สร้างโดย Wan
การฝังข้อความและการจัดอันดับใหม่เป็นเทคโนโลยีพื้นฐานในการประมวลผลภาษาธรรมชาติ (NLP) ที่ขับเคลื่อนเครื่องมือค้นหาสมัยใหม่ ระบบแนะนำ การสร้างเสริมการดึงข้อมูล (RAG) และแม้แต่ Agentic AI
การฝังข้อความจะแปลงข้อความที่ไม่มีโครงสร้างเป็นเวกเตอร์ตัวเลขที่มีการเกาะกลุ่มกัน (เช่น อาร์เรย์ตัวเลข) ที่เก็บความหมายเชิงอรรถศาสตร์ เวกเตอร์เหล่านี้ช่วยให้เครื่องสามารถวัดความคล้ายคลึงกันระหว่างข้อความ รองรับงานต่าง ๆ เช่นการค้นหาเชิงความหมาย การจัดกลุ่ม และการจัดหมวดหมู่ ตัวอย่างเช่น คิวรี เช่น_"LLM ที่ดีที่สุดสำหรับอุตสาหกรรมการเงิน"_สามารถจับคู่กับคำอธิบายหรือบทความของ LLM (โมเดลภาษาขนาดใหญ่) ที่สอดคล้องกับเจตนา
การจัดอันดับใหม่จะปรับแต่งผลลัพธ์ของขั้นตอนการดึงข้อมูลเบื้องต้นโดยการจัดเรียงตัวเลือกใหม่อีกครั้งตามคะแนนความเกี่ยวข้องที่ปรับให้ละเอียดยิ่งขึ้น ในขณะที่โมเดลการฝังจะดึงการจับคู่ในวงกว้างกว่า ตัวจัดอันดับใหม่จะให้ลำดับความสำคัญของผลลัพธ์ที่เกี่ยวข้องกับบริบทมากที่สุดมาเป็นอันดับแรก ตัวอย่างเช่น เครื่องมือค้นหาอาจดึงข้อมูลเอกสาร 100 รายการแรกขึ้นมาโดยใช้การฝัง แล้วจึงใช้ตัวจัดอันดับใหม่เพื่อเลือกรายการที่เกี่ยวข้องมากที่สุด 10 อันดับแรก
การนำไปใช้หลัก:
ซีรีส์การฝังของ Qwen3 สร้างขึ้นบนโมเดล Qwen3โดยแสดงถึงการก้าวกระโดดในการเรียนรู้การแทนที่ข้อความ โดยประกอบด้วยโมเดลการฝัง (สำหรับการทำให้ข้อความอยู่ในรูปแบบเวกเตอร์) และโมเดลการจัดอันดับใหม่ (สำหรับการปรับแต่งผลลัพธ์การค้นหา) ด้วยพารามิเตอร์ขนาด 0.6B, 4B และ 8B
1. ความสามารถที่หลากหลายเป็นพิเศษ:
2. ความยืดหยุ่นที่ครอบคลุม:
3. ความเชี่ยวชาญหลายภาษา:
ผลการประเมินสำหรับโมเดลการจัดอันดับใหม่:
ผลการประเมินสำหรับโมเดลการจัดอันดับใหม่:
| โมเดล | พารามิเตอร์ | MTEB-R | CMTEB-R | MMTEB-R | MLDR | MTEB-Code | FollowIR |
|---|---|---|---|---|---|---|---|
| Qwen3-Embedding-0.6B | 0.6B | 61.82 | 71.02 | 64.64 | 50.26 | 75.41 | 5.09 |
| Jina-multilingual-reranker-v2-base | 0.3B | 58.22 | 63.37 | 63.73 | 39.66 | 58.98 | -0.68 |
| gte-multilingual-reranker-base | 0.3B | 59.51 | 74.08 | 59.44 | 66.33 | 54.18 | -1.64 |
| BGE-reranker-v2-m3 | 0.6B | 57.03 | 72.16 | 58.36 | 59.51 | 41.38 | -0.01 |
| Qwen3-Reranker-0.6B | 0.6B | 65.80 | 71.31 | 66.36 | 67.28 | 73.42 | 5.41 |
| Qwen3-Reranker-4B | 4B | 69.76 | 75.94 | 72.74 | 69.97 | 81.20 | 14.84 |
| Qwen3-Reranker-8B | 8B | 69.02 | 77.45 | 72.94 | 70.19 | 81.22 | 8.05 |
ประสิทธิภาพ
ประสิทธิผล:
การปรับแต่ง:
ข้อกำหนดด้านทรัพยากร:
เวลาหน่วง:
ภาพรวมของโมเดล:
