提供可以验证、复用并逐步走向生产的实现方法。
查看所有标签
为了在朋友圈优雅地假装文艺青年，之前，我用向量数据库Milvus开发了应用语义搜索古诗词，它可以把白话文“变成”古诗词（详见朋友圈装腔指南：如何用向量数据库把大白话变成古诗词）。
但是，在朋友圈只发文字未免单调了些，还是需要搭配与古诗词意境相似的图片才行。但是，直接用古诗词检索图片，效果不太理想。
那么，可以通过向量数据库检索和古诗词含义相近的图片吗？
答案是当然可以，实现方法和文本的语义检索相似，只不过这次我们要使用多模态的embedding模型。
前言
这几天阿里低调放出两款 Qwen3 家族的新模型：Qwen3-Embedding 和 Qwen3-Reranker（都分别包括0.6B轻量版、4B平衡版、8B高性能版三种尺寸）。两款模型基于 Qwen3 基座训练，天然具备强大的多语言理解能力，支持119种语言，覆盖主流自然语言和编程语言。
假设您拥有一台强大的计算机系统或一个应用，用于快速执行各种任务。但是，系统中有一个组件的速度跟不上其他部分，这个性能不佳的组件拉低了系统的整体性能，成为了整个系统的瓶颈。在软件领域中，瓶颈是指整个路径中吞吐量最低的部分。如果机器中的某个齿轮转得不够快，整个系统的速度都会受到影响。因此，及时识别和解决瓶颈问题的重要性不言而喻，能显著提升计算机系统和应用的效率。