微信扫码
添加专属顾问
导读
通过阅读本文你将了解:
什么是套娃词向量模型
特点及解决什么问题?
获取对应论文, 技术细节, 模型权重
介绍
Embedding(文本嵌入)是单个词或整个句子的高维向量表示。
这些数字数组捕获了关于底层文本的丰富信息,可用于许多下游任务,如语义理解、分类、聚类、信息检索(RAG)、重新排序等。
通常,嵌入向量的维度 d 是固定的。嵌入维度通常是2的幂,范围从64到4096。
使用套娃嵌入( Matryoshka embeddings),可以根据应用程序更改嵌入的维度。这可以减少存储空间,节省成本,并提高检索速度。
什么是文本嵌入
我们首先定义一个词汇表,将所有可能的输入字符映射为整数值。词汇表不仅包括字母,还包括特殊字符、短词和子词:
{"a": 1,"b": 2,"c": 3,..."z": 26,"the": 27," ": 28}经过标记化后,我们可以将标记列表输入我们的编码器模型。编码器已经从大量的训练数据中学习,将每个标记转换为高维数值向量嵌入。
例如,OpenAI的text-embedding-3-large模型的嵌入输出维度为3072(一个很奇怪的数字)
要获得单个句子嵌入,我们需要压缩来自多个标记嵌入的信息。一种方法是简单地对所有标记嵌入求平均。
Matryoshka Embeddings
Matryoshka embeddings是由华盛顿大学、谷歌研究和哈佛大学的研究人员在2022年的论文“Matryoshka Representation Learning”中引入
Matryoshka embeddings被训练为在一个单一的嵌入向量中编码不同粒度的信息。
例如,我们不是简单地训练一个大小为d = 1024的完整嵌入向量,而是使用一个维度列表matryoshka_dims = [1024,512,256,128,64]来优化我们想要同时优化的损失函数[2]。
这导致了一个嵌入向量,其中包含了嵌套信息,最粗糙的信息存储在前几个维度中,而越来越多的细节存储在后面的维度中。
这实际上意味着我们可以在任何我们想要的地方截断我们的嵌入向量,而不会牺牲太多性能。
为什么这很重要?
假设我们想在向量数据库中存储 n 个文本嵌入向量。每个嵌入向量有 d 个维度。而且每个数字通常是一个32位浮点数。因此,我们需要 n * d * 4 字节 的存储空间。
如果我们想计算诸如点积或余弦相似度(这只是一个归一化的点积)之类的相似度度量,维度 d 越高,我们需要做的数学计算就越多。
使用 MRL,如果我们关心内存占用小、处理速度快,因此节省成本,我们可能只使用前64个维度。如果我们想要最佳的下游性能,我们就使用所有维度。或者我们可能在两者之间做出选择。
因此,MRL使LLM用户能够在嵌入大小(成本)和下游性能的小幅降低之间进行权衡。
使用 MRL 与 Nomic AI
Nomic 的 Matryoshka 文本嵌入模型 nomic-embed-text-v1.5 是使用 matryoshka_dims = [768,512,256,128,64] 进行训练的。该模型可以在 Hugging Face 上获取。
该编码器模型的另一个好处是它支持不同的前缀。该模型支持前缀 [search_query, search_document, classification, clustering],以获得每个特定下游任务的更好嵌入。
以下是 nomic-embed-text-v1.5 在 Massive Text Embedding Benchmark (MTEB) 上的表现:
使用 Python 和 Sentence Transformers 库来实现该模型:
!pip install torch sentence_transformers einops
import torchfrom sentence_transformers import SentenceTransformerdevice = "cuda" if torch.cuda.is_available() else"cpu"model = SentenceTransformer("nomic-ai/nomic-embed-text-v1.5",device=device,trust_remote_code=True,prompts={"search_query": "search_query: ","search_document": "search_document: ","classification": "classification: ","clustering": "clustering: ",},)def embed_sentences(model: SentenceTransformer,sentences: list[str],prompt_name: str,matryoshka_dim: int,device: str,):assert matryoshka_dim <= 768, "maximum dimension for nomic-embed-text-v1.5 is 768"embeddings = model.encode(sentences, prompt_name=prompt_name, device=device, convert_to_tensor=True)embeddings = torch.nn.functional.layer_norm(embeddings, normalized_shape=(embeddings.shape[1],))embeddings = embeddings[:, :matryoshka_dim]embeddings = torch.nn.functional.normalize(embeddings, p=2, dim=1)return embeddings.cpu()
使用 matryoshka_dim 参数,我们截断了我们的 768 维嵌入向量,然后对新的嵌入向量进行了归一化。
现在,我们可以设置我们期望的维度,并对一些维基百科文本以及我们的检索辅助生成(RAG)用例的问题进行编码:
