Suporte a campos multi-vetores no Pesquisa de IA do Azure (pré-visualização)

A funcionalidade de suporte a campos multivetor (pré-visualização) no Pesquisa de IA do Azure permite-lhe indexar múltiplos vetores filhos num único campo do documento. Esta funcionalidade é valiosa para casos de uso como dados multimodais ou documentos de formato longo, onde representar o conteúdo com um único vetor levaria à perda de detalhes importantes.

Limitações

• O ranker semântico não é suportado para blocos aninhados dentro de um campo complexo. Portanto, o ranqueador semântico não suporta vetores aninhados em campos multi-vetoriais.

Compreender o suporte de campos multivetoriais

Tradicionalmente, os tipos vetoriais, por exemplo Collection(Edm.Single) , só podiam ser usados em campos de topo. Com a introdução do suporte de campos multivetoriais, pode agora usar tipos vetoriais em campos aninhados de coleções complexas, permitindo efetivamente que múltiplos vetores sejam associados a um único documento.

Um único documento pode incluir até 100 vetores no total, em todos os campos complexos de recolha. Os campos vetoriais só podem ser aninhados a um nível de profundidade.

Definição de índice com campo multivetorial

Não são necessárias novas propriedades de índice para esta funcionalidade. Aqui está um exemplo de definição de índice:

{
  "name": "multivector-index",
  "fields": [
    {
      "name": "id",
      "type": "Edm.String",
      "key": true,
      "searchable": true
    },
    {
      "name": "title",
      "type": "Edm.String",
      "searchable": true
    },
    {
      "name": "description",
      "type": "Edm.String",
      "searchable": true
    },
    {
      "name": "descriptionEmbedding",
      "type": "Collection(Edm.Single)",
      "dimensions": 3,
      "searchable": true,
      "retrievable": true,
      "vectorSearchProfile": "hnsw"
    },
    {
      "name": "scenes",
      "type": "Collection(Edm.ComplexType)",
      "fields": [
        {
          "name": "embedding",
          "type": "Collection(Edm.Single)",
          "dimensions": 3,
          "searchable": true,
          "retrievable": true,
          "vectorSearchProfile": "hnsw"
        },
        {
          "name": "timestamp",
          "type": "Edm.Int32",
          "retrievable": true
        },
        {
          "name": "description",
          "type": "Edm.String",
          "searchable": true,
          "retrievable": true
        },
        {
          "name": "framePath",
          "type": "Edm.String",
          "retrievable": true
        }
      ]
    }
  ]
}

Exemplo de documento de ingestão

Aqui está um documento de exemplo que ilustra como pode usar campos multivetoriais na prática:

{
  "id": "123",
  "title": "Non-Existent Movie",
  "description": "A fictional movie for demonstration purposes.",
  "descriptionEmbedding": [1, 2, 3],
  "releaseDate": "2025-08-01",
  "scenes": [
    {
      "embedding": [4, 5, 6],
      "timestamp": 120,
      "description": "A character is introduced.",
      "framePath": "nonexistentmovie\\scenes\\scene120.png"
    },
    {
      "embedding": [7, 8, 9],
      "timestamp": 2400,
      "description": "The climax of the movie.",
      "framePath": "nonexistentmovie\\scenes\\scene2400.png"
    }
  ]
}

Neste exemplo, o campo cenas é uma coleção complexa que contém múltiplos vetores (os campos de embedding), juntamente com outros dados associados. Cada vetor representa uma cena do filme e pode ser usado para encontrar cenas semelhantes noutros filmes, entre outros potenciais casos de uso.

Consulta com suporte a campos multivetoriais

A funcionalidade de suporte a campos multivetores introduz algumas alterações ao mecanismo de consulta no Pesquisa de IA do Azure. No entanto, o principal processo de consulta mantém-se, em grande parte, o mesmo. Anteriormente, vectorQueries só podia direcionar campos vetoriais definidos como campos de índice de topo. Com esta funcionalidade, estamos a relaxar esta restrição e a permitir que os vectorQueries alvejem campos que estão aninhados dentro de uma coleção de tipos complexos (até um nível de profundidade). Adicionalmente, está disponível um novo parâmetro de tempo de consulta: perDocumentVectorLimit.

• Definir perDocumentVectorLimit como 1 assegura que, no máximo, apenas um vetor por documento seja correspondido, garantindo que os resultados provêm de documentos distintos.
• Definir perDocumentVectorLimit para 0 (ilimitado) permite que múltiplos vetores relevantes do mesmo documento sejam correspondidos.

{
  "vectorQueries": [
    {
      "kind": "text",
      "text": "whales swimming",
      "K": 50,
      "fields": "scenes/embedding",
      "perDocumentVectorLimit": 0
    }
  ],
  "select": "title, scenes/timestamp, scenes/framePath"
}

Classificar através de múltiplos vetores num único campo

Quando múltiplos vetores estão associados a um único documento, o Pesquisa de IA do Azure utiliza a pontuação máxima entre eles para a classificação. O sistema utiliza o vetor mais relevante para pontuar cada documento, o que evita a diluição por outros menos relevantes.

Recuperar elementos relevantes numa coleção

Quando uma coleção de tipos complexos é incluída no $select parâmetro, apenas os elementos que corresponderam à consulta vetorial são retornados. Isto é útil para recuperar metadados associados, como carimbos temporais, descrições de texto ou caminhos de imagens.

Depurar consultas multivetoriais (pré-visualização)

Quando um documento inclui múltiplos vetores incorporados, como inserções de texto e imagem em diferentes subcampos, o sistema utiliza a pontuação vetorial mais alta em todos os elementos para classificar o documento.

Para depurar como cada vetor contribuiu, utilize o innerHits modo de depuração (disponível na mais recente API REST de pré-visualização).

POST /indexes/my-index/docs/search?api-version=2026-08-01-preview
{
  "vectorQueries": [
    {
      "kind": "vector",
      "field": "keyframes.imageEmbedding",
      "kNearestNeighborsCount": 5,
      "vector": [ /* query vector */ ]
    }
  ],
  "debug": "innerHits"
}

Exemplo de forma de resposta

"@search.documentDebugInfo": {
  "innerHits": {
    "keyframes": [
      {
        "ordinal": 0,
        "vectors": [
          {
            "imageEmbedding": {
              "searchScore": 0.958,
              "vectorSimilarity": 0.956
            },
            "textEmbedding": {
              "searchScore": 0.958,
              "vectorSimilarity": 0.956
            }
          }
        ]
      },
      {
        "ordinal": 1,
        "vectors": [
          {
            "imageEmbedding": null,
            "textEmbedding": {
              "searchScore": 0.872,
              "vectorSimilarity": 0.869
            }
          }
        ]
      }
    ]
  }
}

Descrições de campos

Relação com debug=vector

Aqui estão alguns factos sobre esta propriedade:

• O interruptor existente debug=vector mantém-se inalterado.

• Quando usado com campos multi-vetor, @search.documentDebugInfo.vector.subscore mostra a pontuação máxima usada para classificar o documento pai, mas não o detalhe por elemento.

• Use innerHits para obter uma perceção de como os elementos individuais contribuíram para a banda sonora.