Meilisearch 1.7
Meilisearch 1.7 稳定了排名分数详情,增加了对 Hugging Face 嵌入的 GPU 支持,并集成了最新的 OpenAI 嵌入模型。

我们很高兴发布 Meilisearch v1.7。在这篇文章中,我们将回顾最具影响力的变化。有关完整列表,请查看 Github 上的更新日志。
Meilisearch 1.7 也已在 Meilisearch Cloud 上可用——立即升级!
改进的混合和向量搜索
AI 搜索是一个实验性功能,请阅读文档以启用 AI 搜索。
新的 OpenAI 嵌入模型
从 Meilisearch 1.7 开始,您可以使用 OpenAI 的第三代嵌入模型
text-embedding-3-small
text-embedding-3-large
与之前的 text-embedding-ada-002
模型相比,这些新模型提供了改进,可以平衡搜索结果的相关性和成本效益。
小型
模型更具成本效益,生成更小的向量嵌入,需要更少的存储空间。大型
模型则侧重于提供更高的搜索结果精度,是优化相关性的理想选择。
配置 OpenAI 模型维度
在使用新的 text-embedding-3-small
和 text-embedding-3-large
OpenAI 模型时,您现在可以配置模型的**维度**。未提供时,将使用模型的默认维度。
您可以在更新设置时进行此操作
{ // other settings... "embedders": { "small": { "source": "openAi", "model": "text-embedding-3-large", "dimensions": 512 // must be >0, must be <= 3072 for "text-embedding-3-large" }, } }
更高的维度通常会提供更复杂的嵌入,这可以带来更准确的搜索结果。然而,增加维度会增加计算成本并需要更多的存储空间。
使用 OpenAI text-embedding-ada-002
时无法自定义维度。
在 Meilisearch Cloud 上使用 AI 搜索
Meilisearch 混合搜索和向量搜索将登陆 Meilisearch Cloud。我们每天都在发出邀请。加入测试版。👇
支持 GPU 计算 Hugging Face 嵌入
Meilisearch 1.7 提供了为自托管 Meilisearch 启用 GPU 支持以计算 Hugging Face 嵌入的功能。这可以显著加快嵌入生成过程。
请在我们的专用指南使用 GPU 计算 Hugging Face 嵌入中找到详细说明。
在搜索时显示排名分数详情
Meilisearch 1.7 稳定了在 Meilisearch 1.3 中引入的 showRankingScoreDetails
搜索参数。该参数在搜索结果中的每个文档中添加了一个 _rankingScoreDetails
字段,从而可以进一步检查搜索结果。
您可以在搜索时包含此参数
curl -X POST 'https://edge.meilisearch.com/indexes/movies/search' -H 'Content-Type: application/json' --data-binary '{ "q": "batman", "showRankingScoreDetails": true }'
在 API 参考中了解更多关于_rankingScoreDetails
对象以及如何将其与您首选的 SDK 一起使用。
贡献者鸣谢
我们非常感谢所有为本次发布做出贡献的开发者:@capJavert、@codesmith-emmy、@Elliot67 和 @Gosti 对 Meilisearch 的贡献,以及 @agourlay、@choznerol、@ngdbao、@timvisee 和 @xshadowlegendx 在 charabia 上的工作。
特别感谢我们的 SDK 维护者,正是由于他们,Meilisearch 才支持如此多语言。🫶
v1.7 的发布就到此为止了!此发布帖子重点介绍了最重要的更新。如需完整列表,请阅读 Github 上的更新日志。
订阅我们的新闻通讯,随时了解 Meilisearch 的最新动态。要了解 Meilisearch 的未来并帮助塑造它,请查看我们的路线图,并参与我们的产品讨论。
其他任何问题,请加入我们在 Discord 上的开发者社区。