
مدلهای امبدینگ چندبرداری در کتابخانه Sentence Transformers
کتابخانه Sentence Transformers از مدلهای امبدینگ چندبرداری با روش تعامل تأخیری پشتیبانی میکند. این مدلها با تولید چند بردار برای هر متن، دقت بازیابی معنایی را در مقایسه با امبدینگ تکبرداری افزایش میدهند.
کتابخانه Sentence Transformers، یکی از ابزارهای محبوب برای تولید امبدینگ متنی، پشتیبانی از مدلهای امبدینگ چندبرداری (Multi-Vector Embedding) را معرفی کرد. این مدلها بر پایه روش تعامل تأخیری (Late Interaction) طراحی شدهاند و بهجای تولید یک بردار واحد برای هر متن، مجموعهای از بردارها را برای واحدهای زبانی مختلف تولید میکنند. در روش تعامل تأخیری، هر توکن یا بخش از متن یک بردار جداگانه دریافت میکند و امتیاز شباهت بین دو متن بر اساس حداکثر شباهت بین بردارهای سازنده آنها محاسبه میشود. این رویکرد دقت بازیابی را در مقایسه با امبدینگهای تکبرداری افزایش میدهد، زیرا جزئیات معنایی بیشتری را حفظ میکند. پشتیبانی از این مدلها در Sentence Transformers به توسعهدهندگان امکان میدهد تا بدون پیادهسازی دستی، از قابلیتهای تعامل تأخیری در سیستمهای جستجو و بازیابی اطلاعات استفاده کنند. این قابلیت بهویژه برای کاربردهایی مانند جستجوی معنایی، پرسش و پاسخ و سیستمهای توصیهگر مناسب است. برای توسعهدهندگان ایرانی، این بهروزرسانی امکان استفاده از مدلهای بازیابی پیشرفتهتر را در پروژههای بومی فراهم میکند. با توجه به محدودیت دسترسی به برخی سرویسهای ابری، استفاده از کتابخانههای متنباز مانند Sentence Transformers میتواند مسیر پیادهسازی سیستمهای جستجوی هوشمند فارسی را سادهتر کند.
این مدل در اپکس۲۴ قابل دسترس است
یک کلید API — ۵۰+ مدل هوش مصنوعی




