首页
学习
活动
专区
圈层
工具
发布
社区首页 >专栏 >Youtu-Embedding 正式开源:腾讯优图推出高性能通用文本嵌入模型

Youtu-Embedding 正式开源:腾讯优图推出高性能通用文本嵌入模型

作者头像
腾讯开源
发布2025-10-20 18:48:58
发布2025-10-20 18:48:58
4300
举报

高质量的文本嵌入(Embedding)是驱动智能搜索、检索增强生成(RAG)以及推荐系统等应用的核心技术。

在传统的信息检索系统中,搜索主要依赖 倒排索引(Inverted Index)关键词匹配:系统将文本分解为词项,通过统计共现频率或关键词相似度来检索文档。这种方法虽然高效,但存在明显局限——它依赖词面匹配,无法真正理解语义关系。例如,“汽车保险”和“车辆保障”在语义上接近,却因为缺少相同词汇而难以被匹配到。

文本嵌入(Embedding)技术通过深度神经网络将文本映射到高维向量空间,使语义相似的句子在该空间中距离更近。这一机制让模型能够基于 语义层面的关联 而非字面重合来完成检索,从而显著提升搜索和问答系统的“理解力”。在 RAG(Retrieval-Augmented Generation) 场景中,高质量的文本嵌入模型可以为大语言模型(LLM)提供更准确、更上下文相关的外部知识,使生成的答案更加精确、可控与可解释。

为破解这一难题,腾讯优图实验室正式开源Youtu-Embedding,这是一款面向企业级应用打造的通用文本表示模型,可同时胜任文本检索、意图理解、相似度判断、分类聚类等六大主流任务。它在信息检索(IR)、语义相似度(STS)、聚类、重排序和分类等一系列广泛的自然语言处理任务上,均展现出卓越的性能。

Youtu-Embedding的核心优势包括:

🏆 顶尖性能: 在权威的中文文本嵌入评测基准 CMTEB 上,以 77.46 的高分荣登榜首(截至2025年09月),证明了其强大的表征能力。

🧠 精密的三阶段训练: 通过“LLM基础预训练 → 弱监督对齐 → 协同-判别式微调”的训练流程,系统性地将大模型的广博知识转化为专用于嵌入任务的判别能力。

创新的微调框架: 设计了统一数据格式、任务差异化损失函数和动态单任务采样机制,解决了多任务学习中的“负迁移”难题,实现了多任务的稳定协同训练。(该框架在多种基础编码器上进行了验证,保障其通用性和有效性)

🛠️ 精细化的数据工程: 结合了基于LLM的高质量数据合成技术与高效的难负例挖掘策略,为模型训练提供了最坚实的数据基础。

我们在此开源模型权重、推理代码及完整的训练框架,首个模型版本已在HuggingFace上发布,这是一个拥有20亿(2B)参数的通用语义表示模型。源代码已在GitHub上开源。

Hugging Face链接:https://huggingface.co/tencent/Youtu-Embedding

GitHub链接:https://github.com/TencentCloudADP/youtu-embedding

🚀 快速使用Embedding

您可以通过两种方式来生成文本嵌入(Embeddings):便捷的官方 API 调用,或在本地环境中部署并运行模型。

选项 1:☁️ 使用腾讯云 API 获取文本向量(免部署方案)

腾讯优图提供了云端版 Youtu-Embedding 接口,您无需在本地下载模型或配置环境,即可直接在线生成文本向量。

这对于希望快速验证模型效果、或在生产环境中集成云端推理能力的用户来说,都是最便捷的选择。

前往腾讯云官方文档查看接口说明:https://cloud.tencent.com/document/product/1772/115343

在页面中复制接口的 请求域名(例如 lkeap.tencentcloudapi.com),参考文档填写输入参数等信息。

如需将接口集成到业务后端,可使用腾讯云官方 SDK 调用。

安装命令:

代码语言:javascript
复制
pip install --upgrade tencentcloud-sdk-python

选项 2:💻 本地部署

在您自己的机器上运行模型可以赋予您完全的控制权,非常适合离线使用、自定义或数据隐私优先的场景。

本指南将帮助您从零开始,在本地快速加载并测试腾讯优图的 Youtu-Embedding 模型。

一、系统与环境要求
二、创建并激活虚拟环境

建议为本项目单独创建 Python 虚拟环境,以保持依赖清晰。

代码语言:javascript
复制
# 拉取 Youtu-Embedding 项目
git clone https://github.com/TencentCloudADP/youtu-embedding.git
 
# 检查 Python 版本
python --version
 
# (如使用 pyenv,可设置 Python 3.10)
pyenv local 3.10.14
 
# 创建并激活虚拟环境
python -m venv youtu-env
source youtu-env/bin/activate
三、安装依赖
代码语言:javascript
复制
pip install -U pip
pip install "transformers==4.51.3" torch numpy scipy scikit-learn huggingface_hub
说明:huggingface_hub 用于从 Hugging Face 下载模型。
四、下载模型

下载完成后,模型将保存在当前目录的 ./youtu-model 文件夹下。

4.1从仓库克隆模型

您也可以通过手动拉取模型仓库的方式,将 Embedding 模型拉取至本地项目内。

代码语言:javascript
复制
git clone https://huggingface.co/tencent/Youtu-Embedding
4.2创建测试脚本

接下来将通过一个测试脚本,展示如何在macOS环境下使用 Transformers 加载模型、计算文本嵌入并输出相似度矩阵。在本地创建 test_transformers_online_local.py 测试脚本,填写以下内容:

代码语言:javascript
复制
import torch
import numpy as np
from transformers import AutoModel, AutoTokenizer


class LLMEmbeddingModel():

    def __init__(self, 
                model_name_or_path, 
                batch_size=128, 
                max_length=1024, 
                gpu_id=0):
        """Local embedding model with automatic device selection"""
        self.model = AutoModel.from_pretrained(model_name_or_path, trust_remote_code=True)
        self.tokenizer = AutoTokenizer.from_pretrained(model_name_or_path, padding_side="right", trust_remote_code=True)
       
        # Device selection: CUDA -> MPS -> CPU
        if torch.cuda.is_available():
            self.device = torch.device(f"cuda:{gpu_id}")
        elif torch.backends.mps.is_available():
            self.device = torch.device("mps")
        else:
            self.device = torch.device("cpu")

        self.model.to(self.device).eval()
        
        self.max_length = max_length
        self.batch_size = batch_size
        
        query_instruction = "Given a search query, retrieve passages that answer the question"
        if query_instruction:
            self.query_instruction = f"Instruction: {query_instruction} \nQuery:"
        else:
            self.query_instruction = "Query:"
        
        self.doc_instruction = ""
        print(f"Model loaded: {model_name_or_path}")
        print(f"Device: {self.device}")
    
    def mean_pooling(self, hidden_state, attention_mask):
        s = torch.sum(hidden_state * attention_mask.unsqueeze(-1).float(), dim=1)
        d = attention_mask.sum(dim=1, keepdim=True).float()
        embedding = s / d
        return embedding
    
    @torch.no_grad()
    def encode(self, sentences_batch, instruction):
        inputs = self.tokenizer(
            sentences_batch,
            padding=True,
            truncation=True,
            return_tensors="pt",
            max_length=self.max_length,
            add_special_tokens=True,
        )
        # Move inputs to device
        inputs = {k: v.to(self.device) for k, v in inputs.items()}
        
        with torch.no_grad():
            outputs = self.model(**inputs)
            last_hidden_state = outputs[0]
            
            instruction_tokens = self.tokenizer(
                instruction,
                padding=False,
                truncation=True,
                max_length=self.max_length,
                add_special_tokens=True,
            )["input_ids"]
            if len(np.shape(np.array(instruction_tokens))) == 1:
                inputs["attention_mask"][:, :len(instruction_tokens)] = 0
            else:
                instruction_length = [len(item) for item in instruction_tokens]
                assert len(instruction) == len(sentences_batch)
                for idx in range(len(instruction_length)):
                    inputs["attention_mask"][idx, :instruction_length[idx]] = 0
            
