Meilisearch 1.7
Meilisearch 1.7 稳定了排名分数详情,为 Hugging Face 嵌入添加了 GPU 支持,并集成了最新的 OpenAI 嵌入模型。
我们很高兴推出 Meilisearch v1.7。 在本文中,我们将回顾最重要的更改。 有关详尽列表,请查看 Github 上的更改日志。
Meilisearch 1.7 也可在Meilisearch Cloud上使用 — 立即升级!
改进的混合 & 向量搜索
AI 搜索是一项实验性功能,请阅读文档以启用 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,可以平衡搜索结果的相关性和成本效益。
small
模型更具成本效益,生成较小的向量嵌入,所需的存储空间更少。 large
模型专注于提供更高的搜索结果精度,使其成为优化相关性的理想选择。
配置 OpenAI 模型维度
当使用新的 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,则使用模型的默认维度。
您可以在更新设置时执行此操作
{ // 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,这可以带来更准确的搜索结果。 但是,增加的维度计算成本更高,并且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 Cloud 上使用 AI 搜索
Meilisearch 混合搜索和向量搜索即将登陆 Meilisearch Cloud。 我们每天都会发出邀请。 加入测试版。👇
用于计算 Hugging Face 嵌入的 GPU 支持
Meilisearch 1.7 能够为自托管 Meilisearch 启用 GPU 支持,以计算 Hugging Face 嵌入。 这可以显著加快嵌入生成过程。
请在我们的专用指南中找到有关使用 GPU 计算 Hugging Face 嵌入的详细说明。
在搜索时显示排名分数详情
Meilisearch 1.7 稳定了在 [Meilisearch 1.3](/blog/v1-3-release/?utm_campaign=release-v1-7&utm_source=blog) 中引入的 showRankingScoreDetails
搜索参数。 此参数在搜索结果中的每个文档中添加一个 _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该参数
curl -X POST 'https://edge.meilisearch.com/indexes/movies/search' -H 'Content-Type: application/json' --data-binary '{ "q": "batman", "showRankingScoreDetails": true }'
请在 API 参考中了解有关 _rankingScoreDetails
对象以及如何使用您首选的 SDK 的更多信息。
贡献者致谢
我们要衷心感谢所有使此版本成为可能的贡献者:@capJavert、@codesmith-emmy、@Elliot67 和 @Gosti 在 Meilisearch 中的 PR,以及 @agourlay、@choznerol、@ngdbao、@timvisee 和 @xshadowlegendx 在 charabia 上的工作。
特别感谢我们的 SDK 维护人员,感谢他们,Meilisearch 可以用于如此多的语言。🫶
这就是 v1.7 的全部内容! 此版本文章重点介绍了最重要的更新。 有关详尽列表,请阅读 Github 上的更改日志。
请订阅我们的新闻简报,以便随时了解 Meilisearch 的所有动态。 要了解有关 Meilisearch 未来并帮助塑造它的更多信息,请查看我们的路线图并参与我们的产品讨论。
如有任何其他问题,请加入我们在 Discord 上的开发者社区。