تعتمد محركات البحث التقليدية بشكل كبير على مطابقة الكلمات المفتاحية، وغالبًا ما تفتقد النية الحقيقية أو السياق وراء استعلامات المستخدم. تُحدث نماذج التضمين (Embedding) ثورة في هذه العملية عن طريق تحويل الاستعلامات والمستندات إلى متجهات كثيفة تلتقط المعنى الدلالي العميق. وهذا يتيح استرجاعًا عالي الصلة ومدركًا للسياق - حتى عندما لا تتطابق الكلمات المفتاحية الدقيقة.
متاح الآن على Novita AI، نموذج Qwen3 Embedding 8B القوي يدعم الإدخالات الطويلة، والفهم متعدد اللغات، والتخصيص المدرك للتعليمات، مما يضع معيارًا جديدًا لتطبيقات البحث والتوصية وإدارة المعرفة.
ما هو نموذج التضمين (Embedding Model)؟
نموذج التضمين هو تقنية تعلم آلي تحول البيانات المعقدة عالية الأبعاد - مثل الكلمات أو الصور أو الصوت - إلى متجهات رقمية منخفضة الأبعاد. تلتقط هذه المتجهات العلاقات الدلالية بين نقاط البيانات، مما يمكّن النماذج من معالجة البيانات وتحليلها بشكل أكثر فعالية.
من Qdrant
ما المشكلات التي حلتّها نماذج التضمين؟
تمكّن التضمينات البحث الدلالي الفعال من خلال تمثيل الاستعلامات والمستندات كمتجهات، مما يحل مشكلة استرجاع البيانات الأكثر صلة لتحسين التوليد في أنظمة RAG.
من المدونة
1. البحث والتوصيات في التجارة الإلكترونية
تستخدم منصات مثل Instacart وTaobao أنظمة استرجاع قائمة على التضمين لتحسين البحث عن المنتجات والتوصيات. من خلال فهم العلاقات الدلالية بين المنتجات واستعلامات المستخدم، يمكن لهذه الأنظمة اقتراح عناصر تتوافق مع تفضيلات المستخدم، حتى عندما لا تُستخدم كلمات مفتاحية محددة.
2. اكتشاف المحتوى
تستخدم منصات الوسائط التضمينات للتوصية بالمقالات أو مقاطع الفيديو أو الموسيقى بناءً على سلوك المستخدم وتفضيلاته. على سبيل المثال، إذا قرأ المستخدم مقالًا عن استكشاف الفضاء، فقد يقترح النظام محتوى ذا صلة بعلم الفلك أو تكنولوجيا الصواريخ.
3. إدارة المعرفة المؤسسية
تستخدم المؤسسات نماذج التضمين لتسهيل البحث الدلالي داخل المستندات الداخلية وقواعد المعرفة. وهذا يمكّن الموظفين من العثور على المعلومات ذات الصلة بكفاءة، حتى عندما لا تتطابق مصطلحات بحثهم تمامًا مع محتوى المستند.
4. روبوتات الدردشة لدعم العملاء
تعزز نماذج التضمين روبوتات الدردشة من خلال تمكينها من فهم استعلامات المستخدم والرد عليها بشكل أكثر فعالية. من خلال تعيين أسئلة المستخدم إلى إجابات متشابهة دلاليًا في قاعدة المعرفة، يمكن لروبوتات الدردشة تقديم إجابات دقيقة ومناسبة من الناحية السياقية.
تقييم نماذج التضمين
هذه المقاييس وفئات المهام جزء لا يتجزأ من تقييم ومقارنة أداء نماذج التضمين عبر التطبيقات المختلفة. من خلال تحليل أداء النموذج في هذه المجالات، يمكن للباحثين والممارسين اختيار النماذج الأكثر ملاءمة لاحتياجاتهم الخاصة.
- المتوسط (المهمة): متوسط أداء النموذج عبر جميع المهام التي تم تقييمها، مما يُظهر التنوع العام.
- المتوسط (النوع): متوسط الأداء عبر أنواع المهام المختلفة أو تنسيقات البيانات (مثل جملة إلى جملة، فقرة إلى فقرة).
- التنقيب في النصوص الثنائية (Bitext Mining): العثور على أزواج جمل بلغات مختلفة تكون ترجمات لبعضها البعض، وهو مهم للمجموعات متعددة اللغات.
- التصنيف (Class.): تعيين تسميات محددة مسبقًا للنصوص، مثل تصنيف المشاعر أو الموضوع.
- التجميع (Clust.): تجميع النصوص المتشابهة دون تسميات لاكتشاف الموضوعات أو الهياكل.
- استرجاع المثيل (Inst. Retri.): استرجاع مستندات محددة ذات صلة باستعلام معين، يُستخدم في البحث أو التوصيات.
- التصنيف متعدد الفئات (Multi. Class.): تصنيف المدخلات إلى 3 فئات أو أكثر، مثل موضوعات الأخبار.
- تصنيف الأزواج (Pair. Class.): تحديد العلاقات بين أزواج النصوص، مثل المكررات أو إعادة الصياغة.
- إعادة الترتيب (Rerank): إعادة ترتيب قوائم المرشحين (مثل نتائج البحث) لتحسين الصلة.
- الاسترجاع (Retri.): جلب المستندات/المقاطع ذات الصلة من مجموعات كبيرة بناءً على الاستعلامات.
ما هو نموذج Qwen 3 Embedding؟
| النموذج | الحجم | الطبقات | طول التسلسل | بُعد التضمين | دعم MRL | مدرك للتعليمات |
|---|---|---|---|---|---|---|
| Qwen3 Embedding 0.6B | 0.6B | 28 | 32K | 1024 | نعم | نعم |
| Qwen3 Embedding 4B | 4B | 36 | 32K | 2560 | نعم | نعم |
| Qwen3 Embedding 8B | 8B | 36 | 32K | 4096 | نعم | نعم |
- تأتي نماذج Qwen3 Embedding بثلاثة أحجام: صغير (0.6B)، متوسط (4B)، وكبير (8B).
