https://www.knightli.com/tags/%E5%90%91%E9%87%8F%E6%A8%A1%E5%9E%8B/ Recent content in 向量模型 on KnightLi的博客 Hugo -- gohugo.io zh-cn Thu, 23 Apr 2026 15:23:47 +0800 https://www.knightli.com/2026/04/23/compare-openai-bge-e5-gte-jina-embedding-models/ Thu, 23 Apr 2026 15:23:47 +0800 https://www.knightli.com/2026/04/23/compare-openai-bge-e5-gte-jina-embedding-models/ <p>做 RAG、语义搜索、知识库召回时，很多人一开始会纠结同一个问题：向量模型这么多，到底该选哪一个。</p> <p>常见模型大致可以分成两组。一组是通用文本向量，覆盖中英文和多语言任务；另一组更适合中文场景，重点看中文检索、中文问答和中文知识库效果。</p> <p>如果先给一个很短的结论，可以这样看：</p> <ul> <li>想省事、直接用 API：<code>text-embedding-3-small</code> 或 <code>text-embedding-3-large</code></li> <li>想做中文检索，且希望开源可自部署：<code>bge-base-zh-v1.5</code>、<code>bge-m3</code>、<code>gte-large-zh</code></li> <li>想兼顾多语言：<code>multilingual-e5-base</code>、<code>multilingual-e5-large</code>、<code>jina-embeddings-v3</code></li> <li>想在中文场景里压成本：<code>bge-small-zh-v1.5</code>、<code>gte-base-zh</code></li> </ul> <h2 id="一先按类型看这些模型">一、先按类型看这些模型 </h2><h3 id="1-openai-系列">1. OpenAI 系列 </h3><ul> <li><code>text-embedding-3-small</code></li> <li><code>text-embedding-3-large</code></li> </ul> <p>这类模型的特点是调用简单、稳定，适合直接接 API 做检索、RAG、分类和相似度匹配。它们的优势不在“某一个中文榜单分数特别高”，而在整体体验完整：接入门槛低、效果稳定、工程成本也低。</p> <p>如果团队不想自己托管模型、不想维护推理服务，OpenAI 这类方案通常最省时间。</p> <h3 id="2-bge-系列">2. BGE 系列 </h3><ul> <li><code>BAAI/bge-small-zh-v1.5</code></li> <li><code>BAAI/bge-base-zh-v1.5</code></li> <li><code>bge-m3</code></li> </ul> <p>BGE 是中文检索里很常见的一条线。<code>bge-small-zh-v1.5</code> 和 <code>bge-base-zh-v1.5</code> 更偏中文单语任务，适合中文语义搜索、知识库召回、FAQ 匹配。<code>bge-m3</code> 则更通用，能覆盖多语言、多粒度和更复杂的检索场景。</p> <p>如果你的数据主要是中文文本，BGE 往往是最容易进入候选名单的一组。</p> <h3 id="3-e5-系列">3. E5 系列 </h3><ul> <li><code>intfloat/multilingual-e5-base</code></li> <li><code>multilingual-e5-large</code></li> </ul> <p>E5 系列的特点是多语言能力比较均衡，适合中英混合、跨语种检索、国际化内容库。它不是只盯中文，而是更强调“不同语言都能放到一个统一检索体系里”。</p> <p>如果你的语料不是纯中文，而是中文、英文、日文甚至更多语言混在一起，E5 通常比中文专用模型更稳。</p> <h3 id="4-gte-系列">4. GTE 系列 </h3><ul> <li><code>Alibaba-NLP/gte-base-zh</code></li> <li><code>gte-large-zh</code></li> </ul> <p>GTE 在中文任务里也很常见，定位和 BGE 有点接近，都是中文检索的实用型选手。它的特点通常是比较平衡，没有特别复杂的使用门槛，适合做中文知识库、站内搜索和企业内部文档召回。</p> <p>如果你想在中文开源模型里多做一组对照，GTE 很值得一起评测。</p> <h3 id="5-jina-embeddings">5. Jina Embeddings </h3><ul> <li><code>jina-embeddings-v3</code></li> </ul> <p>Jina 这一类更偏通用和现代工程场景，常见于多语言检索、长文本、网页内容处理等任务。它经常出现在“一个模型覆盖更多任务形态”的讨论里，适合希望统一 embedding 层的团队。