[pgvector, fastembed и косинусное расстояние]

1. Поднял PostgreSQL 17 с расширением pgvector в контейнере.

2. Написал простой код, который рассчитывает эмбендинги для 2-х предложений и записывает результаты в БД.
При этом использовал библиотеку fastembed.

3. Рассчитал косинусное расстояние между запросом пользователя и эмбендингами в БД.
Таким образом нашел наиболее релевантный кусок текста, который следует отдать LLM в качестве контекста.

4. Повторил упражнение заменив используемую модель в fastembed на мультиязычную.

5. Сравнил результаты. Разница в расстояниях оказалось больше между двумя предложениями.
Могу предположить, что это хорошо. То есть нерелевантное предложение получило большее косинусное расстояние.

Вот рассчитанные значения для нерелевантного предложения:
1) модель по-дефолту: distance=0.2626001991391288
2) мультиязычная модель: distance=0.578577122859318

Для информации
Чем больше косинусное расстояние, тем меньше подходит данный кусок текста.

P.s.
Не успел попробовать кастомную модель, используя TextEmbedding.add_custom_model(). Хз, работает или нет. Хочу попробовать взять модель из рейтинга https://huggingface.co/spaces/mteb/leaderboard

Какая сейчас лучшая модель для русского языка? Желательно небольшая.