matryoshka_dim = 64wikipedia_texts = ["The dog (Canis familiaris or Canis lupus familiaris) is a domesticated descendant of the wolf.","Albert Einstein was born in Ulm in the Kingdom of Württemberg in the German Empire, on 14 March 1879.","Einstein excelled at physics and mathematics from an early age, and soon acquired the mathematical expertise normally only found in a child several years his senior.","Werner Karl Heisenberg was a German theoretical physicist, one of the main pioneers of the theory of quantum mechanics, and a principal scientist in the Nazi nuclear weapons program during World War II.","Steven Paul Jobs (February 24, 1955 - October 5, 2011) was an American businessman, inventor, and investor best known for co-founding the technology giant Apple Inc.","The cat (Felis catus), commonly referred to as the domestic cat or house cat, is the only domesticated species in the family Felidae.",]question = ["Where was Albert Einstein born?"]question_embedding = embed_sentences(model,sentences=question,prompt_name="search_query",matryoshka_dim=matryoshka_dim,device=device,)document_embeddings = embed_sentences(model,sentences=wikipedia_texts,prompt_name="search_document",matryoshka_dim=matryoshka_dim,device=device,)print(f"document_embeddings.shape: {document_embeddings.shape}")print(f"question_embedding.shape:{question_embedding.shape}")
>> document_embeddings.shape: torch.Size([6, 64])
>> question_embedding.shape: torch.Size([1, 64])
我们可以使用散点图可视化我们的 Matryoshka 文本嵌入的前两个维度。然而,该嵌入模型并没有明确针对 2 维的 Matryoshka 维度进行优化。
接下来,我们可以将我们的文档嵌入存储在一个向量数据库中。我使用 Faiss。Faiss 是 Meta Research 的一个开源库,用于高效的密集向量相似性搜索和聚类
!pip install faiss-cpu
import faissindex = faiss.IndexFlatIP(matryoshka_dim)index.add(document_embeddings)
这将使用 "内积的精确搜索" 和 IndexFlatIP 创建一个向量数据库,其中使用点积相似度度量。由于我们使用了归一化嵌入,点积和余弦相似度是相同的。
index 现在是一个包含六个文本嵌入的向量数据库:
print(index.ntotal)>> 6
让我们搜索与我们的问题最相似的嵌入,并检索前 k 个结果:
distances, indices = index.search(question_embedding, k=6)print(indices)print(distances)>> [[1 2 3 4 0 5]]>> [[0.96335280.729192 0.63353264 0.62068397 0.512541 0.43155164]]
我们最相似的文本在我们的数据库中的索引为 1,相似度得分为 0.96(最大值为 1.0)。
Output:
# d=64 的结果print(question)print(wikipedia_texts[1])>> ['阿尔伯特·爱因斯坦出生在哪里?']>> '阿尔伯特·爱因斯坦出生在德意志帝国的维尔滕贝格王国乌尔姆,于1879年3月14日。'
我还使用 matryoshka_dim=768 重新运行了代码,并获得了类似的结果。然而,更高的维度需要更多的内存和计算。
# 结果与 d=768print(indices)print(distances)>> [[1 2 4 3 0 5]]>> [[0.92466116 0.645744 0.54405797 0.54004824 0.39331824 0.37972206]]
MRL & 量化
如果我们想要进一步压缩我们的嵌入,我们可以使用 MRL 与二进制向量量化。二进制量化将嵌入向量中大于零的所有数字转换为一,其他所有数字转换为零
使用二进制量化,维度为 d 的嵌入向量只需要 d / 8 字节的内存,与 float32 的 d * 4 字节相比,这是尺寸减小了 32 倍 [4]。然而,这种减小是以性能为代价的。
结论
在训练过程中使用Matryoshka损失的嵌入模型同时针对多个嵌入维度进行了优化。
通过Matryoshka表示学习,LLM用户可以在文本嵌入大小和性能之间进行权衡。
较小的嵌入需要更少的内存和计算资源,从长远来看可以节省大量资金。它们计算速度更快,因此在RAG应用程序中具有更高的检索速度。
53AI,企业落地大模型首选服务商
产品:场景落地咨询+大模型应用平台+行业解决方案
承诺:免费POC验证,效果达标后再合作。零风险落地应用大模型,已交付160+中大型企业
2026-06-30
Context 即 Agent:下一场 AI 产品战争,是上下文之争
2026-06-30
解析Agent Loop(智能体循环)的三层分级体系
2026-06-30
Cursor、OpenClaw 同时出手,“口袋编程”时代来了:程序员只用“动嘴”!
2026-06-30
从文本到多模态:大模型非结构化数据加工与质量控制实践
2026-06-30
从Anthropic的B端战略,给迷茫中的扣子一些建议
2026-06-30
Claude最新:创始人实操手册:打造 AI 原生初创公司(中文版)
2026-06-30
本体+AI驱动的AI智能体工厂-从设计到实现
2026-06-30
微信AI,能避开豆包手机的窘境吗?
