embeddings

OpenAI 推出了新的嵌入 API 端点，可以将文本和代码转换为数值向量表示，用于语义搜索、聚类和分类任务。这些模型在标准基准测试上取得了最先进的效果，包括代码搜索性能相比之下提升了 20%。

# 通过对比预训练的文本和代码嵌入 源：[https://openai.com/index/text-and-code-embeddings-by-contrastive-pre-training/](https://openai.com/index/text-and-code-embeddings-by-contrastive-pre-training/) ## 摘要 文本嵌入是许多应用中的有用特征，例如语义搜索和计算文本相似性。以往的工作通常训练针对不同用例定制的模型，在数据集选择、训练目标和模型架构方面各不相同。在这

本文深入对比了BM25词法搜索和嵌入语义搜索在RAG检索中的优缺点，给出了根据查询类型和系统权衡选择检索方法的实用框架，强调了将RAG视为系统而非简单组件的重要性。

Supermemory 是一个开源的AI记忆与上下文引擎，能够自动从对话中学习、提取事实、构建用户画像，并提供个性化的上下文。它在多项AI记忆基准测试中排名第一，并提供单一API，用于为AI代理添加记忆、RAG和连接器。

一个托管在 Replicate 上的基于 CLIP 的嵌入模型，使用 clip-vit-large-patch14 架构为图像和文本生成 768 维嵌入向量，每次运行费用约为 $0.00022。

一个在Replicate上的模型，输出文本和图像的CLIP ViT-L/14特征，支持输入间的相似度计算。