当前位置：首页 > news >正文

GTE-Base-ZH镜像体验：可视化界面+API，双模式交互更便捷

news 2026/8/3 13:34:43

GTE-Base-ZH镜像体验：可视化界面+API，双模式交互更便捷

1. 模型与镜像介绍

1.1 GTE模型背景

GTE（General Text Embedding）模型是由阿里巴巴达摩院研发的文本嵌入模型系列，基于BERT框架构建。该系列模型在大规模中文和英文语料库上进行训练，能够将文本转换为高维向量表示，广泛应用于信息检索、语义相似度计算、文本重排序等场景。

GTE-Base-ZH作为该系列的中文基础版本，在C-MTEB（中文多任务文本嵌入基准）评测中表现出色，兼顾了精度与效率的平衡。模型采用768维向量表示，最大支持512个token的输入长度。

1.2 镜像核心功能

本镜像通过Xinference框架部署GTE-Base-ZH模型，提供以下核心功能：

可视化Web界面：直观的文本相似度比对工具
RESTful API接口：支持程序化调用模型服务
一键式部署：预配置环境与依赖，无需复杂安装
双模式支持：同时满足交互式探索和系统集成需求

2. 快速启动与使用

2.1 镜像启动步骤

拉取并运行镜像后，执行以下命令启动服务：

xinference-local --host 0.0.0.0 --port 9997

模型服务启动脚本位于：

/usr/local/bin/launch_model_server.py

验证服务状态：

cat /root/workspace/model_server.log

当看到"Model loaded successfully"日志时，表示服务已就绪。

2.2 访问Web界面

在浏览器中打开WebUI界面（通常为http://<服务器IP>:9997）
界面主要分为三个区域：
- 左侧输入框：输入第一段文本
- 右侧输入框：输入第二段文本
- 底部操作区：包含"计算相似度"按钮和结果展示
示例操作流程：
- 在左侧输入："人工智能正在改变世界"
- 在右侧输入："AI技术对人类社会产生深远影响"
- 点击"计算相似度"按钮
- 查看输出的相似度分数和可视化展示

3. API接口详解

3.1 接口概览

镜像提供两类核心API端点：

相似度计算接口：
- 路径：/similarity
- 方法：POST
- 功能：计算两段文本的语义相似度
文本向量化接口：
- 路径：/api/embeddings
- 方法：POST
- 功能：获取文本的向量表示

3.2 调用示例

3.2.1 相似度计算

import requests url = "http://localhost:9997/similarity" payload = { "sentence_a": "深度学习需要大量数据", "sentence_b": "大数据是训练神经网络的基础" } response = requests.post(url, json=payload) print(response.json())

典型响应：

{ "similarity": 0.82, "sentence_a": "深度学习需要大量数据", "sentence_b": "大数据是训练神经网络的基础" }

3.2.2 文本向量化

import requests url = "http://localhost:9997/api/embeddings" payload = { "input": [ "自然语言处理是人工智能的重要分支", "NLP技术包括文本分类和机器翻译" ] } response = requests.post(url, json=payload) print(response.json())

典型响应：

{ "object": "list", "data": [ { "embedding": [0.12, -0.34, ..., 0.56], "index": 0 }, { "embedding": [0.23, 0.45, ..., -0.12], "index": 1 } ], "model": "gte-base-zh" }