            embeddings = self.mean_pooling(last_hidden_state, inputs["attention_mask"])
            embeddings = torch.nn.functional.normalize(embeddings, dim=-1)
        return embeddings
    
    def encode_queries(self, queries):
        queries = queries if isinstance(queries, list) else [queries]
        queries = [f"{self.query_instruction}{query}" for query in queries]
        return self.encode(queries, self.query_instruction)
    
    def encode_passages(self, passages):
        passages = passages if isinstance(passages, list) else [passages]
        passages = [f"{self.doc_instruction}{passage}" for passage in passages]
        return self.encode(passages, self.doc_instruction)
    
    def compute_similarity_for_vectors(self, q_reps, p_reps):
        if len(p_reps.size()) == 2:
            return torch.matmul(q_reps, p_reps.transpose(0, 1))
        return torch.matmul(q_reps, p_reps.transpose(-2, -1))
    
    def compute_similarity(self, queries, passages):
        q_reps = self.encode_queries(queries)
        p_reps = self.encode_passages(passages)
        scores = self.compute_similarity_for_vectors(q_reps, p_reps)
        scores = scores.detach().cpu().tolist()
        return scores
    
    def display_results(self, query, passages, scores):
        """Display similarity results in a simple format"""
        print(f"\nQuery: {query}")
        print("-" * 50)

        # Sort by similarity score (highest first)
        ranked_results = list(zip(passages, scores[0]))
        ranked_results.sort(key=lambda x: x[1], reverse=True)

        for i, (passage, score) in enumerate(ranked_results, 1):
            print(f"{i}. Score: {score:.4f} - {passage}")

        print("-" * 50)


def main():
    queries = ["What's the weather like?"]
    passages = [
        'The weather is lovely today.',
        "It's so sunny outside!",
        'He drove to the stadium.'
    ]
    
    model_name_or_path = "./Youtu-Embedding"
    model = LLMEmbeddingModel(model_name_or_path)
    scores = model.compute_similarity(queries, passages)

    # Display results with enhanced formatting
    model.display_results(queries[0], passages, scores)

    # Also show raw scores for reference
    print(f"\nRaw scores: {scores}")


if __name__ == "__main__":
    main()
 
 

运行脚本:

代码语言:javascript
复制
python test_transformers_local.py

终端出现以下结果说明成功调用本地模型:

代码语言:javascript
复制
Model loaded: ./Youtu-Embedding
Device: mps
 
Query: What's the weather like?
--------------------------------------------------
1. Score: 0.4465 - The weather is lovely today.
2. Score: 0.3124 - It's so sunny outside!
3. Score: 0.0304 - He drove to the stadium.
--------------------------------------------------
 
Raw scores: [[0.44651979207992554, 0.31240469217300415, 0.030404280871152878]]

根据结果可知,与当前天气有关的回答分值更高,因此排在前列。

🤝一起参与开源

Youtu-Embedding 不仅是一款高性能的通用文本向量模型,更是推动 AI 语义理解落地的重要基石。

通过开源共享,我们希望携手开发者,共同推动语义检索与 RAG 技术的普及,让每个团队都能轻松拥有强大的文本理解与检索能力。

💡 立即体验 Youtu-Embedding,开启智能检索与语义理解的新篇章!

扫码前往 GitHub 获取源代码:

网址:https://github.com/TencentCloudADP/youtu-embedding

扫码加入技术讨论社群:

若二维码失效,请添加小助手微信并说明“加入 Youtu Embedding 社群”,通过后将拉你入群:

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2025-10-14,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 腾讯开源 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 🚀 快速使用Embedding
    • 选项 1:☁️ 使用腾讯云 API 获取文本向量(免部署方案)
    • 选项 2:💻 本地部署
      • 一、系统与环境要求
      • 二、创建并激活虚拟环境
      • 三、安装依赖
      • 说明:huggingface_hub 用于从 Hugging Face 下载模型。
      • 四、下载模型
  • 🤝一起参与开源
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档