向量数据库 Embedding

一、发布地域

当前 Embedding 功能支持地域包含：北京、上海、广州、南京、新加坡、硅谷、弗吉尼亚。

二、快速接入

如果你想快速体验 Embedding 能力，腾讯云向量数据库（Tencent Cloud VectorDB）提供了 Python SDK 与 HTTP 的快速接入教程，请参见 应用 Embedding 相似性检索。

三、Embedding 实现架构

腾讯云向量数据库（Tencent Cloud VectorDB）通过 HTTP API 将这些非结构化文本数据送入向量数据库，向量数据库将原始文本数据转交给 Embedding 模型进行向量化，再将转换后的向量数据以及原始文本一并存储在向量数据库中。其整个实现架构。

四、模型信息

腾讯云向量数据库（Tencent Cloud VectorDB）快速测试并分析来源于 Massive Text Embedding Benchmark（MTEB）上排名靠前的模型，选择出综合性能较好、适合不同应用场景的模型。当前，Embedding 功能支持的模型如下表所示。你可以依据数据集的语言类型、向量维度、以及综合性能得分选择合适的模型。

注意：说明：

注意：如你正在选择模型阶段或认为当前模型效果不佳，可参考以下逻辑选择合适的 Embedding 模型：

注意：1. 如果需要向量化的原始文本长度超过500字符数，且不希望做拆分，推荐选用 BAAI/bge-m3，该模型提供8K Token 的输入长度，可满足长文本向量化的需求，但请注意：即使该模型支持8K的 token 输入，但在实际的业务场景中，为了你的效果和性能最佳，建议每次 token 不超过2K。

注意：2. 如果你的数据以中文文本为主，从效果方面考虑选择 bge-large-zh-v1.5；从性能、效果、成本方面综合考虑可选择 bge-base-zh-v1.5。使用 bge-base-zh-v1.5的存储空间对比 bge-large-zh-v1.5会降低约25%，且向量生成平均性能 bge-base-zh-v1.5对比 bge-large-zh-v1.5约有1倍优势。

注意：3. 如果你的数据以混合语言的数据组成，推荐选用 BAAI/bge-m3，该支持100多种语言且在混合语言下具有较好的效果。

五、计费说明

腾讯云向量数据库（Tencent Cloud VectorDB）默认开通 Embedding 功能。在使用 Embedding 功能时，腾讯云向量数据库（Tencent Cloud VectorDB）将会根据输入文本的 Token 数量进行计费。具体计费信息，请参见 计费定价。

注意：说明：

注意：在 Embedding 模型中，Token 是指文本数据处理的基本单元。通常在文本中，一个 Token 可以是一个字或词，也可以是一个标点符号。在将文本输入到 Embedding 模型中进行向量化时，文本数据会被切分成一系列的 Token 序列，每个 Token 都会依据在模型中预先建立的词汇表的映射关系与唯一的数字 ID 相关联，实现将所有 Token 映射到一个固定维度的向量空间，完成文本的向量化。

六、相关 API

你需要在建表时，做相关配置，才能在写入、更新、检索数据直接写入原始文本，应用 Embedding 功能进行向量化。相关 API，如下表所示。