Snowflake 很高興宣布推出 Arctic Embed 2.0，這是我們前沿嵌入模型的下一次迭代，現在可以支援多語言搜尋。雖然我們之前的版本已受到我們的客戶、合作夥伴和開源社群的好評，並促成了數百萬次的下載，但我們一直收到一個要求：你們可以讓這個模型支援多語言嗎？Arctic Embed 2.0 建構在我們先前版本的穩固基礎之上，新增了多語言支援，同時不犧牲英文效能或可擴展性，以滿足更廣泛用戶群的需求，這些用戶群涵蓋了廣泛的語言和應用程式。

圖 1. 參數少於 1B 的開源多語言嵌入模型的單向量密集檢索效能。分數是 MTEB 檢索和 CLEF 子集（ELRA，2006 年）中涵蓋英文、法文、西班牙文、義大利文和德文的平均 nDCG@10。

Arctic Embed 2.0 多樣化且強大的功能集

1. 企業級吞吐量和效率： Arctic Embed 2.0 模型專為大規模企業需求而建構。即使是我們的「大型」模型，其參數也遠低於 1B，並提供快速、高吞吐量的嵌入能力。根據內部測試，在 NVIDIA A10 GPU 上，它可以輕鬆處理每秒超過 100 個文件（平均），並實現低於 10 毫秒的查詢嵌入延遲，從而在經濟實惠的硬體上實現實際部署。
2. 英文和非英文檢索的毫不妥協的品質： 儘管 Arctic Embed 2.0 模型尺寸緊湊，但在各種英文和非英文基準資料集上均取得了令人印象深刻的 NDCG@10 分數，展現了即使對於未包含在訓練配方中的語言也能很好地泛化的能力。這些令人印象深刻的基準分數使 Arctic Embed 2.0 成為前沿檢索模型中的領導者。
3. 透過 Matryoshka Representation Learning (MRL) 實現可擴展的檢索： Arctic Embed 2.0 版本包含 Arctic Embed 1.5 中引入的相同量化友善型 MRL 功能，允許用戶在對大型資料集執行搜尋時降低成本並優化規模。使用這兩種模型尺寸，用戶只需每個向量 128 個位元組（比 OpenAI 流行的 text-embedding-3-large 模型¹ 的未壓縮嵌入小 96 倍）即可實現高品質的檢索。與 Arctic Embed 1.5 一樣，Arctic Embed 2.0 模型在壓縮狀態下也超越了幾個支援 MRL 的同類產品，品質降級幅度更小，基準分數更高。
4. 真正的開源： Arctic Embed 2.0 模型在寬鬆的 Apache 2.0 許可證下發布。