AI Vector Search 的常见问题解答

常见问题

什么是向量？

向量是用于编码数据的含义的文本、图像、音频或视频的数字表示形式，而不是底层单词或像素。

向量是如何创建的？

预训练的向量嵌入模型可对输入（文本、图像、音频或视频）进行推断，然后输出向量。向量是神经网络对输入进行推理之后的最后一层隐藏层的值。

支持多少个向量维度？

Oracle AI Vector Search 支持多达 65535 个向量维度。

支持哪些向量编号格式？

AI Vector Search 支持 INT8、Float32 和 Float64 格式。

向量有多大？

• 向量的大小取决于公式，比如一个公式是维度的数量乘以数字格式的大小。
• 大多数的向量具有 128 到 4096 个维度。
• 大多数向量为 Float32（4 个字节）或更小。
• 大多数向量一般介于 1.5 KB 和 8 KB 之间。

是否可以在数据库中创建向量？

可以，您可以通过 vector_embedding() SQL 函数在数据库中创建向量。

只需从 Hugging Face 中选择 Sentence-Transformer 嵌入模型，即可将其安全地上传到数据库。

是否可以在数据库外创建向量？

可以，您可以将商业和开源模型与 REST 调用或本地库结合使用，在数据库外部创建向量。

已测试的嵌入模型包括 openai.com、cohere.com、Hugging Face Transformers、Sentence-Transformers、Transformers.js 和 ONNX Runtime。

创建向量是否需要 GPU？

您可以使用 CPU 或 GPU 来创建向量。

AI Vector Search 使用哪些 LLM？

AI Vector Search 应该能够与任何 LLM 协同工作。

截止目前，已经通过测试的 LLM 包括有：Llama2、Gemini 和 PaLM 2；OpenAI 的 ChatGPT；以及由 Cohere、Vertex AI 和 Mistral AI 开发的 LLM。

AI Vector Search 使用哪些嵌入式模型？

已测试了来自 OpenAI、Cohere、和 ONNX Runtime 的 90 多种嵌入式模型，并具备 Transformer、Sentence Transformer、Transformer.js、Xenova 和 FastEmbed 模型。

AI Vector Search 是否支持 LangChain？

Oracle AI Vector Search 支持面向 LangChain 的 Oracle AI Vector Search 提供商。