不指定 embedding_function 时，Chroma 用 DefaultEmbeddingFunction，如下图：
DefaultEmbeddingFunction 默认使用 all-MiniLM-L6-v2 模型，如下图：
模型在 huggingface 中的地址 https://huggingface.co/sentence-transformers/all-MiniLM-L6-v2，如下图：
模型基本信息如下：
模型：all-MiniLM-L6-v2
维度：384
输出：List[List[float]]，实际是 numpy.float32
注意，在 Chroma 首次使用模型时，会下载 ONNX 包（约 79 MB）到 “~/.cache/chroma/onnx_models/”地址，如下图：
简单使用 DefaultEmbeddingFunction 类，如下：
from chromadb.utils.embedding_functions import DefaultEmbeddingFunction
ef = DefaultEmbeddingFunction()
vecs = ef(["hello", "world"])
print(len(vecs[0])) # 384
print(type(vecs[0][0])) # <class 'numpy.float32'>注意了，中文场景不要用默认的，因为该模型对中文支持效果非常差。
嵌入函数（Embedding Model / 嵌入模型）本质就是一个训练好的神经网络，它学会了一条规则：意思相近的句子，输出的数字向量挨得近；意思完全不同的句子，向量离得远。
你平时直接调用的 qwen3.7-text-embedding-flash、text-embedding-ada-002 就是成品嵌入函数。
注意：
调用嵌入函数：指直接 import 模型，输入文字拿到向量，几行代码（也可以通过 API 远程调用）。
开发 / 训练一个全新嵌入函数：指自己收集数据、搭神经网络、训练、调优、评估，工作量巨大，费用昂贵，难度也很大。
如果你要训练一个自己的嵌入函数，主要步骤如下：
现在绝大多数文本嵌入模型，都是基于 Transformer（BERT 类），没有谁从头手写神经网络底层。
底座相当于一个已经会认字、懂人话的学生；我们再专门给他补课，教会他怎么把一句话浓缩成一串数字用来对比意思。
使用普通问答数据作为数据集是不行的，嵌入模型需要三元组数据（Triplet），这是训练的灵魂： 一条样本 = (锚文本anchor, 正样本positive, 负样本negative)
anchor（锚句）：小猫爱吃鱼
positive（正样本）：意思接近的句子：猫咪喜欢吃鱼
negative（负样本）：意思完全无关的句子：高铁跑得很快
训练目标规则（给神经网络定目标）：
锚句 和 正样本 的向量距离，尽可能近
锚句 和 负样本 的向量距离，尽可能远
成千上万、几百万条这样的三元组喂给神经网络。
损失函数 = 打分器，用来告诉神经网络这次输出好不好，网络根据这个分数修改自己内部的亿万参数。
嵌入最经典：Triplet Loss（三元组损失）
公式通俗理解： 损失 = max( 锚-正距离 − 锚-负距离 + 安全间隔margin , 0 )
目标：让“锚-负距离”至少比“锚-正距离”大一个固定间隔。
举上面例子：
小猫爱吃鱼 ↔ 猫咪喜欢吃鱼 距离：0.05
小猫爱吃鱼 ↔ 高铁跑得很快 距离：1.2
如果差距足够大 → 损失很小，网络表现合格。如果反过来，距离颠倒了 → 损失很大，网络就要修改内部权重。
神经网络内部是几千万个可以调整的小数（参数），训练就是反复微调这些数字，不断降低损失。
流程循环上万轮：
取一批三元组文本，先分词（转成模型认识的 token 编号）
扔进 Transformer 网络，网络自动输出 3 组向量
计算 Triplet Loss 损失
反向传播：自动计算梯度，用优化器（AdamW）修改网络里面所有参数
换下一批数据，重复
这个阶段必须 GPU，比如 A10、A100；一个中文小嵌入模型，在百万数据集上训练，往往要跑几小时～几天。
训练完不能直接用！要在标准评测集上跑分，中文常用 C-MTEB，英文 MTEB。 测什么？
STS 任务：给两句话，模型判断语义相似度，和人类打分对比
检索任务：知识库检索，看能不能召回正确文档（就是你 Chroma 干的事情！）
分类任务：向量拿去做分类，看准确率
如果跑分很差：
数据脏了
正负样本构造不对
学习率、loss 参数调得不好 就要回去改数据集或者训练参数，重新训练。
训练收敛、评估达标之后：
把神经网络权重保存下来（比如 pytorch bin、safetensors 格式）
写推理代码：输入文本 → tokenizer 分词 → 模型前向计算 → 输出向量
封装成 API / HuggingFace 格式，别人一行代码调用：
from sentence_transformers import SentenceTransformer
model = SentenceTransformer("bge-small-zh-v1.5")
vec = model.encode("小猫爱吃鱼")这就是你平时用的嵌入函数。
川公网安备51010802032098