社区供稿 | 全球首个多语言 ColBERT: Jina ColBERT V2 和它的“俄罗斯套娃”技术

在 RAG 领域，多向量模型 ColBERT 通过为文档的每个 token 生成独立的向量，带来了检索精度的提升。但同样也带来了存储需求的剧增，并且仅支持英文，限制了其应用范围。

为解决这些问题，我们改进了 ColBERT 的架构和训练流程，特别是在多语言处理方面取得了突破。最新的 Jina-ColBERT-v2 支持 89 种语言，并引入了自定义输出维度选项，显著减少存储需求，提升了多语言检索的效率和准确性。

新版本的核心亮点

1. 性能增强：与原始 ColBERT-v2 相比，英文检索性能提升了 6.5%；相较于前代 jina-colbert-v1-en，性能也提升了 5.4%。

2. 多语言支持：新版本支持多达 89 种语言，涵盖阿拉伯语、中文、英语、日语、俄语等多种语言，同时支持编程语言。

3. 输出维度可定制：新版本采用“俄罗斯套娃”式表征学习技术(Matryoshka Representation Learning, MRL)，提供 128、96 和 64 维的输出向量选项，允许用户根据实际需求选择合适的维度。

完整的技术报告可以在 arXiv 上找到：https://arxiv.org/abs/2408.16672

jina-colbert-v2 表现一览

在检索性能上，jina-colbert-v2 展现了不俗的优势，无论是英文检索任务，还是多语言支持都优于之前的版本。通过 Jina AI 祖传 8192 token 输入长度的加持，这款多向量模型的优势也能得以充分发挥。以下是与其他版本的对比，可以清晰看到核心的改进：

1. 性能提升

在英语检索任务中，jina-colbert-v2 的表现超越了前一代 jina-colbert-v1-en 和原版 ColBERT v2，接近专为英语设计的 AnswerAI-ColBERT-small 模型水平。

2. 多语言支持

Jina-ColBERT-v2 是目前唯一一款支持多种语言的 ColBERT 模型，能够生成非常紧凑的 Embedding 向量，效果显著好于传统 BM25 检索方法（在 MIRACL 基准测试的所有语言中）。

jina-colbert-v2 的训练语料库覆盖了 89 种语言，包括 4.5 亿对弱监督的语义相关句子对、问答对和查询-文档对。其中，其中一半的数据是英语，剩下的部分包括 29 种不同的非英语语言，此外，还使用了 3.0% 的编程语言数据和 4.3% 的跨语言数据。

我们还专门对 阿拉伯语、中文、法语、德语、日语、俄语、西班牙语等主流语言 和 编程语言 进行了额外训练，通过引入对齐的双语文本语料库，使得模型在处理跨语言任务时表现出色。

下图展示了在 MIRACL 基准测试中，Jina-ColBERT-v2 和 BM25 在 16 种语言上的性能对比结果。

3. 俄罗斯套娃表征学习

俄罗斯套娃表征学习(Matryoshka Representation Learning, MRL) 是一种灵活且高效的训练方法，能够在支持不同输出向量维度的同时，最大限度地减少精度损失。具体实现是在模型的隐藏层中引入多个线性层，每一层对不同维度进行处理。该技术更多细节，请参阅：https://arxiv.org/abs/2205.13147

默认情况下，Jina-ColBERT-v2 会生成 128 维的 Embedding，但你可以选择更短的向量，比如 96 维或 64 维。即便向量缩短了 25% 或 50%，它对性能的影响几乎可以忽略（下降小于 1.5%）。也就是说，无论你需要多长的向量，这个模型都能保持高效而精准的表现。

下表展示了 Jina-ColBERT-v2 在这六个 BEIR 基准测试中前十名结果 (nDGC@10) 的表现。可以看到，128 维和 96 维之间的性能差异不到 1%，而 128 维和 64 维之间的差异不到 1.5%。

下图直观地展示了 Jina-ColBERT-v2 在不同输出维度下的性能表现。

选择较小的输出向量不仅能节省存储空间，还能提升计算速度，尤其是在需要比较向量或计算距离的场景中，如向量检索系统。

同时成本也是非常明显下降的，根据 Qdrant 的云端成本估算器，在 AWS 上存储 1 亿个文档时，使用 128 维向量的费用是每月 1319.24 美元，而如果使用 64 维向量，费用可以直接减半，降到每月 659.62 美元。这样一来，不仅速度提升了，成本也大幅降低。