| ประเภทโมเดล | โมเดล | ขนาด | ชั้น | ลำดับความยาว | ขนาดการฝัง | การรองรับ MRL | ความเข้าใจในคำสั่ง |
|---|---|---|---|---|---|---|---|
| การฝังข้อความ | Qwen3-Embedding-0.6B | 0.6B | 28 | 32K | 1024 | ใช่ | ใช่ |
| Qwen3-Embedding-4B | 4B | 36 | 32K | 2560 | ใช่ | ใช่ | |
| Qwen3-Embedding-8B | 8B | 36 | 32K | 4096 | ใช่ | ใช่ | |
| การจัดอันดับข้อความใหม่ | Qwen3-Reranker-0.6B | 0.6B | 28 | 32K | - | - | ใช่ |
| Qwen3-Reranker-4B | 4B | 36 | 32K | - | - | ใช่ | |
| Qwen3-Reranker-8B | 8B | 36 | 32K | - | - | ใช่ |
หมายเหตุ:“การรองรับ MRL” ระบุว่าโมเดลการฝังรองรับขนาดที่กำหนดเองสำหรับการฝังขั้นสุดท้ายหรือไม่ “ความเข้าใจในคำสั่ง" ตั้งข้อสังเกตว่ารูปแบบการฝังหรือการจัดอันดับใหม่รองรับการปรับแต่งคำสั่งที่ป้อนสำหรับงานที่แตกต่างกันหรือไม่
Alibaba Cloud มีวิธีการหลักสองวิธีในการเรียกใช้โมเดลการฝัง:
Model Studio ของ Alibaba Cloud ลดความยุ่งยากในการเข้าถึงโมเดลโอเพนซอร์สที่ฝึกไว้ล่วงหน้าอันเป็นกรรมสิทธิ์ รวมถึง text-embedding-v3 โดยไม่จำเป็นต้องมีการปรับใช้หรือการจัดการโครงสร้างพื้นฐาน
1. เข้าถึง Model Studio:
2. เรียกใช้โมเดลผ่าน API ที่เข้ากันได้กับ OpenAI:
นำเข้า os
จาก openai นำเข้า OpenAI
client = OpenAI(
api_key=os.getenv("DASHSCOPE_API_KEY"), # แทนที่ด้วย API Key ของคุณหากคุณไม่ได้กำหนดค่าตัวแปรสภาพแวดล้อม
base_url="https://dashscope-intl.aliyuncs.com/compatible-mode/v1" # base_url สำหรับ Model Studio
)
completion = client.embeddings.create(
model="text-embedding-v3",
input='คุณภาพของเสื้อผ้าดีมาก สวยมาก คุ้มค่ากับการรอคอย ฉันชอบ และจะซื้อที่นี่อีกแน่นอน',
dimensions=1024,
encoding_format="float"
)
print(completion.model_dump_json())ในส่วนของกรณีการใช้งานขั้นสูงที่จำเป็นต้องมีการปรับแต่ง (เช่น การปรับแต่งอย่างละเอียดเฉพาะโดเมน) ปรับใช้ Qwen3-Embedding-8B หรือตัวแปร Qwen3 อื่นๆ บนPAI-EAS (บริการเร่งความเร็วที่ยืดหยุ่น) ด้านล่างนี้เป็นคู่มือทีละขั้นตอนตามเครื่องมือและอินเทอร์เฟซ PAI ล่าสุด:
1. ลงชื่อเข้าใช้คอนโซล PAI
2. เลือก พื้นที่ทำงาน และเลือก _การเริ่มต้นใช้งานด่วน >แกลเลอรีโมเดล > NLP > การฝัง_ หาหรือค้นหาโมเดล Qwen3-Embedding
3. คลิกข้อความ ปรับใช้ ถัดจากโมเดลที่ต้องการ (เช่น Qwen3-Embedding-8B)
4. กำหนดค่าประเภทอินสแตนซ์ การปรับขนาดอัตโนมัติ และพารามิเตอร์อื่นๆ
5. เพื่อเข้าถึงโมเดลที่ปรับใช้ล่าสุด ให้ไปยังส่วนการปรับใช้โมเดลและเลือกบบริการอัลกอริทึมที่ยืดหยุ่น (EAS) เมื่อ "สถานะการบริการ" คือ "กำลังดำเนินการ" คุณจะสามารถเริ่มใช้โมเดลได้
6. คลิกวิธีการเรียกใช้และคัดลอกปลายทาง API ที่สร้างขึ้นสำหรับการผสานรวม
