Embedding-2

概览

Embedding-2 是智谱AI 推出的第二代文本向量化模型，能够将文本转换为高维向量表示，用于语义相似性计算和搜索。该模型在语义理解、文本检索和相似度计算方面表现优异，适用于构建智能搜索、推荐系统和知识库等应用。

价格

0.5 元 / 百万 Tokens

输入模态

文本

输出模态

向量

上下文窗口

8K

向量维度

1024

推荐场景

语义搜索

将用户查询和文档库转换为向量，通过计算向量相似度实现精准的语义搜索，能够理解查询意图而非仅仅匹配关键词。

文本聚类

将相似主题的文本聚集在一起，用于内容分类、主题发现和文档整理，帮助用户快速理解大量文本的主要内容。

推荐系统

基于用户历史行为和内容向量化，计算用户偏好与内容的相似度，实现个性化内容推荐。

异常检测

通过计算文本向量与正常样本的距离，识别异常或可疑内容，用于内容审核和风险控制。

知识库问答

将知识库文档向量化，通过语义匹配找到与用户问题最相关的文档片段，提供准确的答案。

使用资源

体验中心：快速测试模型在业务场景上的效果
接口文档：API 调用方式

详细介绍

1. 模型特性

   Embedding-2 采用先进的神经网络架构，能够深度理解文本的语义信息。模型支持中英文等多种语言，在保持高质量向量表示的同时，具有良好的计算效率。

   核心特性：

   • 多语言支持：支持中文、英文等多种语言的文本向量化
   • 语义理解：能够捕捉文本的深层语义信息，而非仅仅是词汇匹配
   • 高效计算：优化的模型架构确保快速的向量生成速度
   • 稳定输出：相同输入始终产生一致的向量表示
2. 技术规格

   Embedding-2 提供 1024 维的向量输出，支持最大 8K tokens 的文本输入。模型经过大规模多语言语料训练，在各种文本类型上都有良好的表现。

   技术参数：

   • 向量维度：1024 维
   • 输入字符串数组中，单条请求最多支持 512 个 Tokens，数组总长度不得超过 8K

调用示例

以下是一个完整的调用示例，帮助您快速上手 Embedding-2 模型。

cURL

curl -X POST \
https://open.bigmodel.cn/api/paas/v4/embeddings \
-H "Authorization: Bearer your-api-key" \
-H "Content-Type: application/json" \
-d '{
    "model": "embedding-2",
    "input": "这是一段需要向量化的文本"
}'

最佳实践

文本预处理

在向量化之前，建议对文本进行适当的预处理：

• 去除多余的空格和特殊字符
• 统一文本格式（如大小写）
• 对于长文本，考虑分段处理以获得更好的语义表示

相似度计算

使用余弦相似度计算向量间的相似性：

import numpy as np

def cosine_similarity(vec1, vec2):
    return np.dot(vec1, vec2) / (np.linalg.norm(vec1) * np.linalg.norm(vec2))

批量处理

为提高效率，建议批量处理多个文本：

• 单次最多处理 8K 长度文本
• 合理安排批次大小以平衡速度和资源使用

用户并发权益

API调用会受到速率限制，当前我们限制的维度是请求并发数量（在途请求任务数量）。不同等级的用户并发保障如下。

V0	V1	V2	V3
50	100	300	500