进程内（ONNX）
LangChain4j 提供了一些流行的本地嵌入模型，以 Maven 依赖的形式打包。 它们由 ONNX runtime 驱动， 并在同一 Java 进程中运行。
每个模型提供两种版本：原始版本和量化版本（Maven 构件名以 -q 结尾，类名中含 Quantized）。
例如：
<dependency>
<groupId>dev.langchain4j</groupId>
<artifactId>langchain4j-embeddings-all-minilm-l6-v2</artifactId>
<version>1.13.0-beta23</version>
</dependency>
EmbeddingModel embeddingModel = new AllMiniLmL6V2EmbeddingModel();
Response<Embedding> response = embeddingModel.embed("test");
Embedding embedding = response.content();
或量化版本：
<dependency>
<groupId>dev.langchain4j</groupId>
<artifactId>langchain4j-embeddings-all-minilm-l6-v2-q</artifactId>
<version>1.13.0-beta23</version>
</dependency>
EmbeddingModel embeddingModel = new AllMiniLmL6V2QuantizedEmbeddingModel();
Response<Embedding> response = embeddingModel.embed("test");
Embedding embedding = response.content();
完整的嵌入模型列表可在此处找到。
并行化
默认情况下，嵌入过 程使用所有可用的 CPU 核心并行化，
每个 TextSegment 在独立线程中嵌入。
并行化通过 Executor 实现。
默认情况下，进程内嵌入模型使用缓存线程池，
线程数等于可用处理器数量，线程缓存 1 秒。
创建模型时可提供自定义的 Executor 实例：
Executor = ...;
EmbeddingModel embeddingModel = new AllMiniLmL6V2QuantizedEmbeddingModel(executor);
目前不支持 GPU 嵌入。
自定义模型
只要格式为 ONNX，许多模型（例如来自 Hugging Face）均可使用。
有关如何将模型转换为 ONNX 格式的信息，请参阅此处。
许多已转换为 ONNX 格式的模型可在此处获取。
使用自定义嵌入模型的示例：
<dependency>
<groupId>dev.langchain4j</groupId>
<artifactId>langchain4j-embeddings</artifactId>
<version>1.13.0-beta23</version>
</dependency>
String pathToModel = "/home/langchain4j/model.onnx";
String pathToTokenizer = "/home/langchain4j/tokenizer.json";
PoolingMode poolingMode = PoolingMode.MEAN;
EmbeddingModel embeddingModel = new OnnxEmbeddingModel(pathToModel, pathToTokenizer, poolingMode);
Response<Embedding> response = embeddingModel.embed("test");
Embedding embedding = response.content();