調整文字嵌入

本指南說明如何調整文字嵌入模型，提升模型在特定工作上的效能。本指南涵蓋下列主題：

基礎嵌入模型是以大量文字資料集預先訓練而成，可為許多工作提供強大的基準。如果需要專業知識或高度客製化的效能，您可以使用模型調整功能，透過自有資料微調模型的表示方式。textembedding-gecko 和 textembedding-gecko-multilingual 模型穩定版支援微調。

文字嵌入模型支援監督式調整。監督式微調會使用標記範例，在推論期間展示您希望文字嵌入模型提供的輸出類型。

如要進一步瞭解模型調整作業，請參閱「模型調整作業的運作方式」。

預期品質提升幅度

Vertex AI 會使用高效參數調整方法進行自訂。在公開檢索基準資料集上執行的實驗中，這個方法顯示出顯著的品質提升，最高可達 41% (平均 12%)。

微調嵌入模型的用途

調整文字嵌入模型有助於讓模型適應特定領域或工作。如果預先訓練的模型不符合需求，這項功能就非常實用。舉例來說，如果根據貴公司的客戶服務單微調嵌入模型，聊天機器人就能更瞭解常見問題，並更有效地回答問題。未經過微調的模型缺乏支援單和產品解決方案的相關知識。

調整工作流程

在 Vertex AI 上調整 textembedding-gecko 和 textembedding-gecko-multilingual 的模型時，工作流程包含下列步驟：

  1. 準備模型調整資料集。
  2. 將模型微調資料集上傳至 Cloud Storage 值區。
  3. 為 Vertex AI Pipelines 設定專案。
  4. 建立模型微調工作。

調整作業完成後，調整後的模型會新增至 Model Registry。與其他模型微調工作不同，文字嵌入微調工作不會自動將模型部署至端點。您必須手動部署微調模型。

準備嵌入資料集

用於微調嵌入模型的資料集包含與您希望模型執行的工作相符的資料。

調整嵌入模型時的資料集格式

訓練資料集包含下列檔案，這些檔案必須位於 Cloud Storage。啟動微調管線時，您可以使用參數定義每個檔案的路徑。

  • 語料庫檔案：路徑由 corpus_path 參數定義。這是 JSONL 檔案，每行都有 _id、title 和 text 欄位，且值為字串。_id 和 text 為必填欄位，title 則為選填欄位。以下是 corpus.jsonl 檔案範例：

    {"_id": "doc1", "title": "Get an introduction to generative AI on Vertex AI", "text": "Vertex AI Studio offers a Google Cloud console tool for rapidly prototyping and testing generative AI models. Learn how you can use Vertex AI Studio to test models using prompt samples, design and save prompts, tune a foundation model, and convert between speech and text."}
{"_id": "doc2", "title": "Use gen AI for summarization, classification, and extraction", "text": "Learn how to create text prompts for handling any number of tasks with Vertex AI's generative AI support. Some of the most common tasks are classification, summarization, and extraction. Vertex AI's PaLM API for text lets you design prompts with flexibility in terms of their structure and format."}
{"_id": "doc3", "title": "Custom ML training overview and documentation", "text": "Get an overview of the custom training workflow in Vertex AI, the benefits of custom training, and the various training options that are available. This page also details every step involved in the ML training workflow from preparing data to predictions."}
{"_id": "doc4", "text": "Text embeddings are useful for clustering, information retrieval, retrieval-augmented generation (RAG), and more."}
{"_id": "doc5", "title": "Text embedding tuning", "text": "Google's text embedding models can be tuned on Vertex AI."}

  • 查詢檔案：路徑由 queries_path 參數定義。查詢檔案包含查詢範例，採用 JSONL 格式，且與語料庫檔案具有相同欄位。以下是 queries.jsonl 檔案範例：

    {"_id": "query1", "text": "Does Vertex support generative AI?"}
{"_id": "query2", "text": "What can I do with Vertex GenAI offerings?"}
{"_id": "query3", "text": "How do I train my models using Vertex?"}
{"_id": "query4", "text": "What is a text embedding?"}
{"_id": "query5", "text": "Can text embedding models be tuned on Vertex?"}
{"_id": "query6", "text": "embeddings"}
{"_id": "query7", "text": "embeddings for rag"}
{"_id": "query8", "text": "custom model training"}
{"_id": "query9", "text": "Google Cloud PaLM API"}