เวิร์กโฟลว์ที่คล่องตัวนี้ช่วยให้มั่นใจว่าจะสามารถปรับใช้ได้อย่างรวดเร็วในขณะที่ยังคงความยืดหยุ่นในการปรับแต่งขั้นสูง
PAI-EAS รองรับรูปแบบ API ของ OpenAI ตั้งแต่ต้น ทำให้สามารถผสานรวมเข้ากับเครื่องมือต่าง ๆ เช่น LangChain หรือ OpenAI:
จาก openai นำเข้า OpenAI
# เริ่มต้นไคลเอ็นต์ด้วยจุดปลายทาง PAI-EAS
client = OpenAI(
base_url="https://<pai-eas-endpoint>/v1",
api_key="<your-pai-api-key>"
)
# Generate embeddings
embedding = client.embeddings.create(
input="ฉันควรเลือก LLM ที่ดีที่สุดสำหรับอุตสาหกรรมการเงินอย่างไร?",
model="qwen3-embedding-8b"
)
print(embedding.data[0].embedding) # Outputs a 4096D vector
# จัดอันดับผลลัพธ์การค้นหา
rerank = client.rerank.create(
query="Renewable energy solutions",
documents=[
"การนำพลังงานแสงอาทิตย์มาใช้เพิ่มขึ้น 30% ในปี 2024",
"พลังงานลมเผชิญกับความท้าทายในเขตเมือง",
"เซลล์เชื้อเพลิงไฮโดรเจนให้ระบบขนส่งที่ไม่ปล่อยมลพิษ"
],
model="qwen3-reranker-4b"
)
print(rerank.results) # ส่งคืนคะแนนความเกี่ยวข้อง 1. การโทร API โดยตรง (ไม่บังคับ)
สำหรับการควบคุมระดับต่ำ ส่งคำขอ HTTP ดิบ:
นำเข้าคำขอ
# คำขอตัวอย่าง
url = "<pai-eas-endpoint>/v1/embeddings"
headers = {"Authorization": "Bearer <your-api-key>"}
payload = {
"input": ["การคำนวณเชิงควอนตัมจะปฏิวัติวงการการเข้ารหัสข้อมูล"],
"model": "qwen3-embedding-8b"
}
response = requests.post(url, headers=headers, json=payload)
print(response.json()) | กรณีการใช้งาน | Model Studio | PAI-EAS |
|---|---|---|
| การสร้างต้นแบบอย่างรวดเร็ว | ✅ ไม่ต้องเขียนโค้ด เข้าใช้งานได้ทันที | ❌ ต้องมีการตั้งค่าการปรับใช้ |
| การปรับแต่งเฉพาะโดเมน | ❌ จำกัดไว้เพียงโมเดลที่ฝึกไว้ล่วงหน้า | ✅ รองรับการปรับแต่งอย่างละเอียดและโมเดลที่กำหนดเอง |
| คุ้มค่าใช้จ่าย | ✅ การกำหนดราคาแบบจ่ายตามโทเค็น | ✅ การกำหนดราคาของอินสแตนซ์ GPU ที่ยืดหยุ่น |
| การผสานรวมเข้ากับ OpenAI SDK | ✅ การรองรับ API-ที่เข้ากันได้กับ OpenAI | ✅ การรองรับ API-ที่เข้ากันได้กับ OpenAI |
โมเดลการฝังและการจัดอันดับใหม่ของ Qwen3 ให้ความยืดหยุ่นและประสิทธิภาพที่ไม่มีใครเทียบได้ในอุตสาหกรรมต่างๆ คุณสามารถปรับใช้และปรับแต่งโมเดลเหล่านี้อย่างละเอียดเพื่อแก้ไขปัญหาความท้าทายเฉพาะโดเมน นับตั้งแต่การวิเคราะห์ความเสี่ยงทางการเงินไปจนถึงการวิจัยทางการแพทย์โดยใช้ประโยชน์จากระบบนิเวศ PAI ของ Alibaba Cloud การทำงานในอนาคตรวมถึงการขยายขีดความสามารถหลายรูปแบบ (เช่น การดึงข้อมูลภาพและข้อความระหว่างรูปแบบต่าง ๆ) และการเพิ่มประสิทธิภาพสำหรับอุปกรณ์ปลายทาง
