🧠 统一多语言 Distiluse 文本嵌入器（ONNX + 分词器合并）

这是一个高度优化、量化且完全独立的模型，用于从多语言文本生成句子嵌入，支持乌克兰语、英语、波兰语等多种语言。

该模型基于 distiluse-base-multilingual-cased-v2 构建，具有以下特点：

• 🔁 与分词器合并为单个 ONNX 文件
• ⚙️ 扩展了自定义预处理层
• ⚡ 量化为 INT8，支持 ARM64
• 🧪 在实际 NLP 任务中经过广泛测试
• 🛠️ 修复了错误——原始 sentence-transformers 量化版本会产生不准确的余弦相似度

🚀 主要特性

• 🧩 单文件架构：无需外部分词器、词表或 transformers 库。
• ⚡ 在移动端推理速度提升 93%（相比原始模型）。
• 🗣️ 多语言支持：在多种语言上表现稳健，包括低资源语言。
• 🧠 输出 = 纯嵌入向量：传入字符串，获得 768 维向量。就这么简单。
• 🛠️ 生产就绪：体积小、速度快、精度高、易于集成。
• 📱 非常适合边缘 AI、移动端和离线场景。

🤖 作者 @vlad-m-dev 为边缘 AI/手机/平板离线场景而构建 Telegram: https://t.me/dwight_schrute_engineer

🐍 Python 示例

import numpy as np
import onnxruntime as ort
from onnxruntime_extensions import get_library_path

sess_options = ort.SessionOptions()
sess_options.register_custom_ops_library(get_library_path())

session = ort.InferenceSession(
    'model.onnx',
    sess_options=sess_options,
    providers=['CPUExecutionProvider']
)

input_feed = {"text": np.asarray(['something..'])}
outputs = session.run(None, input_feed)
embedding = outputs[0]

🐛 JS 示例

const session = await InferenceSession.create(EMBEDDING_FULL_MODEL_PATH); 
const inputTensor = new Tensor('string', ['something..'], [1]); 
const feeds = { text: inputTensor };
const outputMap = await session.run(feeds);
const embedding = outputMap.text_embedding.data;