  • 訓練標籤：路徑由 train_label_path 參數定義，這是訓練標籤資料的 Cloud Storage URI。標籤必須位於含有標題的 TSV 檔案中。訓練標籤檔案必須包含查詢和語料庫的子集。檔案必須包含 query-id、corpus-id 和 score 欄。

    • query-id：與查詢檔案中的 _id 鍵相符的字串。
    • corpus-id：與語料庫檔案中的 _id 鍵相符的字串。
    • score：非負整數。如果分數大於 0，表示文件與查詢相關。分數越高，代表關聯性越高。如未填寫分數，預設值為 1。如果查詢和文件不相關，您可以從標籤檔案中省略該查詢和文件，也可以納入該查詢和文件，但分數為 0。

    以下是 train_labels.tsv 檔案範例：

    query-id    corpus-id   score
query1  doc1    1
query2  doc2    1
query3  doc3    2
query3  doc5  1
query4  doc4  1
query4  doc5  1
query5  doc5  2
query6  doc4  1
query6  doc5  1
query7  doc4  1
query8  doc3  1
query9  doc2  1

  • 測試標籤 (選用)：測試標籤的格式與訓練標籤相同。請使用 test_label_path 參數指定這些目標。如未提供 test_label_path，系統會自動從訓練標籤中分割測試標籤。

  • 驗證標籤 (選用)：驗證標籤的格式與訓練標籤相同。請使用 validation_label_path 參數指定這些目標。如未提供 validation_label_path，系統會自動從訓練標籤中分割驗證標籤。

資料集大小規定

提供的資料集檔案必須符合下列限制：

  • 查詢次數介於 9 到 10,000 之間。
  • 語料庫中的文件數量介於 9 到 500,000 之間。
  • 每個資料集標籤檔案至少包含 3 個查詢 ID，且所有資料集分割至少有 9 個查詢 ID。
  • 標籤總數少於 50 萬個。

為 Vertex AI Pipelines 設定專案

您可以使用 Vertex AI Pipelines 平台，在專案中執行調整作業。

設定權限

管道會在兩個服務代理程式下執行訓練程式碼。您必須授予這些服務代理程式特定角色，才能使用專案和資料集執行訓練。

  • Compute Engine 預設服務帳戶 PROJECT_NUMBER-compute@developer.gserviceaccount.com 這個服務帳戶需要下列權限：

    • Storage Object Viewer 存取您在 Cloud Storage 中建立的每個資料集檔案。
    • Storage Object User 存取管道的輸出 Cloud Storage 目錄，PIPELINE_OUTPUT_DIRECTORY。
    • Vertex AI User 存取專案。

    您可以指定自訂服務帳戶，而非 Compute Engine 預設服務帳戶。詳情請參閱「設定具有精細權限的服務帳戶」。

  • Vertex AI 調整用服務代理 service-PROJECT_NUMBER@gcp-sa-aiplatform-ft.iam.gserviceaccount.com 這個服務帳戶需要下列權限：

    • Storage Object Viewer 存取您在 Cloud Storage 中建立的每個資料集檔案。
    • Storage Object User 存取管道的輸出 Cloud Storage 目錄，PIPELINE_OUTPUT_DIRECTORY。

如要進一步瞭解如何設定 Cloud Storage 資料集權限，請參閱「設定管道構件的 Cloud Storage 值區」。

使用加速器

微調需要 GPU 加速器。您可以為文字嵌入調整管道使用下列任一加速器：

  • NVIDIA_L4
  • NVIDIA_TESLA_A100
  • NVIDIA_TESLA_T4
  • NVIDIA_TESLA_V100
  • NVIDIA_TESLA_P100

如要啟動微調作業，您必須為所選的加速器類型和區域 (例如 Restricted image training Nvidia V100 GPUs per region) 擁有足夠的 Restricted image training GPUs 配額。如要提高專案配額，請參閱「申請更多配額」。

部分地區不提供某些加速器。詳情請參閱「在 Vertex AI 中使用加速器」。

建立嵌入模型微調工作

您可以使用 Google Cloud 控制台、REST API 或用戶端程式庫，建立嵌入模型微調工作。

REST

如要建立嵌入模型微調工作，請使用 projects.locations.pipelineJobs.create 方法。

使用任何要求資料之前，請先替換以下項目：

  • PROJECT_ID：您的 Google Cloud 專案 ID。
  • PIPELINE_OUTPUT_DIRECTORY：管道輸出構件的路徑，開頭為「gs://」。

