适用于需要高效文本处理的各种应用场景。

NoInstruct-small-Embedding-v0是一个小型嵌入模型，在MTEB基准测试中展现出优秀性能。该模型在文本相似度、分类和检索任务上表现突出，特别是在亚马逊评论分类中。基于sentence-transformers库开发，支持特征提取、句子相似度计算等多种NLP任务。在多个数据集上的出色表现体现了其在实际应用中的潜力。

jina-embeddings-v2-base-code是一款支持英语和30种常用编程语言的代码嵌入模型。它采用Bert架构和ALiBi技术，支持8192序列长度，适合处理长文档。该模型经过大规模代码数据训练，拥有1.61亿参数，可快速高效地生成嵌入。它在技术问答和代码搜索等场景表现出色，为开发者提供了实用的工具。

deepset-mxbai-embed-de-large-v1是一个专为德语开发的句子嵌入模型。该模型基于Sentence Transformers技术,可将德语文本转换为向量表示。在语义相似度和文本分类等任务中表现优异,为德语自然语言处理应用奠定基础。支持高效特征提取,适用于多种下游任务。

msmarco-MiniLM-L-6-v3是一个基于sentence-transformers的句子编码模型，将文本映射至384维向量空间。模型基于BERT架构，支持文本相似度计算和聚类分析，可通过sentence-transformers或HuggingFace Transformers框架调用。

nomic-embed-vision-v1.5是一款视觉嵌入模型，与nomic-embed-text-v1.5共享嵌入空间。该模型在ImageNet零样本和Datacomp基准测试中表现出色，优于OpenAI CLIP和Jina CLIP。它支持多模态检索，适用于文本到图像的检索场景。开发者可通过Nomic嵌入API或Transformers库使用该模型生成嵌入。nomic-embed-vision-v1.5为多模态检索增强生成(RAG)应用提供了有力支持。

该微调模型专注于西班牙语句子相似性任务，使用sentence-transformers框架，将语句转换为768维向量，支持语义搜索和聚类。便捷安装：通过pip获取sentence-transformers或使用HuggingFace Transformers进行高级处理。训练于西班牙语相似句子数据集，取得了80.1%的斯皮尔曼相关性。

FlagEmbedding是一个开源项目，可将文本转换为低维密集向量，用于多种任务，如检索、分类和语义搜索。bge-base-zh-v1.5版本优化了相似度分布，没有指令也能提升检索能力。支持中文和英文的处理，并与大型语言模型(LLM)无缝集成，bge-reranker交叉编码器模型为文档重新排名提供高精度结果。此外，最新的LLM-Embedder满足多样化检索增强需求，使用户在大数据环境中更高效地完成检索和分类。