2026-04-15
2026-04-07
2026-04-07
2026-04-24
2026-04-17
2026-04-05
2026-04-02
2026-04-05
2026-04-14
2026-04-24
欢迎您使用【53AI 官方网站】(以下简称“本网站”或“我们”)。本《会员服务协议》(以下简称“本协议”)是您(以下简称“会员”或“用户”)与【深圳市博思协创网络科技有限公司】之间关于注册、登录及使用本网站会员服务所订立的法律协议。
在您注册或登录前,请务必审慎阅读、充分理解各条款内容,特别是免除或限制责任的条款、知识产权条款、争议解决条款等。此类条款将以加粗形式提示您注意。 当您通过微信公众号授权、手机验证码验证或其他方式成功登录本网站时,即视为您已完全理解并同意接受本协议的全部内容。
一、 定义
本网站:指由【深圳市博思协创网络科技有限公司】运营的,域名为【53ai.com】的网站及相关移动端页面。
会员服务:指本网站向注册会员提供的知识库文章查阅、内容检索及其他相关增值服务。
知识库内容:指本网站发布的包括但不限于文字、图表、数据、研究报告、行业分析等数字化内容资源。
二、 账号注册与登录
登录方式:本网站支持以下登录方式,您可根据实际情况选择:
微信公众号授权登录:您同意将您的微信OpenID信息授权给本网站,用于创建或关联会员账号。
手机验证码登录:您需提供真实有效的手机号码,并通过短信验证码完成身份验证与登录/注册。
账号安全:您的账号仅限您本人使用,禁止赠与、借用、租用、转让或售卖。因您保管不善导致的账号被盗、密码泄露等损失,由您自行承担。
实名认证:根据相关法律法规要求,我们可能要求您在特定功能下完成实名认证。如您拒绝提供,可能无法使用部分或全部服务。
未成年人保护:若您未满18周岁,请在法定监护人的陪同下阅读本协议,并在征得监护人同意后使用本服务。
三、 服务内容与规范
知识库查阅权限:会员登录后,有权按照其会员等级对应的权限范围,在线浏览、检索本网站知识库中的相关文章及内容。
服务变更:我们有权根据业务发展需要,调整、变更或终止部分服务内容,并将以网站公告、公众号消息等方式提前通知。
禁止行为:您在使用服务时不得实施以下行为:
利用技术手段批量爬取、下载、转存知识库内容;
将知识库内容用于商业目的或未经授权地向第三方传播;
干扰本网站正常运行或侵犯其他用户合法权益;
发布违法违规信息或从事违反公序良俗的活动。
四、 知识产权声明
权利归属:本网站知识库中的排版设计、软件代码等内容的知识产权均归【公司全称】或原权利人所有,受《中华人民共和国著作权法》等法律保护。
有限许可:本网站授予会员一项非独占、不可转让、不可转授权的普通许可,仅限于个人学习、研究之目的在线查阅知识库内容。
侵权追责:未经书面许可,任何单位或个人不得以任何形式复制、转载、摘编、镜像、汇编或以其他方式使用上述内容。一经发现,我们保留追究其法律责任的权利。
五、 个人信息保护
我们重视对您个人信息的保护。关于我们如何收集、使用、存储和保护您的个人信息,请单独阅读 《隐私政策》。
您通过微信公众号授权或手机号验证所提供的信息,我们将严格按照《个人信息保护法》的规定处理,仅用于身份识别、服务提供及安全验证等必要用途。
您可以随时通过网站设置或联系客服行使查阅、更正、删除个人信息及撤回授权同意的权利。
六、 免责声明
内容准确性:知识库内容仅供参考,不构成专业建议。我们不对其完整性、准确性、时效性作任何明示或暗示的保证,您应自行判断并承担使用风险。
不可抗力:因自然灾害、政策法规变化、网络故障、第三方平台接口异常(如微信接口维护、运营商短信通道故障)等不可抗力导致的服务中断或延迟,我们不承担违约责任。
第三方链接:本网站可能包含指向第三方网站的链接,该等网站的内容和服务不受我们控制,请您自行甄别风险。
七、 违约责任
如您违反本协议约定,我们有权视情节采取警告、限制功能、暂停服务、注销账号等措施,并保留要求赔偿损失的权利。
如因您的违约行为导致我们遭受行政处罚、第三方索赔或商誉损失,您应承担全部赔偿责任(包括但不限于罚款、赔偿金、律师费、公证费等)。
八、 法律适用与争议解决
本协议的订立、执行和解释均适用中华人民共和国大陆地区法律。
因本协议产生的或与本协议有关的任何争议,双方应友好协商解决;协商不成的,任何一方均可向【公司所在地】有管辖权的人民法院提起诉讼。
九、 其他
本协议构成双方就本服务达成的完整协议,取代此前任何口头或书面约定。
本协议任一条款被认定为无效或不可执行的,不影响其他条款的效力。
我们对本协议享有最终解释权,并在法律允许的范围内保留随时修改的权利。修改后的协议一经公布即生效,继续使用服务即视为同意修订内容。