如何开始使用 Jina ColBERT v2

Jina ColBERT v2 已经上线 Jina Search Foundation API、AWS Marketplace 和 Azure 平台。此外，它还以 CC BY-NC-4.0 许可证在 Hugging Face 上开源，供非商业用途使用。

• AWS Marketplace: https://aws.amazon.com/marketplace/seller-profile?id=seller-stch2ludm6vgy

• Azure: https://azuremarketplace.microsoft.com/en-gb/marketplace/apps?search=Jina

• Hugging Face: https://huggingface.co/jinaai/jina-colbert-v2

通过 Jina Search Foundation API

用于 Embedding

使用 Jina Embedding API 获取 jina-colbert-v2 的 Embedding 是最简单直接的方式。

两个关键参数：

dimensions：表示 Embedding 的输出维度，默认为 128，也可以选择 64。

input_type：决定输入类型，query 的最大长度限制为 32 token，超过部分会自动截断，而 document 可以长达 8192 token。文档编码可以离线处理，这样在查询时只需要编码查询部分，能够显著提高处理速度。

Jina API Key 在 jina.ai/embeddings 获取。

curl https://api.jina.ai/v1/multi-vector \\
     -H "Content-Type: application/json" \\
     -H "Authorization: Bearer <YOUR JINA API KEY>" \\
     -d '{
     "model": "jina-colbert-v2",
     "dimensions": 128, # 或 64
     "input_type": "document", # 这里需要注意input_type 是 document 还是 query
     "embedding_type": "float",
     "input": [
         "在此输入你的文档文本",
         "你可以发送多个文本",
         "每个文本最长可达 8192 个标记"
    ]}'

用于 Reranker

要通过 Jina Reranker API 使用 jina-colbert-v2，传入一个查询和多个文档，并返回可 Reranker 的匹配分数，构造如下请求：

curl https://api.jina.ai/v1/rerank \\
     -H "Content-Type: application/json" \\
     -H "Authorization: Bearer <YOUR JINA API KEY>" \\
     -d '{
      "model": "jina-colbert-v2",
      "query": "柏林的人口是多少？",
      "top_n": 3,
      "documents": [
        "2023年柏林的人口比去年增长了0.7%。因此，到去年年底，柏林的居民人数比2022年增加了约27300人。30岁到40岁的人群是数量最多的年龄组。柏林拥有约88.1万外国居民，来自约170个国家，平均年龄为42.5岁。",
        "柏林山是南极洲玛丽·伯德地的一个冰川覆盖的火山，距离阿蒙森海约100公里（62英里）。它是一个宽约20公里（12英里）的山峰，有寄生火山口，由两座合并的火山组成：柏林火山，其火山口宽2公里（1.2英里），以及距离柏林火山约3.5公里（2.2英里）的Merrem峰，火山口宽2.5×1公里（1.55英里×0.62英里）。",
        "截至2023年12月31日，各联邦州按国籍和州统计的人口数据",
        "柏林的都市区人口超过450万，是德国人口最多的都市区。柏林-勃兰登堡首都地区约有620万人口，是德国第二大都市区，仅次于莱茵-鲁尔区，并且是欧盟第六大都市区（按GDP计算）。",
        "欧文·柏林（原名以色列·贝林）是一位美国作曲家和词曲作者。他的音乐是《伟大的美国歌本》的一部分。柏林获得了许多荣誉，包括奥斯卡奖、格莱美奖和托尼奖。",
        "柏林是美国康涅狄格州首都规划区的一个城镇。2020年人口普查时人口为20,175。",
        "柏林是德国的首都和最大城市，无论是面积还是人口。其超过385万居民使其成为欧盟人口最多的城市（按城市限界内人口计算）。",
        "《柏林，柏林》是一部为ARD制作的电视剧，于2002年至2005年在德国第一电视台的晚间节目中播出。导演包括弗朗茨斯卡·迈耶·普莱斯、克里斯托夫·施内、斯文·温特瓦尔特和蒂图斯·塞尔格。"
        ]
    }'

还要注意 top_n 参数，它指定检索时返回的文档数量。如果你只需要最优的匹配结果，可以把 top_n 设置为 1。

有关更多的 Python 或其他语言的示例代码，请访问 https://jina.ai/embeddings 页面，或在 https://jina.ai/reranker/ 的下拉菜单中选择 jina-colbert-v2。

