Jina AI 探索向量模型氛围测试新工具

Jina AI 09月25日

Jina AI 在 ICLR 会议上被问及是否进行氛围测试，以评估向量模型在无标注样本和新领域的表现。文章介绍了 Jina AI 内部用于调试可视化向量的工具 Correlations，它通过生成交互式热图展示内容片段之间的余弦相似度，帮助用户进行定性分析和模式探索。Correlations 支持多种内容类型和分块策略，可用于内容去重、验证引文、分块策略探索和跨模态分析等场景。

🔍 氛围测试对于评估向量模型在无标注样本和新领域的表现至关重要，而 Jina AI 内部工具 Correlations 可以帮助用户进行定性分析和模式探索。

📊 Correlations 通过生成交互式热图展示内容片段之间的余弦相似度，用户可以直观地分析相似性模式，并进行悬停检查、区域选择和阈值过滤等操作。

🧩 Correlations 支持多种内容类型和分块策略，可用于内容去重、验证引文、分块策略探索和跨模态分析等场景，为向量模型调试和优化提供有力支持。

📈 Correlations 还可以用于提取一些指标，如矩阵密度、特征值分布、矩阵秩和条件数等，以量化地描述内容之间的关系，并识别最具代表性的语义簇。

原创 Jina AI 2025-05-29 11:25 北京

只许你vibe coding，不许我vibe testing？

在今年 ICLR 会议上，我们被问到最多且最有意思的问题是：像 Jina AI 这样的向量搜索模型提供商，除了在 MTEB 上做基准测试，会不会做些氛围测试（Vibe-testing)？

MTEB 全称是 Massive Text Embedding Benchmark (海量文本向量基准测试)，在大量数据集（涵盖 112 种语言）上对文本向量模型进行测试，包括分类、聚类、信息检索和语义相似性等任务。这是我们在训练向量模型重排器时一个重要的参考标准。

但如同任何的基准测试一样，MTEB 也有一定的局限性：即在面对无标注样本、新领域、新问题时我们无法直接评测。无论你是否承认，当你拿到一个新的模型时，模型输出的第一直觉和第一印象非常重要，这就涉及到了所谓的氛围测试。

严格来说，氛围测试在人工智能领域中并不是一个新词。在早期的学术论文中，研究员经常会以 Visual Inspection（肉眼比较）, Qualitative Evaluation（定性分析）的方式含蓄的出现，以避免给人草率和随便的印象。随着去年来 Vibe Coding（氛围编程）的兴起，Vibe Testing 也就大大方方的站了出来。

尤其是大模型、Agent 应用、长文本应用的兴起和迭代，Vibe Testing 变成了最直接最快的测试方式。谷歌 Gemini Deep Research 的产品经理 Aarush Selvan 在被问及如何测评 Deep Research 的报告质量时，无奈地提到"深度研究报告的 Entropy 往往太高了所以很难定量评测，我们内部会先做做 Vibe Testing。"

今天，我们和大家分享一款我们内部用于调试可视化向量的小工具：Correlations。你可以把它看作是 Jina AI 内部的氛围测试工具，我们在定性分析 DeepSearch 和 Late Chunking 时都用到了它。现已在 GitHub 上开源。

Github: https://github.com/jina-ai/correlations

设计那么，Correlations 究竟是如何工作的呢？其核心在于生成交互式的热图。 在这张热图上，每一个小格子都清晰地展示了任意两段内容之间的余弦相似度。

这些内容片段（chunks）的来源可以非常灵活：它们既可以源自同一个文档集合，也可以来自不同的文档集合；可以是不同的内容类型（例如文本与图像，即多模态）；甚至可以用来比较不同超参数配置或不同模型产生的向量效果。

