想想文本中的每个单词或短语，例如上面的查询“人工智能的叫声并将其翻译成英语？”对于计算机来说，这是非结构化数据 - 这意味着它没有预定义的组织或格式。文本嵌入模型获取这些数据（每个单词或短语）并将其转换为一组数字（向量），以捕获其含义和上下文。这些向量是计算机易于解释和操作的格式。它们使计算机能够将数据转换为结构化形式，其中信息被组织成几个向量，以便进行直接分析和解释。例如，模型可能不会说“猫”，而是将其转换为一系列数字，这些数字与其他数字相似，代表猫的外观、行为方式以及与周围其他单词的关系。这是计算机进行联想的一种方式，它们会比较这些数字集以了解单词的含义相似或不同。
文本嵌入模型可显著提高检索性能，该性能衡量数据库根据用户查询找到相关信息的能力。这种增强是由于向量能够更准确地将查询与相关文档进行匹配。通过比较查询向量和数据库中的文档，系统可以快速识别最 游戏数据 相关的信息，从而使搜索更快、更高效。此过程将首先分析查询的情绪，找到可能解决查询的类似文档，然后为您生成答案。
在 salesforce 的 ai 研究团队中，我们认识到文本嵌入在我们的人工智能工作中发挥着至关重要的作用。 crm 系统经常处理大量数据，包括客户电子邮件、反馈、笔记等。 我们必须快速理解这些信息的涌入，并将个人与他们所需的数据无缝连接起来。 这种理解推动了我们的 ai 团队开发尖端的文本嵌入模型，即 sfr-embedding。