โมเดล Qwen3 สำหรับการฝังและการจัดอันดับใหม่เพื่อการดึงข้อมูล พร้อมใช้งานแล้วใน Amazon SageMaker JumpStart
วันนี้ AWS ได้ประกาศให้ Qwen3-VL-Embedding-2B และ Qwen3-Reranker-4B พร้อมใช้งานใน Amazon SageMaker JumpStart แล้ว ซึ่งช่วยขยายพอร์ตโฟลิโอของโมเดลพื้นฐานที่พร้อมให้บริการแก่ลูกค้า AWS โมเดลจาก Qwen เหล่านี้ได้รับการออกแบบมาสำหรับการดึงข้อมูลและการทำความเข้าใจข้ามรูปแบบ ช่วยให้ลูกค้าสามารถสร้างไปป์ไลน์การค้นหาที่ครอบคลุมบนโครงสร้างพื้นฐานของ AWS โดยทั่วไป โมเดลทั้งสองจะใช้งานร่วมกัน กล่าวคือ โมเดลการฝังจะทำหน้าที่เรียกคืนข้อมูลเบื้องต้นอย่างมีประสิทธิภาพ ขณะที่โมเดลการจัดอันดับใหม่จะปรับปรุงผลลัพธ์ในขั้นตอนการจัดอันดับใหม่ที่ตามมา
โมเดลเหล่านี้รองรับแต่ละขั้นตอนของไปป์ไลน์การดึงข้อมูลด้วยความสามารถเฉพาะทาง ดังนี้
Qwen3-VL-Embedding-2B รองรับอินพุตที่หลากหลาย ซึ่งรวมถึงข้อความ รูปภาพ ภาพหน้าจอ และวิดีโอ รวมถึงอินพุตที่ประกอบด้วยรูปแบบเหล่านี้ผสมกัน และสร้างเวกเตอร์เชิงความหมายที่มีข้อมูลครบถ้วน ซึ่งรวบรวมทั้งข้อมูลภาพและข้อความไว้ในพื้นที่ร่วมกัน โมเดลนี้ให้ประสิทธิภาพสำหรับงานแบบหลายรูปแบบที่หลากหลาย เช่น การดึงข้อมูลภาพและข้อความ การจับคู่วิดีโอและข้อความ การตอบคำถามจากภาพ และการจัดกลุ่มเนื้อหาแบบหลายรูปแบบ พร้อมรองรับมากกว่า 30 ภาษา
Qwen3-Reranker-4B รับคู่ข้อมูลที่ประกอบด้วยคำค้นหาและเอกสารเป็นอินพุต และส่งออกคะแนนความเกี่ยวข้องที่มีความแม่นยำเพื่อปรับปรุงผลลัพธ์การดึงข้อมูล โมเดลนี้รองรับการดึงข้อมูลข้อความ การดึงข้อมูลโค้ด การจัดประเภทข้อความ การจัดกลุ่มข้อความ และการทำเหมืองข้อมูลข้อความสองภาษาในมากกว่า 100 ภาษา พร้อมรองรับคำสั่งที่ผู้ใช้กำหนดเพื่อเพิ่มประสิทธิภาพสำหรับงาน ภาษา หรือสถานการณ์เฉพาะ
ด้วย SageMaker JumpStart ลูกค้าสามารถติดตั้งใช้งานโมเดลใดก็ได้เหล่านี้ด้วยการคลิกเพียงไม่กี่ครั้ง เพื่อรองรับกรณีการใช้งาน AI เฉพาะของตน เริ่มต้นใช้งานโมเดลเหล่านี้โดยไปที่ส่วนโมเดลของ SageMaker Studio หรือใช้ SageMaker Python SDK เพื่อนำโมเดลไปใช้จริงในบัญชี AWS ของคุณ ดูข้อมูลเพิ่มเติมเกี่ยวกับการติดตั้งใช้งานและการใช้โมเดลพื้นฐานบน SageMaker JumpStart ได้ที่เอกสารประกอบของ Amazon SageMaker JumpStart