- جميع النماذج تدعم تسلسلات إدخال طويلة تصل إلى 32,000 رمز، مناسبة لمعالجة المستندات الطويلة أو الكود.
- النماذج الأكبر تحتوي على طبقات أكثر (36 مقابل 28)، وأبعاد تضمين أكبر (تصل إلى 4096)، مما قد يلتقط معلومات دلالية أغنى.
- جميعها تدعم تعلم التمثيل متعدد اللغات (MRL)، مما يتيح تضمينًا فعالاً عبر العديد من اللغات.
- جميع النماذج مدركة للتعليمات، مما يعني أنها يمكنها الاستجابة لتعليمات أو مهام محددة، مما يحسن التخصيص والأداء النهائي.
بالإضافة إلى ذلك، تقدم Qwen3 نموذج إعادة ترتيب يساعد في إعادة ترتيب نتائج الاستعلام لتوفير الإجابات الأكثر صلة.
الميزات الرئيسية لـ Qwen 3 Embedding 8B
قدرة Qwen 3 Embedding 8B
يمكنك مراجعة تقييم نماذج التضمين على لوحة الصدارة هذه!
كيفية الوصول إلى Qwen 3 Embedding 8B؟
Novita AI هي منصة سحابية للذكاء الاصطناعي تقدم للمطورين طريقة سهلة لنشر نماذج الذكاء الاصطناعي باستخدام واجهة برمجة التطبيقات البسيطة لدينا، مع توفير GPU سحابي موثوق وبأسعار معقولة للبناء والتوسع.
بالإضافة إلى Qwen 3 Embedding 8B، توفر Novita AI أيضًا bge-m3 مجاني لدعم تطوير مجتمع المصادر المفتوحة!
الخطوة 1: تسجيل الدخول والوصول إلى مكتبة النماذج
سجل الدخول إلى حسابك وانقر على زر مكتبة النماذج.
الخطوة 2: اختر نموذجك وابدأ تجربة مجانية
تصفح الخيارات المتاحة واختر النموذج الذي يناسب احتياجاتك.
الخطوة 3: احصل على مفتاح API الخاص بك
للمصادقة مع واجهة برمجة التطبيقات، سنقدم لك مفتاح API جديد. بالدخول إلى صفحة “الإعدادات“، يمكنك نسخ مفتاح API كما هو موضح في الصورة.
الخطوة 4: تثبيت واجهة برمجة التطبيقات
قم بتثبيت واجهة برمجة التطبيقات باستخدام مدير الحزم الخاص بلغة البرمجة التي تستخدمها.
بعد التثبيت، قم باستيراد المكتبات الضرورية إلى بيئة التطوير الخاصة بك. قم بتهيئة واجهة برمجة التطبيقات باستخدام مفتاح API الخاص بك لبدء التفاعل مع نماذج Novita AI. هذا مثال لاستخدام واجهة chat completions API لمستخدمي Python.
from openai import OpenAI
import json
client = OpenAI(
base_url="https://api.novita.ai/v3/openai",
api_key="<Your API Key>",
)
model = "qwen/qwen3-embedding-8b"
def get_embeddings(text, model="qwen/qwen3-embedding-8b", encoding_format="float"):
response = client.embeddings.create(
model=model,
input=text,
encoding_format=encoding_format
)
return response
# Example usage
text = "The quick brown fox jumped over the lazy dog"
result = get_embeddings(text)
print(json.dumps(result.model_dump(), indent=2))
تقدم سلسلة Qwen3 Embedding نماذج قابلة للتوسع، ومدركة للتعليمات، ومتعددة اللغات (0.6B، 4B، و8B معلمات) تدعم التسلسلات الطويلة وتقدم أداءً رائدًا في الصناعة. بفضل التخصيص المرن ونموذج إعادة الترتيب المخصص، فإن سلسلة Qwen3 Embedding مناسبة تمامًا لمجموعة متنوعة من السيناريوهات الواقعية التي تتطلب فهمًا دلاليًا فعالاً ودقيقًا.
الأسئلة الشائعة
ما هو التضمين (Embedding)؟
التضمين هو تقنية تستخدم لتحويل بيانات الإدخال إلى متجه من القيم الرقمية في فضاء منخفض الأبعاد.
ما المشكلات التي تحلها نماذج التضمين؟
إنها تمكّن البحث والاسترجاع الدلالي، مما يحسن الصلة في محركات البحث والتوصيات ودعم العملاء وغيرها من خلال فهم المعنى الكامن وراء الاستعلامات والمستندات.
ما هو نموذج Qwen3 Embedding؟
Qwen3-Embedding هي عائلة من ثلاثة نماذج (0.6B، 4B، و8B معلمات) تدعم الإدخالات الطويلة (حتى 32 ألف رمز)، والتعلم التمثيلي متعدد اللغات، والوعي بالتعليمات للمهام المخصصة. يحتل نموذج 8B صدارة لوحة صدارة MTEB بنتيجة 70.58.! يمكنك استخدامه على Novita AI!
Novita AI هي المنصة السحابية الشاملة التي تمكن طموحاتك في الذكاء الاصطناعي. واجهات برمجة تطبيقات متكاملة، بدون خادم، مثيلات GPU — الأدوات الفعالة من حيث التكلفة التي تحتاجها. تخلص من البنية التحتية، ابدأ مجانًا، واجعل رؤيتك للذكاء الاصطناعي حقيقة.