通过 Stanford ColBERT

如果你用过 Stanford ColBERT 库，你现在可以无缝替换成 Jina ColBERT v2 版本。只需指定 jinaai/jina-colbert-v2 作为模型源。

from colbert.infra import ColBERTConfig
from colbert.modeling.checkpoint import Checkpoint

ckpt = Checkpoint("jinaai/jina-colbert-v2", colbert_config=ColBERTConfig())
docs = ["你的文本列表"]
query_vectors = ckpt.queryFromText(docs)

通过 RAGatouille

Jina ColBERT v2 同样集成在 RAGatouille 系统中，通过 RAGPretrainedModel.from_pretrained() 方法就能下载使用，非常方便。

from ragatouille import RAGPretrainedModel

RAG = RAGPretrainedModel.from_pretrained("jinaai/jina-colbert-v2")
docs = ["你的文本列表"]
RAG.index(docs, index_name="your_index_name")
query = "你的查询"
results = RAG.search(query)

通过 Qdrant

从 Qdrant 1.10 版本开始，Qdrant 支持了多向量和迟交互模型，你可以直接使用 jina-colbert-v2。不论是本地部署还是云端托管的 Qdrant，只需要在客户端中正确配置 multivector_config 参数，就可以把文档插入到多向量集合中。

使用 MAX_SIM 操作创建新集合

from qdrant_client import QdrantClient, models

qdrant_client = QdrantClient(
    url="<YOUR_ENDPOINT>",
    api_key="<YOUR_API_KEY>",
)

qdrant_client.create_collection(
    collection_name="{collection_name}",
    vectors_config={
        "colbert": models.VectorParams(
            size=128,
            distance=models.Distance.COSINE,
            multivector_config=models.MultiVectorConfig(
                comparator=models.MultiVectorComparator.MAX_SIM
            ),
        )
    }
)

⚠️ 正确设置 multivector_config 参数是 Qdrant 中使用 ColBERT 模型的关键。

将文档插入多向量集合

import requests
from qdrant_client import QdrantClient, models

url = 'https://api.jina.ai/v1/multi-vector'

headers = {
    'Content-Type': 'application/json',
    'Authorization': 'Bearer <YOUR BEARER>'
}

data = {
    'model': 'jina-colbert-v2',
    'input_type': 'query',
    'embedding_type': 'float',
    'input': [
        '在此输入你的文本',
        '你可以发送多个文本',
        '每个文本最长可达 8192 个标记'
    ]
}

response = requests.post(url, headers=headers, json=data)
rows = response.json()["data"]

qdrant_client = QdrantClient(
    url="<YOUR_ENDPOINT>",
    api_key="<YOUR API_KEY>",
)

for i, row in enumerate(rows):
    qdrant_client.upsert(
        collection_name="{collection_name}",
        points=[
            models.PointStruct(
                id=i,
                vector=row["embeddings"],
                payload={"text": data["input"][i]}
            )
        ],
    )

查询集合

from qdrant_client import QdrantClient, models
import requests

url = 'https://api.jina.ai/v1/multi-vector'

headers = {
    'Content-Type': 'application/json',
    'Authorization': 'Bearer <YOUR BEARER>'
}

data = {
    'model': 'jina-colbert-v2',
    "input_type": "query",
    "embedding_type": "float",
    "input": [
        "Jina AI 的Embedding模型支持多少个标记的输入？"
    ]
}

response = requests.post(url, headers=headers, json=data)
vector = response.json()["data"][0]["embeddings"]

qdrant_client = QdrantClient(
    url="<YOUR_ENDPOINT>",
    api_key="<YOUR API_KEY>",
)

results = qdrant_client.query_points(
    collection_name="{collection_name}",
    query=vector,
)

print(results)

总结

jina-colbert-v2 在前代版本的基础上，覆盖了 89 种全球语言，以及多种 Embedding 输出维度的选择，用户能够灵活平衡精度和效率需求，节省计算和时间成本。点击 https://jina.ai 立即试用。

如果你有与开源 AI、Hugging Face 相关的技术和实践分享内容，以及最新的开源 AI 项目发布，希望通过我们分享给更多 AI 从业者和开发者们，请通过下面的链接投稿与我们取得联系: