ValueError: zip() argument 2 is longer than argument 1
Compari doi vectori de embeddings cu lungimi diferite: de obicei indexul a fost construit cu alt model sau cu alt `dimensions` decât întrebarea. Generează vectorii documentelor și ai întrebării cu același model și aceleași setări, și verifică `len(a) == len(b)` înainte de similaritate.
Explicat de Tudor Andrei Dumitrescu, Senior Software Developer, fondatorul Academiei ProgramatorilorActualizat la
Ce înseamnă
zip(a, b, strict=True) parcurge două liste în paralel și aruncă ValueError dacă una se termină înaintea celeilalte; mesajul îți spune care e mai lungă. Fără strict=True, zip se oprește tăcut la lista mai scurtă, iar similaritatea cosinus iese greșită fără nicio eroare, ceea ce e mai periculos.
În RAG, vectorii au o dimensiune fixă pentru fiecare model: text-embedding-3-small dă 1536 de valori, text-embedding-3-large 3072, iar parametrul dimensions le poate scurta. Dacă documentele din index au fost transformate cu un model sau cu o setare, iar întrebarea cu alta, vectorii nu mai au aceeași lungime și nici nu mai sunt comparabili, chiar dacă ar avea.
Cazul tipic: ai schimbat modelul de embeddings, dar indexul salvat pe disc (sau în baza vectorială) e cel vechi. Bazele vectoriale dau propria eroare pentru același lucru (de exemplu, că dimensiunea embedding-ului nu se potrivește cu a colecției). Reparația e să reconstruiești indexul cu modelul nou.
De ce apare: cauzele frecvente
1Index vechi, model nou pentru întrebare
index = json.load(open("index_vechi.json")) # vectori de 256
q = client.embeddings.create(model="text-embedding-3-small", input=intrebare).data[0].embeddingtexte = [d["text"] for d in index]
vectori = [d.embedding for d in client.embeddings.create(model=MODEL_EMB, input=texte).data]
q = client.embeddings.create(model=MODEL_EMB, input=intrebare).data[0].embeddingDocumentele și întrebarea trec prin același model, deci vectorii au aceeași dimensiune și sunt comparabili.
2zip fără strict ascunde problema
def cosinus(a, b):
return sum(x * y for x, y in zip(a, b)) # taie tăcut vectorul mai lungdef cosinus(a, b):
if len(a) != len(b):
raise ValueError(f"Dimensiuni diferite: {len(a)} vs {len(b)}")
return sum(x * y for x, y in zip(a, b))O verificare explicită oprește calculul în loc să dea rezultate greșite.
3Model salvat doar în cod, nu și lângă index
json.dump(vectori, open("index.json", "w"))json.dump({"model": MODEL_EMB, "dim": len(vectori[0]), "vectori": vectori}, open("index.json", "w"))Cu modelul și dimensiunea salvate în index, verifici la încărcare dacă se potrivesc cu cele curente.
Repară eroarea, direct în pagină
Asistentul RAG de mai jos încarcă un index salvat mai demult (index_vechi.json, vectori de 32 de valori, făcuți cu altă setare) și dă ValueError: zip() argument 2 is longer than argument 1. Repară programul: recalculează vectorii documentelor cu același model ca întrebarea (MODEL_EMB), într-un singur apel. Programul afișează dimensiunile vectorilor și documentul cel mai apropiat de întrebare.
import json
import math
from openai import OpenAI
MODEL_EMB = "text-embedding-3-small"
client = OpenAI()
def cosinus(a, b):
produs = sum(x * y for x, y in zip(a, b, strict=True))
return produs / (math.sqrt(sum(x * x for x in a)) * math.sqrt(sum(y * y for y in b)))
with open("index_vechi.json", encoding="utf-8") as f:
index = json.load(f)
texte = [d["text"] for d in index]
vectori = [d["vector"] for d in index]
intrebare = "În câte zile pot returna un produs?"
q = client.embeddings.create(model=MODEL_EMB, input=intrebare).data[0].embedding
print("dimensiuni:", len(vectori[0]), len(q))
scoruri = [cosinus(v, q) for v in vectori]
print("Cel mai apropiat:", texte[scoruri.index(max(scoruri))])dimensiuni: 64 64 Cel mai apropiat: Retur: produsele se pot returna în 30 de zile de la livrare.
