modelscope有自己的embedding么？
modelscope有自己的embedding么？
是的，ModelScope（魔搭社区）提供了多种开源的Embedding模型，支持将文本、图片以及多模态数据转换为向量表示。这些Embedding模型可以用于向量检索服务（如DashVector），以实现高效的相似性搜索和推荐等应用场景。
以下是ModelScope中提供的主要Embedding模型分类及相关信息：
1. 多模态Embedding模型
ModelScope支持通过CLIP模型生成多模态向量，适用于图文检索和表征提取任务。以下是CLIP模型的具体信息： - 模型ID及特性： - damo/multi-modal_clip-vit-base-patch16_zh：向量维度512，适用于中文通用领域。 - damo/multi-modal_clip-vit-large-patch14_zh：向量维度768，适用于更高精度需求。 - damo/multi-modal_clip-vit-huge-patch14_zh：向量维度1024，适合复杂场景。 - damo/multi-modal_clip-vit-large-patch14_336_zh：分辨率提升至336，适合高分辨率图像处理。 - 度量方式：Cosine相似度。 - 训练数据：基于约2亿中文图文对进行训练。
2. 文本Embedding模型
ModelScope提供了多种文本向量模型，适用于不同语言和领域的文本表征任务。以下是一些典型模型： - 中文文本向量模型： - damo/nlp_bert_entity-embedding_chinese-base：向量维度768，适合实体表征。 - thomas/text2vec-base-chinese：向量维度768，适合通用文本表征。 - thomas/text2vec-large-chinese：向量维度1024，适合高精度需求。 - 英文文本向量模型： - damo/nlp_minilm_ibkd_sentence-embedding_english-msmarco：向量维度384，适合英文文本检索。 - damo/nlp_minilm_ibkd_sentence-embedding_english-sts：向量维度384，适合语义相似度计算。 - 度量方式：Cosine相似度。
3. 图片Embedding模型
ModelScope还支持通过视觉表征模型将图片转换为向量，适用于商品同款/相似款搜索等任务。例如： - 商品图像同款特征模型： - damo/cv_resnet50_product-bag-embedding-models：向量维度512，专为箱包商品设计，支持自动主体抠图和表征向量提取。 - 度量方式：Cosine相似度。
使用说明
在使用ModelScope的Embedding模型时，需满足以下前提条件： 1. DashVector配置： - 已创建Cluster。 - 已获得API-KEY。 - 已安装最新版SDK。 2. ModelScope配置： - 已安装最新版SDK（可通过pip install -U modelscope安装）。
总结
ModelScope提供了丰富的Embedding模型，涵盖多模态、文本和图片等多种数据类型，能够满足不同场景下的向量生成需求。用户可以根据具体任务选择合适的模型，并结合DashVector实现高效的向量检索服务。