HTTP 方法和網址：

POST https://us-central1-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/us-central1/pipelineJobs

JSON 要求主體：

{
  "displayName": "tune_text_embeddings_model_sample",
  "runtimeConfig": {
    "gcsOutputDirectory": "PIPELINE_OUTPUT_DIRECTORY",
    "parameterValues": {
      "corpus_path": "gs://cloud-samples-data/ai-platform/embedding/goog-10k-2024/r11/corpus.jsonl",
      "queries_path": "gs://cloud-samples-data/ai-platform/embedding/goog-10k-2024/r11/queries.jsonl",
      "train_label_path": "gs://cloud-samples-data/ai-platform/embedding/goog-10k-2024/r11/train.tsv",
      "test_label_path": "gs://cloud-samples-data/ai-platform/embedding/goog-10k-2024/r11/test.tsv",
      "base_model_version_id":"text-embedding-004",
      "task_type": "DEFAULT",
      "batch_size": "128",
      "train_steps": "1000",
      "output_dimensionality": "768",
      "learning_rate_multiplier": "1.0"
    }
  },
  "templateUri": "https://us-kfp.pkg.dev/ml-pipeline/llm-text-embedding/tune-text-embedding-model/v1.1.3"
}

如要傳送要求，請展開以下其中一個選項：

您應該會收到如下的 JSON 回應：

啟動管道後，請透過 Google Cloud 控制台追蹤微調工作的進度。

前往 Google Cloud 控制台

Python

如要瞭解如何安裝或更新 Python 適用的 Vertex AI SDK，請參閱「安裝 Python 適用的 Vertex AI SDK」。 詳情請參閱 Python API 參考說明文件。

import re

from google.cloud.aiplatform import initializer as aiplatform_init
from vertexai.language_models import TextEmbeddingModel


def tune_embedding_model(
    api_endpoint: str,
    base_model_name: str = "text-embedding-005",
    corpus_path: str = "gs://cloud-samples-data/ai-platform/embedding/goog-10k-2024/r11/corpus.jsonl",
    queries_path: str = "gs://cloud-samples-data/ai-platform/embedding/goog-10k-2024/r11/queries.jsonl",
    train_label_path: str = "gs://cloud-samples-data/ai-platform/embedding/goog-10k-2024/r11/train.tsv",
    test_label_path: str = "gs://cloud-samples-data/ai-platform/embedding/goog-10k-2024/r11/test.tsv",
):  # noqa: ANN201
    """Tune an embedding model using the specified parameters.
    Args:
        api_endpoint (str): The API endpoint for the Vertex AI service.
        base_model_name (str): The name of the base model to use for tuning.
        corpus_path (str): GCS URI of the JSONL file containing the corpus data.
        queries_path (str): GCS URI of the JSONL file containing the queries data.
        train_label_path (str): GCS URI of the TSV file containing the training labels.
        test_label_path (str): GCS URI of the TSV file containing the test labels.
    """
    match = re.search(r"^(\w+-\w+)", api_endpoint)
    location = match.group(1) if match else "us-central1"
    base_model = TextEmbeddingModel.from_pretrained(base_model_name)
    tuning_job = base_model.tune_model(
        task_type="DEFAULT",
        corpus_data=corpus_path,
        queries_data=queries_path,
        training_data=train_label_path,
        test_data=test_label_path,
        batch_size=128,  # The batch size to use for training.
        train_steps=1000,  # The number of training steps.
        tuned_model_location=location,
        output_dimensionality=768,  # The dimensionality of the output embeddings.
        learning_rate_multiplier=1.0,  # The multiplier for the learning rate.
    )
    return tuning_job

Java

在試用這個範例之前，請先按照Java使用用戶端程式庫的 Vertex AI 快速入門中的操作說明進行設定。 詳情請參閱 Vertex AI Java API 參考說明文件。

