Gemini Embedding 是一种先进的文本嵌入模型，通过 Gemini API 提供强大的语言理解能力。
Gemini Embedding 是 Google 推出的一种实验性文本嵌入模型，通过 Gemini API 提供服务。该模型在多语言文本嵌入基准测试（MTEB）中表现卓越，超越了之前的顶尖模型。它能够将文本转换为高维数值向量，捕捉语义和上下文信息，广泛应用于检索、分类、相似性检测等场景。Gemini Embedding 支持超过 100 种语言，具备 8K 输入标记长度和 3K 输出维度，同时引入了嵌套表示学习（MRL）技术，可灵活调整维度以满足存储需求。该模型目前处于实验阶段，未来将推出稳定版本。
基于RAG（Retrieval-Augmented Generation）技术的智能对话系统
RAG Web UI 是一个基于 RAG 技术的智能对话系统，它结合了文档检索和大型语言模型，能够为企业和个人提供基于知识库的智能问答服务。该系统采用前后端分离架构，支持多种文档格式（如 PDF、DOCX、Markdown、Text）的智能管理，包括自动分块和向量化处理。其对话引擎支持多轮对话和引用标注，能够提供精准的知识检索和生成服务。该系统还支持高性能向量数据库（如 ChromaDB、Qdrant）的灵活切换，具有良好的扩展性和性能优化。作为一种开源项目，它为开发者提供了丰富的技术实现和应用场景，适合用于构建企业级知识管理系统或智能客服平台。
多语言嵌入模型，用于视觉文档检索。
vdr-2b-multi-v1 是一款由 Hugging Face 推出的多语言嵌入模型，专为视觉文档检索设计。该模型能够将文档页面截图编码为密集的单向量表示，无需 OCR 或数据提取流程即可搜索和查询多语言视觉丰富的文档。基于 MrLight/dse-qwen2-2b-mrl-v1 开发，使用自建的多语言查询 - 图像对数据集进行训练，是 mcdse-2b-v1 的升级版，性能更强大。模型支持意大利语、西班牙语、英语、法语和德语，拥有 50 万高质量样本的开源多语言合成训练数据集，具有低 VRAM 和快速推理的特点，在跨语言检索方面表现出色。
最新推出的多语言通用嵌入模型，在多个领域表现卓越。
Voyage-3-large 是 Voyage AI 推出的最新多语言通用嵌入模型。该模型在法律、金融、代码等八个领域的100个数据集中排名第一，超越了 OpenAI-v3-large 和 Cohere-v3-English。它通过 Matryoshka 学习和量化感知训练，支持更小维度和 int8 及二进制量化，大幅降低向量数据库成本，同时对检索质量影响极小。该模型还支持 32K 令牌上下文长度，远超 OpenAI（8K）和 Cohere（512）。
一个用于多模型嵌入的图形库，支持多种模型和数据类型的可视化
vectrix-graphs 是一个强大的图形库，专注于多模型嵌入的可视化。它支持多种机器学习模型和数据类型，能够将复杂的数据结构以直观的图形形式展现出来。该库的主要优点在于其灵活性和扩展性，可以轻松集成到现有的数据科学工作流程中。vectrix-ai 团队开发了这个库，旨在帮助研究人员和开发者更好地理解和分析模型的嵌入结果。作为一个开源项目，它在 GitHub 上提供免费使用，适合各种规模的项目和团队。
实时数据驱动的AI平台
Pathway是一个提供实时数据处理和AI应用的平台，它支持从300多个数据源轻松设置数据摄入，并自动同步。Pathway能够构建实时特征服务、实时向量搜索和异常警报的应用，并从连接的文档和数据表中获取准确的AI洞察。该平台以其高性能和无需额外的向量数据库即可实现复杂数据处理的能力而脱颖而出，特别适合需要实时数据处理和分析的企业和开发者。
用于微控制器（如ESP32）的实时API嵌入式SDK
openai-realtime-embedded-sdk是一个专为微控制器设计的SDK，允许开发者在如ESP32这样的微控制器上实现实时API功能。这个SDK的开发和测试主要在ESP32S3和Linux平台上进行，使得开发者无需物理硬件即可在Linux上直接使用。该SDK支持通过设置Wi-Fi SSID和密码以及OpenAI API密钥来配置设备，并能够构建和运行程序。它的重要性在于为微控制器提供了与强大API交互的能力，扩展了微控制器的应用范围，特别是在需要实时数据处理和决策的场景中。
在句子表示空间中的语言建模
Large Concept Models（LCM）是由Facebook Research开发的一个大型语言模型，它在句子的表示空间中进行操作，使用SONAR嵌入空间支持多达200种语言的文本和57种语言的语音。LCM是一个序列到序列模型，用于自回归句子预测，探索了多种方法，包括均方误差回归、基于扩散的生成变体等。这些探索使用的是1.6B参数模型和约1.3T的培训数据。LCM的主要优点包括其在高级别语义表示上的运作能力，以及能够处理多语言数据的能力。此外，LCM的开源性质使得研究人员和开发者能够访问和使用这些模型，推动自然语言处理技术的发展。
快速的本地矢量推理解决方案
Trieve Vector Inference是一个本地矢量推理解决方案，旨在解决文本嵌入服务的高延迟和高限制率问题。它允许用户在自己的云中托管专用的嵌入服务器，以实现更快的文本嵌入推理。该产品通过提供高性能的本地推理服务，帮助企业减少对外部服务的依赖，提高数据处理速度和效率。
