本文介绍了多阶段和多向量的搜索方法，以提高人工智能的性能。通过使用较小的向量进行初步筛选，然后使用更准确的向量对候选结果进行重新评分，可以提高搜索的准确性和效率。同时，使用多个向量来表示复杂信息可以更准确地进行搜索。文章还介绍了ColBERT和Qdrant两种模型，它们通过处理信息和存储向量数据来提高搜索的效果和速度。采用ColBERT和Qdrant的方法可以在信息检索中取得更好的结果。

ColBERTer是一个上下文化的神经检索模型，使用单向量检索、多向量细化和可选词汇匹配组件。通过学习每个文档中的项的唯一整词表示并删除不必要的词表示，减少文档的存储向量数量。ColBERTer提高了检索结果的可解释性和有效性，并具有多任务学习的特点。

研究发现，开放式语言模型在多语言中的表现不一，需要进一步研究分词的影响。

这项研究提出了一种新颖的模块化密集检索模型 ColBERT-XM，它通过学习单个高资源语言的丰富数据，并能够有效地零 - shot 转换到各种语言，从而消除了对特定语言的标记数据的需求。通过展示在零 - shot 场景中的娴熟表现，ColBERT-XM 标志着向更可持续和包容的检索系统的转变，实现了多种语言的有效信息获取。我们公开发布我们的代码和模型供社区使用。

How to Generate ColBERT Multivectors with FastEmbed ColBERT ColBERT is an embedding model that produces a matrix (multivector) representation of input text, generating one vector per token (a...