ในโลกของ AI นั้น รูปแบบเดียวไม่ได้ใช้ได้กับทุกกรณี ในขณะที่โมเดลการฝังและการจัดอันดับใหม่ของ Qwen3 ได้รับการฝึกไว้ล่วงหน้าเพื่อฝึกงานทั่วไปจนเชี่ยวชาญ นับตั้งแต่การทำความเข้าใจข้อความหลายภาษาไปจนถึงการดึงข้อมูลโค้ด ศักยภาพที่แท้จริงของโมเดลจะแสดงให้เห็นเมื่อปรับแต่งให้เข้ากับโดเมน เช่น การเงิน การดูแลสุขภาพ หรือกฎหมาย นี่คือจุดที่ PAI-Lingjun แพลตฟอร์มการฝึกขนาดใหญ่ของ Alibaba Cloud จะเข้ามาเป็นตัวเร่งปฏิกิริยาในการเปลี่ยนแปลง
ลองนึกภาพนักวิจัยด้านเภสัชกรรมคัดกรองการทดลองทางคลินิกหลายล้านครั้งเพื่อค้นหาโรคหายากที่ตรงกัน หรือทนายความไล่ดูสัญญาหลายพันฉบับเพื่อหาข้อกฎหมายข้อใดข้อหนึ่งโดยเฉพาะ โมเดลทั่วไป แม้จะมีประสิทธิภาพ แต่ก็มักจะพลาดรายละเอียดปลีกย่อยของภาษาเฉพาะโดเมน เช่น “EBITDA” “กล้ามเนื้อหัวใจตาย ”หรือ “เหตุสุดวิสัย ”ที่ต้องการความถูกต้องแม่นยำ การปรับแต่งช่องว่างนี้ช่วยปรับสถาปัตยกรรมของ Qwen3 ให้เข้าใจถึงความแตกต่างในรายละเอียดปลีกย่อยของงานเฉพาะทาง นับตั้งแต่การค้นพบยาไปจนถึงการประเมินความเสี่ยงทางการเงิน
Pai-Lingjun เป็นเครื่องทรงพลังที่ออกแบบมาเพื่อจัดการกับความต้องการทางการคำนวณของการปรับแต่งโมเดล Qwen3 ด้วยการรองรับการฝึกแบบกระจายทั่ว GPU/TPU ทำให้องค์กรสามารถปรับขนาดจากโมเดลพารามิเตอร์ 0.6B ไปจนถึง 8B ได้สร้างความมั่นใจว่าโดเมนที่ซับซ้อนที่สุดจะสามารถค้นหาความสมดุลในอุดมคติระหว่างความเร็วและความแม่นยำได้
องค์ประกอบหลักของเวิร์กโฟลว์:
1. การฝึกล่วงหน้าที่ได้รับการดูแลอย่างหลวม ๆ:
ในที่นี้ Qwen3 เรียนรู้จังหวะของโดเมน ด้วยการสร้างข้อมูลสังเคราะห์ เช่น การสร้างคิวรีสำหรับการสมัครขอสินเชื่อหรือการเลียนแบบศัพท์แสงทางกฎหมาย ก็จะสร้างโครงสร้างความเข้าใจ แม้กระทั่งในสถานการณ์ที่มีทรัพยากรต่ำ
2. การปรับแต่งอย่างละเอียดที่ได้รับการดูแล:
โมเดลนี้จะฝึกฝนความเชี่ยวชาญด้วยข้อมูลที่คัดสรรแล้ว ธนาคารอาจฝึกเอกสารทางการเงิน 12 ล้านฉบับ โดยสอนให้สังเกตสัญญาณเตือนในการสมัครขอสินเชื่อด้วยความแม่นยำอย่างยิ่งยวด
3. การผสานรวมโมเดล:
การเคลื่อนที่แบบเส้นโค้งระหว่างเวกเตอร์บนทรงกลม (SLERP) ผสานจุดเช็คพอยต์ โดยสร้างสมดุลระหว่างการทำให้เป็นลักษณะทั่วไปและเฉพาะทาง เช่นเดียวกันกับการผสมสีบนจานสี ผลลัพธ์? โมเดลที่เติบโตได้ทั้งความกว้างและความลึก
การปรับแต่ง Qwen3-Embedding-8B อย่างละเอียดไม่ได้มีไว้สำหรับคนใจไม่กล้า ต้องใช้ NVIDIA A100 GPU จำนวน 8 ตัวและเวลาฝึก 3-5 วัน อย่างไรก็ตาม ผลลัพธ์ที่ได้นั้นถือว่ามากมายมหาศาล: ความแม่นยำในการดึงข้อมูลจะก้าวกระโดดจาก 72% ไปเป็น 89% และความครอบคลุมโดเมนก็พุ่งสูงขึ้นถึง 93% โมเดลที่เล็กกว่า เช่น Qwen3-Reranker-0.6B ให้ความคล่องตัวในการให้คะแนนในแบบเรียลไทม์เพื่อพิสูจน์ว่าประสิทธิภาพนั้นไม่ได้เกี่ยวกับขนาดเสมอไป