</p> <p>如果你的内容来源比较杂，既有网页、文档，也有多语言文本，Jina 往往是一个值得测试的备选。</p> <h2 id="二中文场景里哪些模型更常用">二、中文场景里，哪些模型更常用 </h2><p>如果把范围收窄到中文场景，常见候选基本就是这些：</p> <ul> <li><code>bge-small-zh-v1.5</code></li> <li><code>bge-base-zh-v1.5</code></li> <li><code>bge-m3</code></li> <li><code>gte-base-zh</code></li> <li><code>gte-large-zh</code></li> <li><code>multilingual-e5-base</code></li> <li><code>multilingual-e5-large</code></li> </ul> <p>这几类里，最典型的分法其实不是“谁绝对更强”，而是下面这三个问题：</p> <ol> <li>你的数据是不是以中文为主</li> <li>你是不是需要多语言</li> <li>你更在意效果、成本，还是部署方便</li> </ol> <h2 id="三把这些模型放在一起看">三、把这些模型放在一起看 </h2><h3 id="1-如果只看中文效果">1. 如果只看中文效果 </h3><p>纯中文知识库、中文问答、中文文档召回，一般优先看 BGE 和 GTE。</p> <ul> <li><code>bge-small-zh-v1.5</code>：更轻，适合成本敏感场景</li> <li><code>bge-base-zh-v1.5</code>：通常是中文场景里更均衡的一档</li> <li><code>gte-base-zh</code>：和轻量 BGE 类似，适合先做基线</li> <li><code>gte-large-zh</code>：更适合追求召回质量的场景</li> <li><code>bge-m3</code>：适合希望把中文检索和更复杂能力放到一起考虑的团队</li> </ul> <p>如果语料几乎全是中文，E5 虽然也能用，但很多时候不会是第一优先。</p> <h3 id="2-如果需要多语言">2. 如果需要多语言 </h3><p>这时优先级会明显变化。</p> <ul> <li><code>multilingual-e5-base</code> 和 <code>multilingual-e5-large</code> 更适合多语言统一检索</li> <li><code>jina-embeddings-v3</code> 也适合多语言和通用文本任务</li> <li><code>bge-m3</code> 比传统中文专用模型更适合扩展到多语言</li> <li><code>text-embedding-3-small</code> 和 <code>text-embedding-3-large</code> 适合想直接上 API 的场景</li> </ul> <p>如果你的库里同时有中文、英文、产品文档、网页文案和用户问题，多语言模型会比中文专用模型省掉很多后续改造成本。</p> <h3 id="3-如果要控制推理和存储成本">3. 如果要控制推理和存储成本 </h3><p>轻量模型更有优势。</p> <ul> <li><code>bge-small-zh-v1.5</code></li> <li><code>gte-base-zh</code></li> <li><code>multilingual-e5-base</code></li> <li><code>text-embedding-3-small</code></li> </ul> <p>这类模型通常更适合：</p> <ul> <li>文档量大</li> <li>更新频繁</li> <li>需要批量向量化</li> <li>对延迟和成本比较敏感</li> </ul> <p>如果数据规模很大，embedding 维度、推理速度、索引占用都会直接影响总成本，所以“先上小模型做基线”通常是更稳的做法。</p> <h3 id="4-如果优先追求上限">4. 如果优先追求上限 </h3><p>更大的模型通常更适合复杂检索或高质量召回，例如：</p> <ul> <li><code>text-embedding-3-large</code></li> <li><code>multilingual-e5-large</code></li> <li><code>gte-large-zh</code></li> <li><code>bge-base-zh-v1.5</code></li> <li><code>bge-m3</code></li> </ul> <p>但这里要注意，模型越大不代表线上体验一定越好。很多项目最后的瓶颈不是模型本身，而是切分策略、召回条数、重排、数据清洗和评测方式。