embedding v2--向量数据库VikingDB-火山引擎

文档中心

导航

embedding v2

最近更新时间：2025.05.14 12:18:07首次发布时间：2024.04.17 14:21:07

概述

embedding_v2是 embedding 接口的较新版本，建议使用此接口进行向量化处理。 embedding用于将非结构化数据向量化，通过深度学习神经网络提取文本、图片、音视频等非结构化数据里的内容和语义，把文本、图片、音视频等变成特征向量。
异步调用使用async_embedding_v2接口，参数不变。

说明

当前 Embedding 服务支持将文本/图片生成向量。
当前 Embedding 服务接口不支持承载高并发请求，请求数量过多时请求会被丢弃。
图片大小：建议图片大小不要超过1MB，因embedding v2接口的请求限制为4M，当图片超过1MB时，我们建议用户压缩图片后再次请求，防止接口截断；
图片压缩尺寸推荐：经过我们的实验，将图片的长和宽分别缩放到自身的0.30-0.35倍，可以得到与原图embedding较为相近的结果。其中，0.30-0.35倍是缩放的拐点，比例再低的话精度劣化会比较明显，缩放比例可以在拐点以上。
当前图片 embedding 限制每秒上传15张图，如果超出限制请及时联系客服扩大限流。

请求参数

参数	子参数	类型	是否必选	可选值	说明
EmbModel	modelName	string	是	doubao-embedding	字节跳动研发的语义向量化模型，支持中英双语。当TPM超过5000时请前往火山方舟平台使用。输出稠密向量维度：2048，支持 512, 1024 降维使用是否返回稀疏向量：否支持的模态：文本最长上下文长度：4K 模型的计费规则可以前往向量库计费查看说明 doubao-embedding 包括 240515 和 240715 两个版本，可通过 `model_version` 参数切换。 240715 版本中英文 Retrieval 效果较 240515 版本有较大提升。
				doubao-embedding-and-m3	输出稠密向量维度： 2048，支持 512, 1024 降维使用是否返回稀疏向量：是支持的模态：文本最长上下文长度：4K 模型的计费规则可以前往向量库计费查看
				doubao-embedding-large	字节跳动语义向量化模型的最新升级版，采用能力更强的豆包语言模型为基座，支持中、英双语，当TPM超过5000时请前往火山方舟平台使用输出稠密向量维度： 4096 ，支持2048, 1024, 512降维使用是否返回稀疏向量：否支持的模态：文本最长上下文长度：4K 模型的计费规则可以前往向量库计费查看
				doubao-embedding-large-and-m3	输出稠密向量维度： 4096 ，支持2048, 1024, 512降维使用是否返回稀疏向量：是支持的模态：文本最长上下文长度：4K 模型的计费规则可以前往向量库计费查看
				doubao-embedding-vision	字节自研的图文多模态向量化模型，主要面向图文多模向量检索的使用场景，支持图片输入及中、英双语文本输入，最长 8K 上下文长度。当TPM超过5000时请前往火山方舟平台使用。输出稠密向量维度：2048，支持1024 降维使用是否返回稀疏向量：否支持的模态：文本、图片最长上下文长度：8K 模型的计费规则可以前往向量库计费查看说明 doubao-embedding-vision 包括 250328 和 241215 两个版本，可通过 `model_version` 参数切换，241215版本只支持输出3072维稠密向量。
				bge-large-zh	输出稠密向量维度：1024 是否返回稀疏向量：否支持的模态：文本最长上下文长度：最多处理 512 个 token，数量超长时会截断，数量不足时会做 padding。模型的计费规则可以前往向量库计费查看
				bge-m3	输出稠密向量维度：1024 是否返回稀疏向量：是支持的模态：文本最长上下文长度：最多能处理 8192 个 token，数量超长时会截断，数量不足时会做 padding。模型的计费规则可以前往向量库计费查看
				bge-large-zh-and-m3	基于 bge v1.5 和m3 模型，使用混合检索模式。稠密向量由 bge v1.5 抽取，稀疏向量由 bge m3 抽取。输出稠密向量维度：1024 是否返回稀疏向量：是，输出稀疏向量为字典类型，k 为 Tokenizer 输出的token，v 为这个 token 的权重（类型是 float）支持的模态：文本最长上下文长度：最多能处理 512 个 token，数量超长时会截断，数量不足时会做 padding。模型的计费规则可以前往向量库计费查看
				bge-visualized-m3	基于Visualized-BGE和m3 模型，可对文本或图片进行单独编码，或者对文本图片对联合编码。输出稠密向量维度：1024 是否返回稀疏向量：否支持的模态：文本、图片最长上下文长度：文本token限制为8192，数量超长时会截断，数量不足时会做 padding。模型的计费规则可以前往向量库计费查看
	params	map	否	return_token_usage	返回请求消耗的token数，默认关闭。
				return_dense	返回稠密向量，默认打开。
				return_sparse	返回稀疏向量，支持提取稀疏向量的模型默认打开, 其他模型开启了会报错。
				embedding_dimension	用于对向量化结果降维。
				model_version	用于切换模型版本。若模型有多版本，可以指定，不填则使用默认版本。当前doubao-embedding 模型支持"240515"（默认）和"240715"版本。
RawData 说明 RawData 实例或者列表，最大 100 个。	dataType	string	是	text	文本
				image	图片
				text-image	文本-图片对联合编码
	text	string	data_type 为 text 或 text-image时，必选	data_type=text时，直接传入文本string
	image	string	data_type 为 image 或 text-image时，必选	data_type=image时，传入图片内容的base64编码

示例

请求参数

HashMap<String, Object> params = new HashMap<>();
params.put("return_token_usage", true);
ArrayList<RawData> rawDatas = new ArrayList<>();
rawDatas.add(new RawData().setDataType("text").setText("hello1").build());
rawDatas.add(new RawData().setDataType("text").setText("hello2").build());
Map<String, Object> res = vikingDBService.embeddingV2(new EmbModel().setModelName("bge-m3").setParams(params).build(), rawDatas);
System.out.println(res);

返回值

Python 调用执行上面的任务，返回 list<float> 、list<list<float>> 类型的向量。