跨模态对齐新范式：Qwen3-ForcedAligner-0.6B在视频-文本检索中的应用

Milvus是一个开源、专门构建的分布式向量数据库用于为生成式人工智能GenAI工作负载存储、索引和搜索向量。

它能够执行混合搜索、 元数据过滤、重排序并高效处理数万亿向量这使得 Milvus 成为人工智能和机器学习工作负载的首选。

Milvus可在本地、集群上运行pip install --upgrade pymilvus openai requests tqdm下载官方示例文档,这里可以替换为自己的word文档.wget https://github.com/milvus-io/milvus-docs/releases/download/v

2.

6-preview/milvus_docs_

2.

x_en.zip unzip -q milvus_docs_

2.

x_en.zip -d milvus_docs我们从milvus_docs/en/faq 文件夹中加载所有标记文件。

对于每个文档我们只需简单地使用 #来分隔文件中的内容这样就能大致分隔出 markdown 文件中每个主要部分的内容。

from glob import glob text_lines [] for file_path in glob(milvus_docs/en/faq/*.md, recursiveTrue): with open(file_path, r) as file: file_text file.read() text_lines file_text.split(# )准备 LLM 和 Embeddings 模型 Ollama 支持基于 LLM 任务和嵌入生成的多种模型这使得开发检索增强生成RAG应用变得非常容易。

在此设置中我们将使用Llama

2 (3B)作为文本生成任务的 LLM。

对于嵌入生成我们将使用mxbai-embed-large这是一个针对语义相似性优化的 334M 参数模型。

在开始之前请确保这两个模型都已拉到本地生成一个测试嵌入并打印其维度和前几个元素。

from pymilvus import MilvusClient milvus_client MilvusClient(uri./milvus_demo.db) collection_name my_rag_collection插入数据 遍历文本行创建 Embeddings然后将数据插入 Milvus。

这里有一个新字段text 它是 Collections Schema 中的一个非定义字段。

它将自动添加到保留的 JSON 动态字段中在高层次上可将其视为普通字段。

from tqdm import tqdm data [] for i, line in enumerate(tqdm(text_lines, descCreating embeddings)): data.append({id: i, vector: emb_text(line), text: line}) milvus_client.insert(collection_namecollection_name, datadata)为查询检索数据 让我们指定一个关于 Milvus 的

常见问题。

question How is data stored in milvus?search_res milvus_client.search( collection_namecollection_name, data[ emb_text(question) ], # Use the emb_text function to convert the question to an embedding vector limit3, # Return top 3 results search_params{metric_type: IP, params: {}}, # Inner product distance output_fields[text], # Return the text field ) import json retrieved_lines_with_distances [ (res[entity][text], res[distance]) for res in search_res[0] ] print(json.dumps(retrieved_lines_with_distances, indent

) context \n.join( [] for line_with_distance in retrieved_lines_with_distances] ) SYSTEM_PROMPT Human: You are an AI assistant. You are able to find answers to the questions from the contextual passage snippets provided. USER_PROMPT f Use the following pieces of information enclosed in context tags to provide an answer to the question enclosed in question tags. context {context} /context question {question} /question 接下来我们开始配置vllm服务注意国内不能直接连接需要从modelscope上面下载好模型之后本地加载我这里使用了deepseek-r1-qwen-7b你可以换成其他的模型。

然后下面的代码你把模型的路径换成你自己的模型文件路径 注意,windows不支持vllmexport VLLM_USE_MODELSCOPETrue vllm serve /deepseek-ai/DeepSeek-R1-Distill-Qwen-7B --enable-reasoning --reasoning-parser deepseek_r1 --dtype float16 --max-model-len 16380下面是调用openai启动会话的程序from openai import OpenAI # Set OpenAIs API key and API base to use vLLMs API server. # 设置 OpenAI 的 API 密钥和 API 基础 URL 以使用 vLLM 的 API 服务器。

openai_api_key EMPTY openai_api_base http://localhost:8000/v1 client OpenAI( api_keyopenai_api_key, base_urlopenai_api_base, ) chat_response client.chat.completions.create( model/deepseek-ai/DeepSeek-R1-Distill-Qwen-7B, messages[ {role: system, content: SYSTEM_PROMPT}, {role: user, content: USER_PROMPT}, ] ) print(Chat response:, chat_response)你会看到下面这个结果。

成品免费ppt网站入口-成品免费ppt网站入口应用