Indiciu
Ia textele din index și trimite-le într-o listă la client.embeddings.create(model=MODEL_EMB, input=texte).
Reparația
import json
import math
from openai import OpenAI
MODEL_EMB = "text-embedding-3-small"
client = OpenAI()
def cosinus(a, b):
produs = sum(x * y for x, y in zip(a, b, strict=True))
return produs / (math.sqrt(sum(x * x for x in a)) * math.sqrt(sum(y * y for y in b)))
with open("index_vechi.json", encoding="utf-8") as f:
index = json.load(f)
texte = [d["text"] for d in index]
r = client.embeddings.create(model=MODEL_EMB, input=texte)
vectori = [d.embedding for d in r.data]
intrebare = "În câte zile pot returna un produs?"
q = client.embeddings.create(model=MODEL_EMB, input=intrebare).data[0].embedding
print("dimensiuni:", len(vectori[0]), len(q))
scoruri = [cosinus(v, q) for v in vectori]
print("Cel mai apropiat:", texte[scoruri.index(max(scoruri))])De ce merge
Vectorii din index au fost produși cu altă setare (32 de valori), iar întrebarea cu modelul curent (64 în simulator), așa că zip(..., strict=True) a oprit calculul. Recalculând documentele cu același model ca întrebarea, toți vectorii au aceeași dimensiune și sunt în același spațiu, deci similaritatea cosinus are sens, iar documentul despre retur iese primul.
Alte forme ale mesajului
ValueError: zip() argument 2 is shorter than argument 1
Cum o eviți pe viitor
- Salvează împreună cu indexul modelul de embeddings și dimensiunea vectorilor.
- La încărcare, compară-le cu modelul curent; dacă diferă, reconstruiește indexul.
- Folosește
zip(..., strict=True)sau o verificare de lungime în funcțiile de similaritate. - Când schimbi modelul de embeddings, recalculează toate documentele, nu doar pe cele noi.
Întrebări frecvente
Pot compara un vector din modelul mic cu unul din modelul mare, dacă le tai la aceeași lungime?
Nu. Fiecare model are propriul spațiu: chiar la aceeași lungime, numerele nu înseamnă același lucru. Compari doar vectori produși de același model, cu aceleași setări.
De ce e mai bine să primesc eroarea decât să meargă?
Pentru că fără eroare (zip fără strict), căutarea întoarce documente aproape aleatorii, iar asistentul răspunde din contextul greșit, fără ca tu să afli de ce.
Erori înrudite
AttributeError: 'list' object has no attribute 'embedding' `response.data` din `client.embeddings.create(...)` este o listă, cu câte un element pentru fiecare text trimis. Vectorul unui text se citește cu `response.data[0].embedding`; pentru mai multe texte, `[d.embedding for d in response.data]`. openai.BadRequestError: Error code: 400 - This model's maximum context length is 272000 tokens. However, your messages resulted in 289114 tokens. Please reduce the length of the messages. Cererea trimisă la OpenAI are mai mulți tokeni decât fereastra de context a modelului (`context_length_exceeded`). Scurtează mesajele: taie istoricul vechi, trimite doar fragmentele relevante din documente și limitează rezultatele tool-urilor. KeyError: 'email' JSON-ul primit de la model nu are cheia pe care o citești (`date["email"]`): modelul a omis-o pentru că informația lipsea din text sau a numit-o altfel. Folosește `date.get("email")` cu o valoare implicită și cere câmpul în schemă (`required`), cu `null` permis când lipsește. Învață Aplicații AI cu LLM de la zero, cu exerciții la fiecare lecție
Curs Aplicații AI cu Claude și OpenAI: lecții scurte, fiecare cu un exercițiu verificat automat, direct în browser. Primele 8 lecții sunt gratuite.
