面经策

在 RAG 中，你知道有哪些 Embedding Model 嵌入模型？ ​

  • 标签：AI、大模型、RAG

🏛 业务架构师 ​

我按"海外商用、开源中文、云厂商"三类介绍主流 Embedding 模型：

  • OpenAI text-embedding-3 系列：multilingual 效果稳定，接口省心，适合已用 OpenAI 生态、对数据出境不敏感的团队。
  • Cohere Embed：多语言检索尤其是 RAG 场景口碑好，提供 rerank 一条龙。
  • 开源系：BGE 系列（智源，中文检索任务标杆）、GTE 系列（阿里）、M3E、Qwen 系列 Embedding；海外还有 E5、Nomic、Jina Embedding。开源可私有化部署，是数据敏感型企业的主流选择。
  • 多模态：CLIP、BGE-VL 类模型支持图文混合检索，用于商品图搜、设计素材检索。

2026 年的格局：Embedding 技术已高度成熟，头部开源模型在 C-MTEB 榜单上的差距对多数业务可忽略。我的实务建议：国内企业默认从 BGE/Qwen Embedding 起步（合规、免费、效果够用），用自家评测集跑一轮横向验证后再定；除非有强多语言或多模态需求，不必为商用 API 付额外成本。真正拉开差距的是切块策略和检索后处理，而不是 Embedding 模型本身那零点几的榜单分差。

🏗 系统架构师 ​

按 2026 年的主流格局，我分三类：

  • 商用 API：OpenAI text-embedding-3 系列（3-small/3-large，1538/3072 维，支持 MRL 降维）、Cohere Embed v4（多语种强，支持 int8/binary 量化）、Voyage（代码和科研场景口碑好）；
  • 开源：BGE 系列（BGE-M3 是国内事实标准，多语、8192 长输入、稠密+稀疏+multi-vector 三模态输出）、Qwen3-Embedding 系列（多语和代码强）、GTE 系列、Jina Embeddings（长文本）；
  • 专用：代码检索有专门训练的代码嵌入模型，多模态有 CLIP 类图文对齐模型。

架构师视角的选型维度：一是检索效果（C-MTEB / MTEB 榜只是参考，必须在自己语料上跑对比评测，领域漂移很常见）；二是最大输入长度（256 vs 8192 token 直接决定分块上限）；三是部署形态——API 按 token 计费（建库期百万文档成本要算），自托管要 GPU 容量和吞吐评估（批量嵌入一张 A10 级卡每天可处理百万级 chunk）；四是维度与压缩支持，影响向量库存储和内存规划。

我的默认建议：中文/混合语料 BGE-M3 或 Qwen3-Embedding 起步，效果不够再上商用 API A/B 对比。

💻 全栈开发专家 ​

按我实际用过的分几类：

  • 商用 API：OpenAI text-embedding-3-large/small（多语种均衡、省事）、Cohere embed-v4（检索质量高、支持稀疏+稠密混合）、Voyage（代码检索强）。
  • 开源中文/多语种：BGE 系列（bge-large-zh-v1.5、bge-m3——m3 同时支持稠密/稀疏/多向量，中文 RAG 首选）、Qwen3-Embedding 系列（2025 年后 MTEB 多语言榜很强，0.6B~8B 可选）、GTE 系列、Jina embeddings（长文本友好）。
  • 老一代：Word2Vec/GloVe/FastText（静态词向量，现在只做特征或轻量场景）、Sentence-BERT（推理语义检索的起点）。

我的选型经验：国内业务、私有化部署，直接 bge-m3 或 Qwen3-Embedding-0.6B，中文效果好、Apache 许可、单卡就能跑（ONNX/CPU 也能顶）；对精度极限敏感（法律、医疗）就上 4B/8B 的 Qwen3-Embedding 并配合 reranker。别只看 MTEB 总榜——要在自己的 100 条业务 query 上跑 recall@10 对比，榜分和业务分经常不一致，这一步半天就能做完，比任何评测文章都靠谱。