| จำนวนพารามิเตอร์โมเดล | ทรัพยากรการฝึกพารามิเตอร์เต็มรูปแบบ | ทรัพยากรการอนุมานขั้นต่ำ | ความเท่าเทียมของโมเดลสำหรับการฝึกอบรมที่ใช้เมกะทรอน |
|---|---|---|---|
| 7 พันล้าน | gu7xf GPU จำนวน 8 ตัวหรือ gu7ef GPU จำนวน 8 ตัว | NVIDIA V100 GPU จำนวนหนึ่งตัง (หน่วยความจำ 32 GB) หรือ NVIDIA A10 GPU จำนวนหนึ่งตัว (หน่วยความจำ 24 GB) | TP1 และ PP1 |
| 14 พันล้าน | gu7xf GPU จำนวน 8 ตัวหรือ gu7ef GPU จำนวน 8 ตัว | NVIDIA V100 GPU จำนวนสองตัง (หน่วยความจำ 32 GB) หรือ NVIDIA A10 GPU จำนวนสองตัว (หน่วยความจำ 24 GB) | TP2 และ PP1 |
| 72 พันล้าน | เซิร์ฟเวอร์สี่ตัว โดยแต่ละตัวมี gu7xf GPU จำนวนแปดตัวหรือ gu7ef GPU จำนวนแปดตัว | NVIDIA V100 GPU จำนวนหกตัง (หน่วยความจำ 32 GB) หรือ gu7xf GPU จำนวนสองตัว | TP8 และ PP2 |
โซลูชัน:
โซลูชัน:
โซลูชัน:
โซลูชัน:
โซลูชัน:
ด้วย Pai-Lingjun และ Qwen3 พลังในการเปลี่ยนอุตสาหกรรมที่ปลายนิ้วของคุณ ไม่ว่าคุณจะปรับโมเดลความเสี่ยงด้านการเงินให้เหมาะสมที่สุดหรือเร่งความก้าวหน้าทางการแพทย์ ความสามารถในการฝังและการจัดอันดับใหม่ของ Qwen3 จะให้ความแม่นยำที่ไม่มีใครเทียบได้ มากำหนดสิ่งที่เป็นไปได้ใหม่อีกครั้งร่วมกัน
มีคำถามใช่ไหม ติดต่อทีมของเราเพื่อสำรวจ PAI-Lingjun เพื่อเริ่มการทดลองใช้งานฟรีของคุณในวันนี้!
การปรับแต่ง Qwen3 อย่างละเอียดไม่ได้เป็นเพียงกระบวนการทางเทคนิคเท่านั้น แต่เป็นการก้าวกระโดดเชิงกลยุทธ์ ไม่ว่าคุณกำลังปฏิวัติวงการทางการเงิน การดูแลสุขภาพ หรือวัสดุศาสตร์, PAI-Lingjun พร้อมช่วยให้คุณปลดล็อก AI อย่างเต็มศักยภาพ
ซีรีส์การฝัง Qwen3 แสดงถึงการก้าวกระโดดอย่างมากในการเรียนรู้การแสดงข้อความ อย่างไรก็ตาม ความก้าวหน้าอย่างต่อเนื่องในโมเดลภาษาขนาดใหญ่ (LLM) เปิดพรมแดนใหม่ ด้านล่างเป็นส่วนสำคัญของการมุ่งเน้นสำหรับการพัฒนาในอนาคต โดยเน้นการฝังโดยคำนึงถึงความเข้าใจในคำสั่งและ MRL (การเรียนรู้ตัวแทน Matryoshka):
โมเดลดั้งเดิมจำเป็นต้องมีการฝึกใหม่เพื่อปรับให้เข้ากับงานใหม่ แต่สถาปัตยกรรมที่คำนึงถึงคำสั่งของ Qwen3 ช่วยให้สามารถปรับใช้ได้แบบไดนามิกผ่านพรอมต์เฉพาะงาน นี่จะช่วยลดความจำเป็นในการปรับแต่งอย่างละเอียดเฉพาะโดเมน ลดค่าใช้จ่ายและความซับซ้อน
แนวคิดหลัก:
โมเดลการฝัง Qwen3 จะยอมรับคำสั่งที่ชัดเจนเป็นข้อมูลอินพุต ช่วยแนะนำโมเดลเพื่อสร้างการฝังที่ปรับแต่งให้เหมาะกับงานที่เฉพาะเจาะจง ตัวอย่างเช่น:
def get_detailed_instruct(task_description: str, query: str) -> str:
return f'Instruct: {task_description}\nQuery: {query}'