</p> <h2 id="四每个模型更适合什么任务">四、每个模型更适合什么任务 </h2><table> <thead> <tr> <th>模型</th> <th>更适合的场景</th> <th>简单判断</th> </tr> </thead> <tbody> <tr> <td><code>text-embedding-3-small</code></td> <td>通用检索、RAG、快速接入</td> <td>API 省事，成本友好</td> </tr> <tr> <td><code>text-embedding-3-large</code></td> <td>更重视质量的通用检索</td> <td>效果优先，工程最省心</td> </tr> <tr> <td><code>bge-small-zh-v1.5</code></td> <td>中文轻量检索</td> <td>中文常用入门款</td> </tr> <tr> <td><code>bge-base-zh-v1.5</code></td> <td>中文知识库、FAQ、语义搜索</td> <td>中文场景很均衡</td> </tr> <tr> <td><code>bge-m3</code></td> <td>中文为主但希望兼顾更复杂检索</td> <td>扩展性更强</td> </tr> <tr> <td><code>multilingual-e5-base</code></td> <td>多语言基础检索</td> <td>国际化项目常用</td> </tr> <tr> <td><code>multilingual-e5-large</code></td> <td>多语言高质量召回</td> <td>更偏效果导向</td> </tr> <tr> <td><code>gte-base-zh</code></td> <td>中文轻量召回</td> <td>适合先做基线</td> </tr> <tr> <td><code>gte-large-zh</code></td> <td>中文质量优先场景</td> <td>可作为 BGE 对照组</td> </tr> <tr> <td><code>jina-embeddings-v3</code></td> <td>多语言、网页、通用文本任务</td> <td>统一 embedding 层时值得测</td> </tr> </tbody> </table> <h2 id="五实际选型时可以怎么决策">五、实际选型时可以怎么决策 </h2><p>如果你只是要落地，而不是写论文，选型顺序可以简单一点：</p> <h3 id="场景一中文知识库">场景一：中文知识库 </h3><p>优先测试这几组：</p> <ul> <li><code>bge-base-zh-v1.5</code></li> <li><code>gte-large-zh</code></li> <li><code>bge-small-zh-v1.5</code></li> </ul> <p>如果预算紧，先从小模型开始；如果更重视召回质量，再往更大的模型试。</p> <h3 id="场景二中英混合知识库">场景二：中英混合知识库 </h3><p>优先测试：</p> <ul> <li><code>multilingual-e5-base</code></li> <li><code>multilingual-e5-large</code></li> <li><code>text-embedding-3-small</code></li> <li><code>text-embedding-3-large</code></li> </ul> <p>如果不想自部署，OpenAI 会更直接；如果要自己托管，E5 更常见。</p> <h3 id="场景三中文为主但未来可能扩到多语言">场景三：中文为主，但未来可能扩到多语言 </h3><p>优先测试：</p> <ul> <li><code>bge-m3</code></li> <li><code>multilingual-e5-base</code></li> <li><code>jina-embeddings-v3</code></li> </ul> <p>这类场景最怕的是一开始只看中文，后面又要重做整个向量库。</p> <h2 id="六最后怎么选关键不是榜单第一">六、最后怎么选，关键不是“榜单第一” </h2><p>向量模型选型里，最容易踩的坑就是只看公开分数，然后直接上线。</p> <p>更靠谱的方式通常是：</p> <ol> <li>先挑 2 到 4 个候选模型</li> <li>用自己的真实数据做 embedding</li> <li>跑一轮召回评测</li> <li>再结合成本、延迟、部署方式做决定</li> </ol> <p>因为真正决定结果的，往往不是模型名本身，而是模型和你的语料、分块策略、查询形式到底合不合。</p> <h2 id="总结">总结 </h2><p>如果只想记住一版实用结论，可以这样：</p> <ul> <li>中文优先：先看 <code>bge-base-zh-v1.5</code>、<code>gte-large-zh</code></li> <li>成本优先：先看 <code>bge-small-zh-v1.5</code>、<code>gte-base-zh</code>、<code>text-embedding-3-small</code></li> <li>多语言优先：先看 <code>multilingual-e5-base</code>、<code>multilingual-e5-large</code>、<code>jina-embeddings-v3</code></li> <li>直接上 API：先看 <code>text-embedding-3-small</code>、<code>text-embedding-3-large</code></li> <li>想兼顾中文和后续扩展：先看 <code>bge-m3</code></li> </ul> <p>没有一个模型适合所有项目，但大多数项目都可以先从这几组里很快筛出第一批候选。</p>