模型分类
目录
参考：
# 模型分类
按模型的使用场景将模型分为以下 4 类：
系统推理模型。 在创建的应用中，用的是该类型的模型。智聊、对话名称生成、下一步问题建议用的也是推理模型。
已支持的系统推理模型供应商：OpenAI (opens new window)、Azure OpenAI Service (opens new window)、Anthropic (opens new window)、Hugging Face Hub、Replicate、Xinference、OpenLLM、讯飞星火 (opens new window)、文心一言 (opens new window)、通义千问 (opens new window)、Minimax (opens new window)、ZHIPU(ChatGLM)
Embedding 模型。在数据集中，将分段过的文档做 Embedding 用的是该类型的模型。在使用了数据集的应用中，将用户的提问做 Embedding 处理也是用的该类型的模型。
已支持的 Embedding 模型供应商：OpenAI、ZHIPU(ChatGLM)、JinaAI
Rerank 模型 (opens new window)。Rerank 模型用于增强检索能力，改善 LLM 的搜索结果。
已支持的 Rerank 模型供应商：Cohere、JinaAI
语音转文字模型。将对话型应用中，将语音转文字用的是该类型的模型。
已支持的语音转文字模型供应商：OpenAI
以下是关于四种模型类型的详细解释：
系统推理模型：
- 定义：系统推理模型是描述系统某一方面本质属性的模型。它不是系统对象本身，而是现实系统的描述、模仿或抽象。
- 特点：
- 反映实际系统的主要特征，但高于实际系统而具有同类问题的共性。
- 根据不同的研究目的，可以建立不同的系统模型。
- 适用于现实系统的抽象或模仿，由反映系统本质或特征的主要因素构成，集中体现了这些因素之间的关系。
Embedding模型：
- 定义：Embedding模型在自然语言处理（NLP）中广泛应用，用于将离散的文本数据映射到连续的低维度空间中，以便于后续的机器学习任务。
- 原理：
- 基于神经网络，通常使用无监督学习方法。
- 通过学习大量的文本数据来自动发现文本中的语义关系。
- 在训练过程中，模型学习到一个嵌入向量空间，其中每个单词或字符都被表示为一个向量。
- 应用：文本分类、情感分析、机器翻译、信息检索等。
Rerank模型：
- 定义：Rerank模型是在传统检索结果的基础上进行二次排序的模型。
- 应用：
- 信息检索领域，用于提高搜索引擎的检索效率和准确性。
- 通常使用机器学习算法来重新对检索结果进行排序，以提高检索结果的质量和相关性。
语音转文字模型（中文语音转文本模型）：
- 定义：中文语音转文本模型是一种技术，可以将中文语音转换为文本形式。
- 原理：
- 基于深度学习技术，结合语音识别和自然语言处理的方法。
- 通过分析和理解语音信号中的语言信息，以生成对应的文本输出。
- 应用：语音识别、语音助手、语音输入等。
这些模型在各自的应用场景中发挥着重要作用，并且随着技术的发展不断完善和优化。
什么是Embedding模型？
Embedding模型 是一种在深度学习和自然语言处理（NLP）中广泛使用的技术，用于将离散的、高维的输入（如单词、类别等）转换为低维的、连续的向量表示。这种转换有助于捕捉输入之间的语义和语法关系，使得模型能够更有效地处理这些输入。
具体来说，Embedding模型通过训练一个神经网络（通常是一个简单的全连接层）来学习从高维空间到低维空间的映射。这个神经网络接受一个高维的、离散的输入（例如，一个单词的one-hot编码），并输出一个低维的、连续的向量（即嵌入向量）。
在NLP中，Embedding模型通常用于将单词转换为嵌入向量。这些嵌入向量可以捕获单词之间的语义关系，使得模型能够理解单词的含义和上下文。例如，通过比较两个单词的嵌入向量的余弦相似度，可以判断这两个单词在语义上是否相似。
除了单词级别的Embedding外，还有句子级别的Embedding和段落级别的Embedding等。这些技术都是利用类似的原理，将不同粒度的输入转换为连续的向量表示，以便在深度学习任务中使用。
Embedding模型在许多NLP任务中都取得了显著的效果，如文本分类、情感分析、机器翻译等。通过引入Embedding模型，这些任务可以更有效地处理和理解文本数据，从而提高模型的性能。