为了方便用户进行深入分析，Correlations 还提供了多种交互方式：

悬停检查：鼠标轻点，即可查看原始内容（文本或图像）及其间的相似度分数。

区域选择：框选热图特定区域，可以集中分析局部内容的相似性模式。

阈值过滤：根据相似度与文本长度来过滤，用来减少噪声。

这款工具的工作过程分成两个步骤：

第一步：
npm run embed

先调用 Jina Embeddings API 生成向量，它提供了多种灵活的内容分块策略，可以按换行符、标点符号、固定字符数，也可以按自定义的正则表达式模式切分输入。

第二步：
npm run corr

这一步会在你的浏览器中启动一个用户界面（UI），以动态交互的热图形式直观展示向量间的相关性。

快速上手体验：

npm installexport JINA_API_KEY=your_jina_key_herenpm run embed -- https://jina.ai/news/jina-embeddings-v3-a-frontier-multilingual-embedding-model -o v3-blog.jsonl -t retrieval.querynpm run embed -- https://arxiv.org/pdf/2409.10173 -o v3-arxiv.jsonl -t retrieval.passagenpm run corr -- v3-blog.jsonl v3-arxiv.jsonl

JINA_API_KEY

主要是在你需要利用 Jina API 生成向量或从网络链接（URL）读取内容时派上用场。工具本身也完全支持直接读取本地的文本文件。如果你手头已经有了预先计算好的向量数据（遵循特定的 JSONL 格式），那么完全可以跳过第一步，直接运行 npm run corr 命令进行可视化分析。这种情况下，自然也就不再需要 JINA_API_KEY 了。

无论是对单一数据集内部的内容进行自相关分析，还是比较两个不同数据集之间的互相关性，Correlations 都能轻松拿捏。

用例1. 内容去重和对齐分析譬如，以我们自家

jina-embeddings-v3

模型的学术论文和对应的官方技术博客为例。通过 Correlations 生成的热图，可以观察到，它呈现出清晰的对角线模式。这种对角线模式直观地显示了两份文档间内容块的高度对齐，也说明技术章节中存在内容复用，尤其是在描述 LoRA 任务类型的技术部分中。这种直观的验证，比单纯的数字报告更具说服力。

2. 验证引文和参考文献在检索增强生成（RAG）系统中，一个绕不开的问题是：如何确保检索到的段落确实支持了模型生成的内容？Correlations 在这里提供了一种直观的校验方法，它计算并展示检索段落与生成声明之间的相似度，帮助我们判断引文是否准确。

实际上，这种基于相似性的分析方法本身就十分强大且直观，尤其是在探索大规模数据集时。它能帮助我们把相似的东西归到一起，从而发现数据中隐藏的模式和规律。

3. 分块策略探索如何对内容进行分块（chunking）是一个很讲究的事情，不同的分割方法（比如是否启用迟分(Late Chunking)）会直接影响语义的连贯性。

Correlations 能直观地展示出不同策略下相似性模式的变化，帮助评估和选择更合适的内容块边界，也让优化分块这件事更有依据，能省去不少反复调试分块策略的功夫。

4. 跨模态分析现在多模态应用越来越普遍，一个基本的需求就是分析文本和图像之间的关联性。当配合

jina-clip-v2

这类多模态模型时，Correlations 的能力就不再局限于文本，同样可以处理图像向量。这样一来，我们就能直观地分析文本与图像间的相关性模式，也为多模态应用提供了一种实用的可视化分析途径。

向量模型可视化相关工作当我们在处理高维向量时，一个老大难问题，就是它们的可解释性。市面上已经有不少向量模型的可视化技术，各有各的侧重点和适用场景。这些方法大致可以这么归类：

有些是 基于降维的方法：大家可能都熟悉 PCA、t-SNE、UMAP 这些，它们做的事情就是把高维空间“压扁”到我们能直观感受的 2D 或 3D。

还有些是 基于交互式探索的方法：比如 Parallax 和 TextEssence 这样的工具，用户可以直接操作和探索数据，自己去发现里面的门道。

另外，也有 特定领域的解决方案：像 Clustergrammer，主要针对生物数据这种特定类型的数据。

最后一种，就是 直接相似性可视化：Correlations 采用的就是这种思路，通过热图来直接展示。这种方法的特点是，它力求保留所有内容片段之间的完整成对关系信息。

