Canonical: https://instain.ru/de/ai/multilingual-e5/ Language: de Microsoft Research Text-Embedding Modell # Multilingual E5. Vektordarstellungen von Suchanfragen und Dokumentabschnitten 4.35 / 5 [Katalogbewertung](https://instain.ru/de/ai/multilingual-e5/#editorial-rating) [Offizielle Website ](https://huggingface.co/intfloat/multilingual-e5-large) Das Modell gibt numerische Darstellungen von Texten aus. Die Suche und Anzeige der ursprünglichen Fragmente implementiert eine Anwendung, die die erhaltenen Vektoren vergleicht. ![Multilingual E5-Karte mit Abfragecodierungsbeispielen](https://instain.ru/assets/images/multilingual-e5-screen-61fe1e3d9ac0-1200.webp) Multilingual E5 mit Beispielen für die Abfragecodierung. [Quelle öffnen ](https://huggingface.co/intfloat/multilingual-e5-large) ## Finden Sie das Dokument, auch wenn die Sprache eine andere ist Nehmen Sie die russischsprachige Frage nach dem Zeitpunkt des Ersatzes und zwei kurze englische Hilfe. Einer beschreibt den Ersatz, der zweite die Rücksendung der Ware. Multilingual E5 übersetzt sie in Vektoren, die die Anwendung vergleicht. Das Modell hinterlässt die Antwort dem Quellverzeichnis oder der nächsten Komponente. Es ist hilfreich, dass der Benutzer den ursprünglichen Absatz zusammen mit dem Suchergebnis anzeigt, damit er überprüfen kann, ob die Regel für den gewünschten Fall gilt. ## Die Eingänge müssen bei der Wiederholung gleich codiert werden. Die Modellkarte nennt für die Suche die Präfixe query und passage. Verwenden Sie sie für die jeweiligen Eingaben und dieselbe Version der Gewichte für Anfrage- und Indexvektoren. Wenn Sie ein langes Dokument nur nach Größe teilen, können eine Regel und ihre Ausnahme in verschiedenen Abschnitten landen. Teilen Sie nach inhaltlichen Blöcken und speichern Sie die Fundstelle jedes Absatzes. So lässt sich der vollständige Quellabschnitt vom Treffer aus öffnen. ## Fügen Sie ähnliche Beispiele hinzu, die nicht passen Überprüfen Sie die Negationsanforderung und den Fall, in dem sich die Fristen zwischen den Produktkategorien unterscheiden. Ein ähnliches Ergebnis kann überzeugend klingen, obwohl es zu einer anderen Kategorie gehört. Vergleichen Sie die Qualität auf mehreren Sprachpaaren, die wirklich benötigt werden. Wenn Sie Gewichte ändern, ordnen Sie den Index neu und wiederholen Sie die gleichen Fragen. Mischen Sie keine Vektoren verschiedener Modelle in einem Suchraum, auch wenn ihre Dimensionierung übereinstimmt. Separat analysieren Sie die Fälle, in denen der gewünschte Absatz in der Datenbank ist, aber die Suche hat eine andere Regel oben gesetzt. ## Für welche Aufgaben geeignet - Hilfe in einer anderen Sprache suchen - Vergleichen Sie kurze und lange Fragmente bei der Suche Funktionen ## Stärken - Unterstützt die Textvektorisierung in verschiedenen Sprachen - Die Karte zeigt Beispiele über Transformers und Sentence Transformers Zu berücksichtigen ## Einschränkungen - Die Qualität hängt von Sprache, Abschnittslänge und Dokumentaufteilung ab - Ein ähnlicher Textabschnitt kann eine andere Bedingung beschreiben ## Auswahl und Bedingungen Kostenlose Nutzung Ja Testphase Nicht bestätigt Keine Registrierung erforderlich Nicht bestätigt Russische Benutzeroberfläche Nicht bestätigt Lokale Installation Ja API Nicht bestätigt „Nicht bestätigt“ bedeutet, dass nicht genügend Informationen vorliegen. Die Funktion kann dennoch verfügbar sein; prüfen Sie die Angaben des Entwicklers. Eingabeformate