# ตัวอย่าง: ทำเครื่องหมายการสมัครขอสินเชื่อที่มีปัจจัยเสี่ยงทางภูมิรัฐศาสตร์
task = "ระบุการสมัครขอสินเชื่อที่มีปัจจัยเสี่ยงทางภูมิรัฐศาสตร์"
query = "การสมัครขอสินเชื่อสำหรับบริษัทเทคโนโลยีในภูมิภาคเอเชียตะวันออกเฉียงใต้"
input_text = get_detailed_instruct(task, query) วิธีนี้จะฝังคำสั่งลงในบริบทข้อมูลอินพุตเพื่อให้แน่ใจว่าโมเดลจะเน้นไปที่ความแตกต่างในรายละเอียดเฉพาะโดเมน (เช่น "ความเสี่ยงทางภูมิรัฐศาสตร์") โดยไม่ต้องมีการฝึกใหม่
ด้วยการผนวกคำสั่งเฉพาะงานลงในคิวรี Qwen3 สามารถปรับให้เข้ากับโดเมนใหม่ด้วยข้อมูลที่มีป้ายกำกับในจำนวนที่น้อยที่สุดได้ ตัวอย่างเช่น ตัวจัดอันดับเคมีใหม่สามารถจัดลำดับความสำคัญของโมเลกุลที่เกี่ยวข้องกับเป้าหมายของยาที่เฉพาะเจาะจงโดยรวมถึงคำสั่ง เช่น:
task = "ค้นหาโมเลกุลที่คล้ายกับแอสไพรินเพื่อใช้ต้านการอักเสบ"
query = "C1CC(=O)NC(=O)C1" # สตริง SMILES ของ Aspirin MRL ช่วยให้สามารถปรับขนาดการฝังแบบไดนามิกระหว่างการอนุมานได้ ซึ่งให้ความยืดหยุ่นโดยไม่ต้องมีการฝึกใหม่ นวัตกรรมนี้ช่วยให้โมเดลเดียวสามารถให้บริการได้หลายสถานการณ์ (เช่น อุปกรณ์ที่มีน้ำหนักเบากับเซิร์ฟเวอร์ที่มีความแม่นยำสูง)
วิธีการทำงานของ MRL:
โมเดลการฝัง Qwen3 จะสร้างการฝังด้วยขนาดที่สามารถปรับแต่งได้ (เช่น 1024D 2560D หรือ 4096D)
ระหว่างการอนุมาน คุณสามารถระบุขนาดที่ต้องการผ่านพารามิเตอร์ output_dimension:
# สร้างเวกเตอร์ 2560D สำหรับการวิเคราะห์ความเสี่ยงทางการเงิน
embeddings = model.encode(queries, output_dimension=2560) ข้อดีของ MRL:
ตัวอย่าง: MRL ในการดูแลสุขภาพ
นักวิจัยด้านยาสามารถสร้างการฝัง 4096D สำหรับการคัดกรองโมเลกุลที่แม่นยำแต่เปลี่ยนเป็น 1024D สำหรับการคลัสเตอร์ระเบียนผู้ป่วยแบบเรียลไทม์:
# การฝังโมเลกุลที่มีความแม่นยำสูง
molecule_embedding = model.encode("C1CC(=O)NC(=O)C1", output_dimension=4096)
# การคลัสเตอร์ระเบียนผู้ป่วยที่ไม่กินพื้นที่มาก
patient_notes_embedding = model.encode("Patient presents with chest pain", output_dimension=1024) • ความท้าทาย: การจัดลำดับความสำคัญของการสมัครขอสินเชื่อที่มีสัญญาณเตือน (เช่น ประวัติการผิดชำระ)
• โซลูชัน:
task = "ระบุสินเชื่อที่มีความเสี่ยงในการผิดนัดชำระ"
query = "การสมัครขอสินเชื่อเพื่อธุรกิจสตาร์ทอัพด้านเทคโนโลยีในอินเดีย"
input_text = get_detailed_instruct(task, query) • ตัวชี้วัดประสิทธิภาพ:
| ตัวชี้วัด | เบสไลน์ | หลังการเพิ่มประสิทธิภาพ |
|---|---|---|
| ความแม่นยำในการดึงข้อมูล | 72% | 89% |
| ความแม่นยำในการจัดอันดับใหม่@10 | 65% | 84% |
โซลูชัน:
# สร้างการฝังบันทึกทางคลินิก
embeddings = model.encode(clinical_notes, output_dimension=256)
