Meilisearch 1.7
Meilisearch 1.7 稳定了排名得分详情,新增了 Hugging Face 嵌入的 GPU 支持,并集成了最新的 OpenAI 嵌入模型。

我们很高兴地推出 Meilisearch v1.7。在本文中,我们将回顾最具影响力的变更。有关完整列表,请查阅 Github 上的 更新日志。
Meilisearch 1.7 现已在 Meilisearch 云服务 上提供——立即升级!
改进的混合搜索和向量搜索
AI 搜索是一项实验性功能,请查阅文档以启用 AI 搜索。
新的 OpenAI 嵌入模型
从 Meilisearch 1.7 开始,您可以使用 OpenAI 的第三代嵌入模型
text-embedding-3-small
text-embedding-3-large
与之前的 text-embedding-ada-002
模型相比,这些新模型提供了改进,可以在搜索结果相关性和成本效益之间取得平衡。
small
模型更具成本效益,生成更小的向量嵌入,所需存储空间更少。large
模型则侧重于提供更高的搜索结果精度,是优化相关性的理想选择。
配置 OpenAI 模型维度
使用新的 text-embedding-3-small
和 text-embedding-3-large
OpenAI 模型时,您现在可以为模型配置维度。如果未提供,将使用模型的默认维度。
您可以在更新设置时进行此操作
{ // other settings... "embedders": { "small": { "source": "openAi", "model": "text-embedding-3-large", "dimensions": 512 // must be >0, must be <= 3072 for "text-embedding-3-large" }, } }
更高的维度通常提供更复杂的嵌入,从而带来更准确的搜索结果。然而,增加维度会增加计算成本并需要更多的存储空间。
使用 OpenAI text-embedding-ada-002
时,您无法自定义维度。
在 Meilisearch 云服务上使用 AI 搜索
Meilisearch 混合搜索和向量搜索即将登陆 Meilisearch 云服务。我们每天都会发出邀请。加入 Beta 版。👇
Hugging Face 嵌入计算的 GPU 支持
Meilisearch 1.7 提供了为自托管 Meilisearch 启用 GPU 支持以计算 Hugging Face 嵌入的功能。这可以显著加快嵌入生成过程。
在我们的专门指南《使用 GPU 计算 Hugging Face 嵌入》中查找详细说明。
在搜索时显示排名得分详情
Meilisearch 1.7 稳定了在 [Meilisearch 1.3](/blog/v1-3-release/#release-v1-7&utm_source=blog) 中引入的 showRankingScoreDetails
搜索参数。此参数为搜索结果中的每个文档添加了一个 _rankingScoreDetails
字段,从而可以进一步检查搜索结果。
您可以在进行搜索时包含此参数
curl -X POST 'https://edge.meilisearch.com/indexes/movies/search' -H 'Content-Type: application/json' --data-binary '{ "q": "batman", "showRankingScoreDetails": true }'
在 API 参考中了解有关 _rankingScoreDetails
对象以及如何在您偏好的 SDK 中使用它的更多信息。
贡献者致谢
我们要向所有使此版本成为可能 的贡献者致以最诚挚的感谢:@capJavert、 @codesmith-emmy、 @Elliot67 和 @Gosti 对 Meilisearch 的 PR 贡献,以及 @agourlay、 @choznerol、 @ngdbao、 @timvisee 和 @xshadowlegendx 对 charabia 的贡献。
特别感谢我们的 SDK 维护者,正是因为他们,Meilisearch 才能支持如此多的语言。🫶
v1.7 的内容就到这里!本发布帖重点介绍了最重要的更新。有关完整列表,请阅读 Github 上的更新日志。
订阅我们的新闻通讯,随时了解 Meilisearch 的最新动态。要了解 Meilisearch 的未来发展并助其成型,请查看我们的路线图,并参与我们的产品讨论。
如需其他帮助,请加入我们在 Discord 上的开发者社区。