Text Ergebnis Embedding ### Bedingungen Die Gewichte stehen unter der in der Modellkarte genannten Lizenz. Indexierung, Rechenleistung und Hosting organisieren Sie separat. Die Qualität hängt von Sprache, Abschnittslänge und Dokumentaufteilung ab. Von der Aufgabe zum ersten Ergebnis ## Praxisbeispiel Aufgabe Hilfe in einer anderen Sprache suchen Was Sie vorbereiten sollten Zwei eigene kurze Texte und einige Suchfragen in einer Sprache. ### Aufgabenbeschreibung oder Prompt Aufgabe für die Anwendung: Embeddings für Texte und Suchanfragen erzeugen, jeden Vektor mit seiner Textpassage verknüpfen und Ähnlichkeit vergleichen. Zur gefundenen Passage den Originaltext zeigen; das Embeddingmodell selbst schreibt keine Antwort. ### Erwartetes Ergebnis Numerische Darstellungen und überprüfbare Ausgabe ähnlicher Textpassagen, sofern die Anwendung die Suche umsetzt. ### So prüfen Sie das Ergebnis - Prüfen Sie den Bezug des Ergebnisses zum Originaltext. - Vergleichen Sie Vektoren desselben Modells mit gleicher Dimension; Verneinungen und sprachübergreifende Suche separat prüfen. Ein redaktionelles Lernbeispiel für eine Aufgabenbeschreibung, kein Ergebnis eines eigenen Praxistests des Dienstes. Prüfen Sie die Verfügbarkeit des benötigten Modus, die Rechte am Ausgangsmaterial und die Bedingungen für die Nutzung des Ergebnisses. Details überprüfen ## Offizielle Quellen - [Karte Multilingual E5 Large ](https://huggingface.co/intfloat/multilingual-e5-large) - [Microsoft Research E5 veröffentlicht ](https://github.com/microsoft/unilm/tree/master/e5) - [Mehrsprachige E5-Modelle ](https://huggingface.co/collections/intfloat/multilingual-e5-text-embeddings) Die Beschreibung basiert auf den Materialien des Entwicklers. Die Funktionen, Preise und Verfügbarkeit können variieren. Bitte überprüfen Sie die Quelle vor der Verwendung. Das Tool im Überblick Entwickler Microsoft Research Kategorie [Code](https://instain.ru/de/category/code/) Zugang Für den lokalen Einsatz benötigen Sie Modellgewichte, eine kompatible Bibliothek und vorbereitete Textabschnitte. Die Modellkarte erklärt, wie Sie Suchanfragen und Dokumente codieren. Zahlung Die Gewichte stehen unter der in der Modellkarte genannten Lizenz. Indexierung, Rechenleistung und Hosting organisieren Sie separat. API Keine separate API angegeben [Entwicklerbedingungen ](https://huggingface.co/collections/intfloat/multilingual-e5-text-embeddings) Katalogbewertung 4.35 / 5 Funktionen 4.40 / 5 Arbeitsszenarien 4.20 / 5 Ökosystem 4.40 / 5 Dokumentation 4.40 / 5 Die Punkte dienen der Orientierung im Katalog. Sie sind weder Nutzerbewertungen noch Ergebnisse persönlicher Tests. [Siehe Methodik ](https://instain.ru/de/methodology/) Weiter erkunden ## Für ähnliche Aufgaben [Gesamte Kategorie ](https://instain.ru/de/category/code/) Code ### [Nomic Embed](https://instain.ru/de/ai/nomic-embed/) Textvektoren mit wählbarer Dimension für die Suche 4.30 / 5 Eine Familie von Text-Embedding-Modellen Ähnliche Aufgaben; vergleichen Sie Bedingungen, Formate und Einschränkungen Code ### [Amazon Titan](https://instain.ru/de/ai/amazon-titan/) AWS-Modellfamilie für Datensuche und Bildbearbeitung 4.45 / 5 Modell API-Verfügbarkeit bestätigt Code ### [BGE M3](https://instain.ru/de/ai/bge-m3/) BAAI-Modell mit dichten, dünn besetzten und mehrvektorigen Textdarstellungen 4.40 / 5 Textsuchmodell Ähnliche Aufgaben; vergleichen Sie Bedingungen, Formate und Einschränkungen