Эмбеддинги преобразуют текст в числовые векторы, которые можно сохранять в векторной базе данных, искать с помощью косинусного сходства или использовать в RAG-конвейерах. Длина вектора зависит от модели (обычно 384–1024 размерности).
Рекомендуемые модели
Генерация эмбеддингов
CLI
Генерация эмбеддингов напрямую из командной строки:
```shell
ollama run embeddinggemma "Hello world"
```
Также можно передавать текст через pipe для генерации эмбеддингов:
```shell
echo "Hello world" | ollama run embeddinggemma
```
Результат представляет собой JSON-массив.
cURL
```shell
curl -X POST http://localhost:11434/api/embed \
-H "Content-Type: application/json" \
-d '{
"model": "embeddinggemma",
"input": "The quick brown fox jumps over the lazy dog."
}'
```
Python
```python
import ollama
single = ollama.embed(
model='embeddinggemma',
input='The quick brown fox jumps over the lazy dog.'
)
print(len(single['embeddings'][0])) # длина вектора
```
JavaScript
```javascript
import ollama from 'ollama'
const single = await ollama.embed({
model: 'embeddinggemma',
input: 'The quick brown fox jumps over the lazy dog.',
})
console.log(single.embeddings[0].length) // длина вектора
```
Примечание
Эндпоинт /api/embed возвращает L2-нормализованные (единичной длины) векторы.
Генерация пакета эмбеддингов
Передайте массив строк в параметр input.
cURL
```shell
curl -X POST http://localhost:11434/api/embed \
-H "Content-Type: application/json" \
-d '{
"model": "embeddinggemma",
"input": [
"First sentence",
"Second sentence",
"Third sentence"
]
}'
```
Python
```python
import ollama
batch = ollama.embed(
model='embeddinggemma',
input=[
'The quick brown fox jumps over the lazy dog.',
'The five boxing wizards jump quickly.',
'Jackdaws love my big sphinx of quartz.',
]
)
print(len(batch['embeddings'])) # количество векторов
```
JavaScript
```javascript
import ollama from 'ollama'
const batch = await ollama.embed({
model: 'embeddinggemma',
input: [
'The quick brown fox jumps over the lazy dog.',
'The five boxing wizards jump quickly.',
'Jackdaws love my big sphinx of quartz.',
],
})
console.log(batch.embeddings.length) // количество векторов
```
Советы
- Используйте косинусное сходство для большинства задач семантического поиска.
- Используйте одну и ту же модель эмбеддингов как для индексации, так и для выполнения запросов.