如要向 Vertex AI 進行驗證，請設定應用程式預設憑證。 詳情請參閱「為本機開發環境設定驗證」。

import com.google.cloud.aiplatform.v1.CreatePipelineJobRequest;
import com.google.cloud.aiplatform.v1.LocationName;
import com.google.cloud.aiplatform.v1.PipelineJob;
import com.google.cloud.aiplatform.v1.PipelineJob.RuntimeConfig;
import com.google.cloud.aiplatform.v1.PipelineServiceClient;
import com.google.cloud.aiplatform.v1.PipelineServiceSettings;
import com.google.protobuf.Value;
import java.io.IOException;
import java.util.Map;
import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class EmbeddingModelTuningSample {
  public static void main(String[] args) throws IOException {
    // TODO(developer): Replace these variables before running this sample.
    String apiEndpoint = "us-central1-aiplatform.googleapis.com:443";
    String project = "PROJECT";
    String baseModelVersionId = "BASE_MODEL_VERSION_ID";
    String taskType = "DEFAULT";
    String pipelineJobDisplayName = "PIPELINE_JOB_DISPLAY_NAME";
    String outputDir = "OUTPUT_DIR";
    String queriesPath = "QUERIES_PATH";
    String corpusPath = "CORPUS_PATH";
    String trainLabelPath = "TRAIN_LABEL_PATH";
    String testLabelPath = "TEST_LABEL_PATH";
    double learningRateMultiplier = 1.0;
    int outputDimensionality = 768;
    int batchSize = 128;
    int trainSteps = 1000;

    createEmbeddingModelTuningPipelineJob(
        apiEndpoint,
        project,
        baseModelVersionId,
        taskType,
        pipelineJobDisplayName,
        outputDir,
        queriesPath,
        corpusPath,
        trainLabelPath,
        testLabelPath,
        learningRateMultiplier,
        outputDimensionality,
        batchSize,
        trainSteps);
  }

  public static PipelineJob createEmbeddingModelTuningPipelineJob(
      String apiEndpoint,
      String project,
      String baseModelVersionId,
      String taskType,
      String pipelineJobDisplayName,
      String outputDir,
      String queriesPath,
      String corpusPath,
      String trainLabelPath,
      String testLabelPath,
      double learningRateMultiplier,
      int outputDimensionality,
      int batchSize,
      int trainSteps)
      throws IOException {
    Matcher matcher = Pattern.compile("^(?<Location>\\w+-\\w+)").matcher(apiEndpoint);
    String location = matcher.matches() ? matcher.group("Location") : "us-central1";
    String templateUri =
        "https://us-kfp.pkg.dev/ml-pipeline/llm-text-embedding/tune-text-embedding-model/v1.1.4";
    PipelineServiceSettings settings =
        PipelineServiceSettings.newBuilder().setEndpoint(apiEndpoint).build();
    try (PipelineServiceClient client = PipelineServiceClient.create(settings)) {
      Map<String, Value> parameterValues =
          Map.of(
              "base_model_version_id", valueOf(baseModelVersionId),
              "task_type", valueOf(taskType),
              "queries_path", valueOf(queriesPath),
              "corpus_path", valueOf(corpusPath),
              "train_label_path", valueOf(trainLabelPath),
              "test_label_path", valueOf(testLabelPath),
              "learning_rate_multiplier", valueOf(learningRateMultiplier),
              "output_dimensionality", valueOf(outputDimensionality),
              "batch_size", valueOf(batchSize),
              "train_steps", valueOf(trainSteps));
      PipelineJob pipelineJob =
          PipelineJob.newBuilder()
              .setTemplateUri(templateUri)
              .setDisplayName(pipelineJobDisplayName)
              .setRuntimeConfig(
                  RuntimeConfig.newBuilder()
                      .setGcsOutputDirectory(outputDir)
                      .putAllParameterValues(parameterValues)
                      .build())
              .build();
      CreatePipelineJobRequest request =
          CreatePipelineJobRequest.newBuilder()
              .setParent(LocationName.of(project, location).toString())
              .setPipelineJob(pipelineJob)
              .build();
      return client.createPipelineJob(request);
    }
  }

  private static Value valueOf(String s) {
    return Value.newBuilder().setStringValue(s).build();
  }

  private static Value valueOf(int n) {
    return Value.newBuilder().setNumberValue(n).build();
  }

  private static Value valueOf(double n) {
    return Value.newBuilder().setNumberValue(n).build();
  }
}

