โมเดลใหม่ text-embedding-ada-002 ได้เข้ามาแทนที่โมเดลทั้งห้าตัวเดิมสำหรับการค้นหาข้อความ การเปรียบเทียบความคล้ายคลึงของข้อความ และการค้นหาโค้ด โดยให้ประสิทธิภาพเหนือกว่าโมเดล Davinci รุ่นก่อนหน้าในงานส่วนใหญ่ แต่มีราคาถูกกว่าถึง 99.8%
การรวมความสามารถ เราได้รวมอินเทอร์เฟซของ endpoint /embeddings เข้าด้วยกัน โดยรวม 5 โมเดลเดิม (text-similarity, text-search-query, text-search-doc, code-search-text และ code-search-code) เข้าเป็นโมเดลเดียว ซึ่งทำงานได้ดีกว่าโมเดล embedding เดิมในด้านต่างๆ
บริบทที่ยาวขึ้น โมเดลใหม่เพิ่มความยาวบริบทขึ้นสี่เท่า จาก 2048 เป็น 8192 ทำให้จัดการกับเอกสารยาวๆ ได้สะดวกขึ้น
ขนาด embedding เล็กลง และราคาที่ลดลง โมเดลใหม่ใช้ embedding เพียง 1536 มิติ ซึ่งเล็กกว่า Davinci-001 ถึงหนึ่งในแปดส่วน ทำให้คุ้มค่าต่อการใช้งานกับ vector database มากขึ้น และราคาถูกลงถึง 90% เมื่อเทียบกับโมเดลเก่าที่มีขนาดเดียวกัน
โดยรวมแล้ว โมเดล embedding ใหม่นี้เป็นเครื่องมือที่มีประสิทธิภาพสูงกว่ามากสำหรับงานด้าน Natural Language Processing และโค้ด
ศัพท์ที่ควรรู้
- text-embedding-ada-002 – คือชื่อโมเดลใหม่ที่เข้ามาแทนที่โมเดลเก่าทั้งห้าตัว
- Davinci – คือชื่อโมเดลก่อนหน้าที่มีความสามารถสูงซึ่งถูกแทนที่ด้วยโมเดลใหม่
- Embedding – คือการแปลงข้อความให้เป็นชุดตัวเลข (vector) เพื่อให้คอมพิวเตอร์เข้าใจและเปรียบเทียบได้
- Vector database – คือฐานข้อมูลที่เก็บข้อมูลในรูปแบบของ embedding เพื่อการค้นหาที่มีประสิทธิภาพ
ที่มา: OpenAI