一个完全由你掌控数据的「被动记录」项目。
Pensieve是一个隐私保护的被动记录项目，它可以自动记录屏幕内容，构建智能索引，并提供便捷的网页界面来检索历史记录。这个项目受到了Rewind和Windows Recall的启发，但与它们不同，Pensieve允许用户完全控制自己的数据，避免了数据传输到不受信任的数据中心。Pensieve的主要优点包括简单安装、完整的数据控制、全文和向量搜索支持、与Ollama集成、兼容任何OpenAI API模型、支持Mac和Windows（Linux支持正在开发中）以及通过插件扩展功能。
高性能、成本效益的向量数据库，为GenAI应用打造。
Zilliz Cloud Serverless是一个为GenAI应用设计的高性能向量数据库服务，它提供了自动扩展的数据库能力，成本随着业务增长而增加。该产品使用分层存储系统，结合DRAM、SSD和对象存储自动优化数据放置，确保活跃数据快速访问的同时降低不常用信息的成本，无需手动管理。Zilliz Cloud Serverless以其成本效益、数据可移植性和自动扩展能力，为需要处理大规模向量数据的企业提供了一个强大的解决方案。
多模态嵌入模型，实现文本、图像和截图的无缝检索。
Voyage AI推出的voyage-multimodal-3是一款多模态嵌入模型，它能够将文本和图像（包括PDF、幻灯片、表格等的截图）进行向量化处理，并捕捉关键视觉特征，从而提高文档检索的准确性。这一技术的进步，对于知识库中包含视觉和文本的丰富信息的RAG和语义搜索具有重要意义。voyage-multimodal-3在多模态检索任务中平均提高了19.63%的检索准确率，相较于其他模型表现出色。
构建、连接和部署边缘上的GenAI应用
Lamatic.ai是一个为构建、测试和部署高性能GenAI应用在边缘而设计的管理型PaaS平台，提供低代码可视化构建器、VectorDB和集成应用及模型。它通过集成多种工具和技术，帮助AI创始人和构建者快速实现复杂的AI工作流程。平台的主要优点包括减少团队间的来回沟通、自动化工作流程、提高部署速度和降低延迟。Lamatic.ai的背景信息显示，它是由一群对GenAI应用开发有着深刻理解和丰富经验的工程师和社区成员共同打造的。平台的价格定位是包含所有可用的管理集成、向量数据库、托管、边缘部署和SDK的月度订阅服务，同时提供按小时计费的专业服务。
优化的小型语言模型，适用于移动设备
MobileLLM是一种针对移动设备优化的小型语言模型，专注于设计少于十亿参数的高质量LLMs，以适应移动部署的实用性。与传统观念不同，该研究强调了模型架构在小型LLMs中的重要性。通过深度和薄型架构，结合嵌入共享和分组查询注意力机制，MobileLLM在准确性上取得了显著提升，并提出了一种不增加模型大小且延迟开销小的块级权重共享方法。此外，MobileLLM模型家族在聊天基准测试中显示出与之前小型模型相比的显著改进，并在API调用任务中接近LLaMA-v2 7B的正确性，突出了小型模型在普通设备用例中的能力。
Go语言库，用于嵌入式向量搜索和语义嵌入
kelindar/search 是一个Go语言库，它提供了嵌入式向量搜索和语义嵌入的功能，基于llama.cpp构建。这个库特别适合于小到中型项目，需要强大的语义搜索能力，同时保持简单高效的实现。它支持GGUF BERT模型，允许用户利用复杂的嵌入技术，而不需要深陷传统搜索系统的复杂性。该库还提供了GPU加速功能，能够在支持的硬件上快速进行计算。如果你的数据集少于100,000条目，这个库可以轻松集成到你的Go应用中，实现语义搜索功能。
AI优先的基础设施API，提供搜索、推荐和RAG服务
Trieve是一个AI优先的基础设施API，结合了语言模型和工具，用于微调排名和相关性，提供一站式的搜索、推荐、RAG和分析解决方案。它能够自动持续改进，基于数十个反馈信号，确保相关性。Trieve支持语义向量搜索、BM25和SPlade全文搜索，以及混合搜索，结合全文搜索和语义向量搜索。此外，它还提供了商品推销和相关性调整功能，帮助用户通过API或无代码仪表板调整搜索结果以实现KPI。Trieve建立在最佳基础之上，使用开源嵌入模型和LLMs，运行在自己的服务器上，确保数据安全。
快速、准确的生产级RAG管道
Vectorize是一个专注于将非结构化数据转化为优化的向量搜索索引的平台，专为检索增强生成(RAG)而设计。它通过连接内容管理系统、文件系统、CRM、协作工具等多种数据源，帮助用户创建提高生产力的辅助系统和创新的客户体验。Vectorize的主要优点包括易于使用、快速部署和高精度的搜索结果，适合需要处理大量数据并希望快速实现AI应用的企业。
基于视觉语言模型的检索增强型生成模型
VisRAG是一个创新的视觉语言模型（VLM）基础的RAG（Retrieval-Augmented Generation）流程。与传统的基于文本的RAG不同，VisRAG直接将文档作为图像通过VLM进行嵌入，然后检索以增强VLM的生成能力。这种方法最大限度地保留了原始文档中的数据信息，并消除了解析过程中引入的信息损失。VisRAG模型在多模态文档上的应用，展示了其在信息检索和增强文本生成方面的强大潜力。
© 2025 AIbase 备案号：闽ICP备08105208号-14