Node.js

在試用這個範例之前，請先按照Node.js使用用戶端程式庫的 Vertex AI 快速入門中的操作說明進行設定。 詳情請參閱 Vertex AI Node.js API 參考說明文件。

如要向 Vertex AI 進行驗證，請設定應用程式預設憑證。 詳情請參閱「為本機開發環境設定驗證」。

async function main(
  apiEndpoint,
  project,
  outputDir,
  pipelineJobDisplayName = 'embedding-customization-pipeline-sample',
  baseModelVersionId = 'text-embedding-005',
  taskType = 'DEFAULT',
  corpusPath = 'gs://cloud-samples-data/ai-platform/embedding/goog-10k-2024/r11/corpus.jsonl',
  queriesPath = 'gs://cloud-samples-data/ai-platform/embedding/goog-10k-2024/r11/queries.jsonl',
  trainLabelPath = 'gs://cloud-samples-data/ai-platform/embedding/goog-10k-2024/r11/train.tsv',
  testLabelPath = 'gs://cloud-samples-data/ai-platform/embedding/goog-10k-2024/r11/test.tsv',
  outputDimensionality = 768,
  learningRateMultiplier = 1.0,
  batchSize = 128,
  trainSteps = 1000
) {
  const aiplatform = require('@google-cloud/aiplatform');
  const {PipelineServiceClient} = aiplatform.v1;
  const {helpers} = aiplatform; // helps construct protobuf.Value objects.

  const client = new PipelineServiceClient({apiEndpoint});
  const match = apiEndpoint.match(/(?<L>\w+-\w+)/);
  const location = match ? match.groups.L : 'us-central1';
  const parent = `projects/${project}/locations/${location}`;
  const params = {
    base_model_version_id: baseModelVersionId,
    task_type: taskType,
    queries_path: queriesPath,
    corpus_path: corpusPath,
    train_label_path: trainLabelPath,
    test_label_path: testLabelPath,
    batch_size: batchSize,
    train_steps: trainSteps,
    output_dimensionality: outputDimensionality,
    learning_rate_multiplier: learningRateMultiplier,
  };
  const runtimeConfig = {
    gcsOutputDirectory: outputDir,
    parameterValues: Object.fromEntries(
      Object.entries(params).map(([k, v]) => [k, helpers.toValue(v)])
    ),
  };
  const pipelineJob = {
    templateUri:
      'https://us-kfp.pkg.dev/ml-pipeline/llm-text-embedding/tune-text-embedding-model/v1.1.4',
    displayName: pipelineJobDisplayName,
    runtimeConfig,
  };
  async function createTuneJob() {
    const [response] = await client.createPipelineJob({parent, pipelineJob});
    console.log(`job_name: ${response.name}`);
    console.log(`job_state: ${response.state}`);
  }

  await createTuneJob();
}

控制台

如要使用 Google Cloud 控制台微調文字嵌入模型，請按照下列步驟啟動自訂管道：

  1. 在 Google Cloud 控制台的 Vertex AI 專區中，前往「Vertex AI Pipelines」頁面。

    前往 Vertex AI Pipelines

  2. 按一下「建立執行」，開啟「建立管道執行」窗格。
  3. 按一下「從現有的 pipeline 中選取」，然後輸入下列詳細資料：
    1. 從「選取資源」下拉式選單中選取「ml-pipeline」。
    2. 從「Repository」(存放區) 下拉式選單中選取「llm-text-embedding」。
    3. 從「Pipeline 或元件」下拉式選單中選取「tune-text-embedding-model」。
    4. 從「版本」下拉式選單中，選取標示為「v1.1.3」的版本。
  4. 指定執行名稱，以唯一識別管道執行作業。
  5. 在「Region」(區域) 下拉式選單中，選取要建立管道執行的區域，這會與微調模型建立的區域相同。
  6. 按一下「繼續」。系統隨即會顯示「Runtime configuration」(執行階段設定) 窗格。
  7. 在「Cloud storage location」(Cloud Storage 位置) 下方，按一下「Browse」(瀏覽)，選取用於儲存管道輸出構件的 Cloud Storage bucket，然後按一下「Select」(選取)。
  8. 在「Pipeline parameters」(管道參數) 下方，指定微調管道的參數。三個必要參數為 corpus_path、queries_path 和 train_label_path，格式請參閱「準備嵌入資料集」。如要進一步瞭解各個參數，請參閱本節的「REST」分頁。
  9. 按一下「提交」，建立管道執行作業。