# คลัสเตอร์บันทึกด้วย HDBSCAN
clusterer = HDBSCAN(min_cluster_size=50)
labels = clusterer.fit_predict(embeddings) โซลูชัน:
| โมเดล | คะแนน MTEB-Code | เวลาแฝงของคิวรี (มิลลิวินาที) |
|---|---|---|
| Qwen3-Embedding-8B | 80.68 | 150 |
| Qwen3-Embedding-8B (MRL) | 85.21 (4096D) | 160 (ความแม่นยำสูงกว่า) |
โซลูชัน: การออกแบบโดยคำนึงถึงความเข้าใจในคำสั่งของ Qwen3 ช่วยให้นักพัฒนาสามารถกำหนดคำแนะนำเฉพาะงานได้ในเวลาที่อนุมาน
ข้อดี:
โซลูชัน: MRL อนุญาตให้มีการปรับขนาดแบบไดนามิก
ข้อดี:
โมเดลการฝัง Qwen3 กำหนดความยืดหยุ่นใหม่โดยการรวมการฝังที่คำนึงถึงความเข้าใจในคำสั่งและการรองรับ MRL ไม่จำเป็นต้องปรับแต่งอย่างละเอียดเฉพาะโดเมน
โดยใช้ประโยชน์จากนวัตกรรมเหล่านี้ องค์กรสามารถ:
แหล่งอ้างอิง:
ที่เก็บโค้ด:
ติดต่อ: หากต้องการทำงานร่วมกันหรือสอบถาม โปรดติดต่อ Alibaba Cloud
เป็นครั้งแรกในประวัติศาสตร์ที่เครื่องจักรสามารถถอดรหัสความสัมพันธ์ทางพันธุกรรมระหว่างบทกวีภาษาสันสกฤต ฟังก์ชัน Python และการวินิจฉัยทางการแพทย์ ความก้าวหน้าที่ทำให้ทุกคนสามารถเข้าถึงได้ผ่านนวัตกรรมโอเพนซอร์ส เช่นเดียวกับ การหาลำดับ DNA ที่ปฏิวัติวงการชีววิทยาโดยการเปิดเผยรหัสพันธุกรรมสากลของสิ่งมีชีวิต การฝัง Qwen3 เปลี่ยนโฉม AI โดยการทำแผนที่โครงสร้างโมเลกุลของความหมายในตัวเอง เทคโนโลยีนี้ก้าวข้ามภาษา วัฒนธรรม และระเบียบแบบแผน เผยให้เห็นถึงความเชื่อมโยงที่ซ่อนอยู่ซึ่งจะกำหนดวิธีการที่ระบบ AI ทำความเข้าใจและดึงข้อมูล
การค้นหาด้วย AI แบบดั้งเดิมทำงานเหมือนหุ่นยนต์จับคู่คีย์เวิร์ด จำกัดการจับคู่ข้อความในระดับพื้นผิว อย่างไรก็ตาม การฝัง Qwen3 ทำหน้าที่เป็นเครื่องมือหาลำดับ DNA สำหรับภาษา โดยจับความสัมพันธ์เชิงอรรถศาสตร์ในเชิงลึกระหว่างแนวคิดในมากกว่า 250 ภาษาและกระบวนทัศน์การเขียนโปรแกรม ไม่ว่าจะเป็นการวิเคราะห์การวินิจฉัยทางการแพทย์ สัญญาทางกฎหมาย หรืออัลกอริทึมการคำนวณเชิงควอนตัม Qwen3 ถอดรหัสรหัสพันธุกรรมของความหมาย ทำให้เครื่องสามารถเข้าใจความแตกต่างในรายละเอียด บริบท และการเชื่อมโยงแบบสหวิทยาการ นี่ไม่ใช่แค่การปรับปรุงที่เพิ่มขึ้น แต่เป็นการเปลี่ยนกระบวนทัศน์
ไปป์ไลน์การฝึกหลายขั้นตอนของการฝัง Qwen3 ผสมผสานการสร้างข้อมูลสังเคราะห์ การปรับแต่งอย่างละเอียดโดยมีการควบคุม และการผสานโมเดลเพื่อประสิทธิภาพที่ล้ำสมัย ด้วยคะแนนที่ 70.58 บน MTEB Multilingual และ 80.68 บน MTEB Code Qwen3 แซงหน้าบริษัทยักษ์ใหญ่ เช่น Gemini-Embedding ของ Google พิสูจน์ให้เห็นว่านวัตกรรมโอเพนซอร์สสามารถแซงหน้าระบบนิเวศแบบปิดได้ ด้วยการโอเพนซอร์สโมเดลภายใต้ใบอนุญาต Apache 2.0 Alibaba ช่วยให้สามารถเข้าถึง "รหัสพันธุกรรมของความหมาย" นี้ได้โดยช่วยให้นักพัฒนาทั่วโลกสามารถสร้างระบบที่ชาญฉลาดและใช้งานง่ายยิ่งขึ้นได้