也就是说，当我们需要细致地调试文本相似性，或者分析不同内容块之间的对齐情况时，Correlations 能提供一个非常直接的视角。比如当你想知道“这两个具体的东西到底有多像”并且想看到“所有东西两两之间有多像”时，它就派上用场了。这与那些依赖降维（可能会丢失一些细节信息）或者侧重宏观探索的方法形成了有益的补充。

为了更清晰地了解 Correlations 在整个可视化工具生态中的位置，我们可以看看下面这个表，它列举了一些常见工具及其主要特点和用途：

为何选择直接相似性可视化？在众多的向量可视化方案中，我们为什么更倾向于直接展示相似性矩阵呢？

目前市面上可视化工具的主要做法是把向量变成一个个的点，然后投射到二维或三维空间里去（比如用 PCA、t-SNE 这些降维方法）。这样做的好处是能给你一个大概的印象，但它也有个绕不开的局限性，那就是可能会把向量之间两两对应的关键关系信息给弄丢了。

而且，这些工具多数是为分析单个向量空间设计的。当我们需要比较不同来源、不同内容类型（比如文本和图像），或者用了不同向量策略（比如有没有开启迟分(Late Chunking)功能）产生的向量效果差异时，它们用起来就不是那么顺手了。

在 Jina AI 的日常工作中，我们就经常碰到要看两组不同向量集合之间关系的情况。

举个例子，在我们的 DeepSearch 产品里，我们得交叉验证报告里的内容和原文段落是不是真的匹配；或者在做多模态检索的时候，要看看图片和对应的文字描述到底对没对齐。

在这两种情况下，我们都需要探索两个向量集合之间的关系。Correlations 就派上用场了，它能帮我们直观地感受到匹配的对齐程度，并通过热图上那些高相关性的区域，来验证它们是不是真的对应了语义上正确的匹配。

结论往小了说，Correlations 就是一个 Vibe testing，图个乐子。往大了说，我们其实还能从相关矩阵的热图上提取出一些指标，来量化地描述这些内容之间的关系。比如：

矩阵密度：在所有内容片段两两之间的相似度里，有多少比例超过了我们设定的某个门槛。它能告诉我们整体的语义内聚性怎么样。

特征值分布：通过主成分分析（PCA）这类方法，找出相似性结构里那些最主要的、起主导作用的模式。

矩阵秩：指相似性关系中真正有效的维度有多少。它能告诉我们这些关系背后潜在的结构有多复杂，是不是有很多冗余的信息。

条件数：这个数值衡量的是计算的稳定性，在基于这些相似度数据做进一步分析时，结果会不会因为一些微小的变化就天差地别。

更进一步地，我们甚至可以尝试从这张大热图里，找出那些最具代表性的“核心语义簇”或“子结构”。这在数学上对应一个典型的组合优化问题：从一个 n 阶实数矩阵中提取 k 阶最大和主子矩阵。在我们的应用场景中，就是在相关性矩阵里，找到一个 k 行 k 列的子矩阵，使其内部所有相似度值的总和达到最大。这种方法能够帮助我们精准定位到数据中最具代表性的语义簇。

总而言之，Correlations 提供了一条从氛围测试到辅助定量分析的完整路径。我们希望它能帮助开发者和研究者更好地理解、调试和优化他们的向量模型及应用，让大家在探索语义这个复杂空间的时候，能多一个得心应手的工具。

阅读原文

跳转微信打开

Fish AI Reader

AI辅助创作，多种专业模板，深度分析，高质量内容生成。从观点提取到深度思考，FishAI为您提供全方位的创作支持。新版本引入自定义参数，让您的创作更加个性化和精准。

FishAI

鱼阅，AI 时代的下一个智能信息助手，助你摆脱信息焦虑

Fish AI Reader

FishAI

联系邮箱 441953276@qq.com

相关标签