其他支援的功能

文字嵌入調整作業支援 VPC Service Controls。如要在虛擬私有雲 (VPC) 中執行微調作業，請在建立 PipelineJob 時傳遞 network 參數。

如要使用客戶自行管理的加密金鑰 (CMEK)，請在建立 PipelineJob 時，將金鑰傳遞至 parameterValues.encryption_spec_key_name 管道參數和 encryptionSpec.kmsKeyName 參數。

使用微調後的模型

在 Model Registry 中查看調整後的模型

模型調整工作完成後，系統不會自動將調整後的模型部署至端點。您可以在 Model Registry 中找到調整後的模型，做為模型資源。您可以使用 Google Cloud 控制台，查看目前專案中的模型清單，包括微調模型。

如要在 Google Cloud 控制台中查看經過微調的模型，請前往 Vertex AI Model Registry 頁面。

前往 Vertex AI Model Registry

部署模型

微調嵌入模型後，您需要部署模型資源。如要部署調整後的嵌入模型，請參閱「將模型部署至端點」。

與基礎模型不同，您需要管理微調後的文字嵌入模型。包括管理服務資源，例如機器類型和加速器。為避免預測期間發生記憶體不足錯誤，建議您使用 NVIDIA_TESLA_A100 GPU 類型進行部署，這類 GPU 可支援任何輸入長度的批次大小 (最多 5 個)。

與textembedding-gecko基礎模型類似，微調模型最多支援 3,072 個權杖，並可截斷較長的輸入內容。

取得已部署模型的預測結果

部署微調模型後，您可以使用下列任一指令，將要求傳送至微調模型端點。

微調 textembedding-gecko@001 模型的 cURL 指令範例

如要從微調版 textembedding-gecko@001 取得預測結果，請使用下列 curl 指令。

PROJECT_ID=PROJECT_ID
LOCATION=LOCATION
ENDPOINT_URI=https://${LOCATION}-aiplatform.googleapis.com
MODEL_ENDPOINT=TUNED_MODEL_ENDPOINT_ID

curl -X POST -H "Authorization: Bearer $(gcloud auth print-access-token)" \
    -H "Content-Type: application/json"  \
    ${ENDPOINT_URI}/v1/projects/${PROJECT_ID}/locations/${LOCATION}/endpoints/${MODEL_ENDPOINT}:predict \
    -d '{
  "instances": [
    {
      "content": "Dining in New York City"
    },
    {
      "content": "Best resorts on the east coast"
    }
  ]
}'

其他模型的 cURL 指令範例

其他模型的微調版本 (例如 textembedding-gecko@003 和 textembedding-gecko-multilingual@001) 則需要另外兩個輸入內容：task_type 和 title。如要進一步瞭解這些參數，請參閱 curl 指令。

PROJECT_ID=PROJECT_ID
LOCATION=LOCATION
ENDPOINT_URI=https://${LOCATION}-aiplatform.googleapis.com
MODEL_ENDPOINT=TUNED_MODEL_ENDPOINT_ID

curl -X POST -H "Authorization: Bearer $(gcloud auth print-access-token)" \
    -H "Content-Type: application/json"  \
    ${ENDPOINT_URI}/v1/projects/${PROJECT_ID}/locations/${LOCATION}/endpoints/${MODEL_ENDPOINT}:predict \
    -d '{
  "instances": [
    {
      "content": "Dining in New York City",
      "task_type": "DEFAULT",
      "title": ""
    },
    {
      "content": "There are many resorts to choose from on the East coast...",
      "task_type": "RETRIEVAL_DOCUMENT",
      "title": "East Coast Resorts"
    }
  ]
}'

輸出內容範例

無論版本為何，這項輸出內容都適用於 textembedding-gecko 和 textembedding-gecko-multilingual 模型。

textembedding-gecko
{
 "predictions": [
   [ ... ],
   [ ... ],
   ...
 ],
 "deployedModelId": "...",
 "model": "projects/.../locations/.../models/...",
 "modelDisplayName": "tuned-text-embedding-model",
 "modelVersionId": "1"
}

後續步驟