前几天，OpenAI 来了一波重磅更新，一口气宣布了5个新模型，其中就包括两个新的文本嵌入模型。
我们知道，嵌入是表示自然语言或代码等内容中概念的数字序列。嵌入使得机器学习模型和其他算法更容易理解内容之间的关联，也更容易执行聚类或检索等任务。
使用更大的嵌入（比如将它们存储在向量存储器中以供检索）通常要比更小的嵌入消耗更高的成本、以及更多的算力、内存和存储。而 OpenAI 此次推出的两个文本嵌入模型分别是更小且高效的 text-embedding-3-small 模型和更大且更强大的 text-embedding-3-large 模型。
这两个新嵌入模型都使用一种技术进行训练，允许开发人员权衡使用嵌入的性能和成本。具体来说，开发者通过在 dimensions API 参数中传递嵌入而不丢失其概念表征属性，从而缩短嵌入（即从序列末尾删除一些数字）。例如在 MTEB 基准上，text-embedding-3-large 可以缩短为256的大小， 同时性能仍然优于未缩短的 text-embedding-ada-002嵌入(大小为1536)。
这一技术应用非常灵活:比如当使用仅支持最高1024维嵌入的向量数据存储时，开发者现在仍然可以使用最好的嵌入模型 text-embedding-3-large 并指定 dimensions API 参数的值为1024，使得嵌入维数从3072开始缩短，牺牲一些准确度以换取更小的向量大小。
OpenAI 所使用的「缩短嵌入」方法，随后引起了研究者们的广泛注意。
人们发现，这种方法和2022年5月的一篇论文所提出的「Matryoshka Representation Learning」方法是相同的。
OpenAI 的新嵌入模型更新背后隐藏的是 @adityakusupati 等人提出的一种很酷的嵌入表征技术。
而 MRL 的一作 Aditya Kusupati 也现身说法:「OpenAI 在 v3嵌入 API 中默认使用 MRL 用于检索和 RAG!其他模型和服务应该很快就会迎头赶上。」
那么 MRL 到底是什么?效果如何?都在下面这篇2022年的论文里。
MRL 论文介绍
论文标题:Matryoshka Representation Learning
论文链接:https://arxiv.org/pdf/2205.13147.pdf
研究者提出的问题是:能否设计一种灵活的表征方法，以适应计算资源不同的多个下游任务?
MRL 通过以嵌套方式对 O （log (d）) 低维向量进行显式优化在同一个高维向量中学习不同容量的表征，因此被称为 Matryoshka「俄罗斯套娃」。MRL 可适用于任何现有的表征 pipeline，并可轻松扩展到计算机视觉和自然语言处理中的许多标准任务。
图1展示了 MRL 的核心理念以及所学习 Matryoshka 表征的自适应部署设置:
Matryoshka 表征的第一个 m-dimensions（m∈[d]）是一个信息丰富的低维向量，不需要额外的训练成本，其精确度不亚于独立训练的 m 维表征法。Matryoshka 表征的信息量随着维度的增加而增加，形成了一种从粗到细的表征法，而且无需大量的训练或额外的部署开销。MRL 为表征向量提供了所需的灵活性和多保真度，可确保在准确性与计算量之间实现近乎最佳的权衡。凭借这些优势，MRL 可根据精度和计算约束条件进行自适应部署。
在这项工作中，研究者将重点放在了现实世界 ML 系统的两个关键构件上:大规模分类和检索。
在分类方面，研究者使用了自适应级联，并使用由 MRL 训练的模型产生的可变大小表征，从而大大降低了达到特定准确率所需的嵌入式平均维数。例如，在 ImageNet-1K 上，MRL + 自适应分类的结果是，在精度与基线相同的情况下，表征大小最多可缩小14倍。
同样地，研究者在自适应检索系统中也使用了 MRL。在给定一个查询的情况下，使用查询嵌入的前几个 dimensions 来筛选检索候选对象，然后连续使用更多的 dimensions 对检索集进行重新排序。与使用标准嵌入向量的单次检索系统相比，这种方法的简单实现可实现128倍的理论速度（以 FLOPS 计）和14倍的墙上时钟时间速度;需要注意的是，MRL 的检索精度与单次检索的精度相当(第4.3.1节)。
最后，由于 MRL 明确地学习了从粗到细的表征向量，因此直观地说，它应该在不同 dimensions 之间共享更多的语义信息（图5）。这反映在长尾持续学习设置中，准确率最多可提高2%，同时与原始嵌入一样稳健。此外，由于 MRL 具有粗粒度到细粒度的特性，它还可以用作分析实例分类难易程度和信息瓶颈的方法。
更多研究细节，可参考论文原文。
（举报）
