EmbeddingGemma, un modèle d'embedding multilingue compact de 308 millions de paramètres, parfait pour les applications RAG sur appareil - et nous avons rendu l'intégration super facile avec LlamaIndex ! 🛠️ Intégration prête à l'emploi avec la classe Embedding de LlamaIndex @huggingface - il suffit de spécifier les requêtes et les invites de documents. Le modèle obtient des classements élevés sur le Massive Text Embedding Benchmark tout en étant suffisamment petit pour les appareils mobiles. De plus, il est facilement ajustable - le blog montre comment l'ajustement sur des données médicales a créé un modèle qui surpasse des alternatives beaucoup plus grandes. Nous adorons voir des modèles efficaces comme celui-ci qui rendent les embeddings puissants accessibles partout, en particulier pour les déploiements en périphérie où chaque Mo compte. Voir l'analyse technique complète et des exemples d'intégration :

📄 Analyser vs. Extraire : Deux Approches Fondamentales du Traitement de Documents Vous construisez des agents de documents ? Savoir quand analyser et quand extraire est fondamental pour bien concevoir votre architecture. Dans cette analyse approfondie, @tuanacelik décompose : 🔍 Analyse - Conversion de documents non structurés en markdown structuré tout en préservant la mise en page, les tableaux et le formatage. Parfait pour les applications où vous avez besoin du contexte complet du document. ⚙️ Extraction - Utilisation des LLM pour extraire des champs et des entités spécifiques avec validation de schéma. Idéal pour extraire des informations spécifiques pour des tâches en aval. Lisez le guide technique complet 👉