พลังที่แท้จริงของ Qwen3 ไม่ได้อยู่เพียงแค่ในรายละเอียดทางเทคนิคเท่านั้น แต่ยังรวมถึงความสามารถในการเชื่อมโยงโลกต่าง ๆ เข้าด้วยกัน:
สิ่งเหล่านี้ไม่ใช่สถานการณ์สมมติ แต่เป็นความจริงที่กำหนดโดยการเข้าใจความหมายในระดับพันธุกรรมของ Qwen3
ในขณะที่ AI วิวัฒนาการไป การฝัง Qwen3 จะกำหนดขั้นตอนสำหรับระบบหลากหลายรูปแบบที่ไม่ได้ถอดรหัสเพียงแค่ข้อความ แต่ยังรวมถึงภาพ เสียง และวิดีโอผ่านเลนส์พันธุกรรมเดียวกัน ลองจินตนาการถึง AI ที่เข้าใจเอกสารชีวการแพทย์ สร้างภาพการตีความหมายออกมาในรูปแบบจำลองโปรตีน 3 มิติ และสร้างรหัสเพื่อจำลองพฤติกรรม ทั้งหมดนี้ เกิดขึ้นผ่านการฝังแบบรวมศูนย์ระหว่างรูปแบบต่าง ๆ
นอกจากนี้ ประสิทธิภาพของ Qwen3 นับตั้งแต่โมเดล 0.6B น้ำหนักเบาไปจนถึงตัวแปร 8B ประสิทธิภาพสูง ทำให้มั่นใจได้ว่าสามารถปรับใช้ได้ทั้งอุปกรณ์ปลายทางและการใช้ระดับคลาวด์ อนาคตเป็นของระบบที่เรียนรู้เหมือนสิ่งมีชีวิต พัฒนาผ่านการสัมผัสกับระบบนิเวศของข้อมูลที่หลากหลาย การฝัง Qwen3 ไม่ได้เป็นเพียงเครื่องมือ แต่ยังเป็นพิมพ์เขียวสำหรับวิวัฒนาการนี้ด้วย
รหัสพันธุกรรมของความหมายตอนนี้อยู่ใกล้แค่เอื้อม สำรวจโมเดลการฝัง Qwen3 และการจัดอันดับใหม่บน Hugging Face และ ModelScope ปรับใช้ผลิตภัณฑ์เหล่านี้บนระบบนิเวศ PAI ของ Alibaba Cloud หรือปรับแต่งโดเมนเหล่านั้นให้เหมาะสมกับโดเมนเฉพาะกลุ่มของคุณ ไม่ว่าคุณจะเป็นนักวิจัย นักพัฒนา หรือองค์กร ยุคของการทำความเข้าใจกับพันธุกรรมด้วย AI ก็เริ่มต้นขึ้นแล้วในวันนี้
_ติดต่อ_: หากต้องการทำงานร่วมกันหรือสอบถาม โปรดติดต่อ Alibaba Cloud
บทความนี้แปลจากภาษาอังกฤษ ดูบทความต้นฉบับได้ที่นี่
119 posts | 4 followers
FollowRegional Content Hub - May 19, 2025
Regional Content Hub - April 22, 2024
Regional Content Hub - April 7, 2024
Regional Content Hub - July 28, 2025
Regional Content Hub - June 3, 2024
Regional Content Hub - July 1, 2024
119 posts | 4 followers
Follow
Tongyi Qianwen (Qwen)
Top-performance foundation models from Alibaba Cloud
Learn More
Platform For AI
A platform that provides enterprise-level data modeling services based on machine learning algorithms to quickly meet your needs for data-driven operations.
Learn More
Alibaba Cloud for Generative AI
Accelerate innovation with generative AI to create new business success
Learn More
AI Acceleration Solution
Accelerate AI-driven business and AI model training and inference with Alibaba Cloud GPU technology
Learn MoreMore Posts by Regional Content Hub