做 RAG、語義搜尋、知識庫召回時，很多人一開始都會糾結同一個問題：向量模型這麼多，到底該選哪一個。

常見模型大致可以分成兩組。一組是通用文字向量，覆蓋中英文和多語言任務；另一組更適合中文場景，重點看中文檢索、中文問答和中文知識庫效果。

如果先給一個很短的結論，可以這樣看：

• 想省事、直接用 API：text-embedding-3-small 或 text-embedding-3-large
• 想做中文檢索，且希望開源可自部署：bge-base-zh-v1.5、bge-m3、gte-large-zh
• 想兼顧多語言：multilingual-e5-base、multilingual-e5-large、jina-embeddings-v3
• 想在中文場景裡壓低成本：bge-small-zh-v1.5、gte-base-zh

一、先按類型看這些模型

1. OpenAI 系列

• text-embedding-3-small
• text-embedding-3-large

這類模型的特點是調用簡單、穩定，適合直接接 API 做檢索、RAG、分類和相似度匹配。它們的優勢不在於「某一個中文榜單分數特別高」，而在整體體驗完整：接入門檻低、效果穩定、工程成本也低。

如果團隊不想自己託管模型、不想維護推理服務，OpenAI 這類方案通常最省時間。

2. BGE 系列

• BAAI/bge-small-zh-v1.5
• BAAI/bge-base-zh-v1.5
• bge-m3

BGE 是中文檢索裡很常見的一條線。bge-small-zh-v1.5 和 bge-base-zh-v1.5 更偏中文單語任務，適合中文語義搜尋、知識庫召回、FAQ 匹配。bge-m3 則更通用，能覆蓋多語言、多粒度和更複雜的檢索場景。

如果你的資料主要是中文文本，BGE 往往是最容易進入候選名單的一組。

3. E5 系列

• intfloat/multilingual-e5-base
• multilingual-e5-large

E5 系列的特點是多語言能力比較均衡，適合中英混合、跨語種檢索、國際化內容庫。它不是只盯中文，而是更強調「不同語言都能放到一個統一檢索體系裡」。

如果你的語料不是純中文，而是中文、英文、日文甚至更多語言混在一起，E5 通常比中文專用模型更穩。

4. GTE 系列

• Alibaba-NLP/gte-base-zh
• gte-large-zh

GTE 在中文任務裡也很常見，定位和 BGE 有點接近，都是中文檢索的實用型選手。它的特點通常是比較平衡，沒有特別複雜的使用門檻，適合做中文知識庫、站內搜尋和企業內部文件召回。

如果你想在中文開源模型裡多做一組對照，GTE 很值得一起評測。

5. Jina Embeddings

• jina-embeddings-v3

Jina 這一類更偏通用和現代工程場景，常見於多語言檢索、長文字、網頁內容處理等任務。它經常出現在「一個模型覆蓋更多任務形態」的討論裡，適合希望統一 embedding 層的團隊。

如果你的內容來源比較雜，既有網頁、文件，也有多語言文本，Jina 往往是一個值得測試的備選。

二、中文場景裡，哪些模型更常用

如果把範圍收窄到中文場景，常見候選基本就是這些：

• bge-small-zh-v1.5
• bge-base-zh-v1.5
• bge-m3
• gte-base-zh
• gte-large-zh
• multilingual-e5-base
• multilingual-e5-large

這幾類裡，最典型的分法其實不是「誰絕對更強」，而是下面這三個問題：

1. 你的資料是不是以中文為主
2. 你是不是需要多語言
3. 你更在意效果、成本，還是部署方便

三、把這些模型放在一起看

1. 如果只看中文效果

純中文知識庫、中文問答、中文文件召回，一般優先看 BGE 和 GTE。

• bge-small-zh-v1.5：更輕，適合成本敏感場景
• bge-base-zh-v1.5：通常是中文場景裡更均衡的一檔
• gte-base-zh：和輕量 BGE 類似，適合先做基線
• gte-large-zh：更適合追求召回品質的場景
• bge-m3：適合希望把中文檢索和更複雜能力放到一起考慮的團隊

如果語料幾乎全是中文，E5 雖然也能用，但很多時候不會是第一優先。

2. 如果需要多語言

這時優先級會明顯變化。

• multilingual-e5-base 和 multilingual-e5-large 更適合多語言統一檢索
• jina-embeddings-v3 也適合多語言和通用文字任務
• bge-m3 比傳統中文專用模型更適合擴展到多語言
• text-embedding-3-small 和 text-embedding-3-large 適合想直接上 API 的場景

如果你的庫裡同時有中文、英文、產品文件、網頁文案和使用者問題，多語言模型會比中文專用模型省掉很多後續改造成本。

3. 如果要控制推理和儲存成本

輕量模型更有優勢。

• bge-small-zh-v1.5
• gte-base-zh
• multilingual-e5-base
• text-embedding-3-small

這類模型通常更適合：

• 文件量大
• 更新頻繁
• 需要批量向量化
• 對延遲和成本比較敏感

如果資料規模很大，embedding 維度、推理速度、索引占用都會直接影響總成本，所以「先上小模型做基線」通常是更穩的做法。

4. 如果優先追求上限

更大的模型通常更適合複雜檢索或高品質召回，例如：

• text-embedding-3-large
• multilingual-e5-large
• gte-large-zh
• bge-base-zh-v1.5
• bge-m3

但這裡要注意，模型越大不代表線上體驗一定越好。很多專案最後的瓶頸不是模型本身，而是切分策略、召回條數、重排、資料清洗和評測方式。

四、每個模型更適合什麼任務

五、實際選型時可以怎麼決策

如果你只是要落地，而不是寫論文，選型順序可以簡單一點：

場景一：中文知識庫

優先測試這幾組：

• bge-base-zh-v1.5
• gte-large-zh
• bge-small-zh-v1.5

如果預算緊，先從小模型開始；如果更重視召回品質，再往更大的模型試。

場景二：中英混合知識庫

優先測試：

• multilingual-e5-base
• multilingual-e5-large
• text-embedding-3-small
• text-embedding-3-large

如果不想自部署，OpenAI 會更直接；如果要自己託管，E5 更常見。

場景三：中文為主，但未來可能擴到多語言

優先測試：

• bge-m3
• multilingual-e5-base
• jina-embeddings-v3

這類場景最怕的是一開始只看中文，後面又要重做整個向量庫。

六、最後怎麼選，關鍵不是「榜單第一」

向量模型選型裡，最容易踩的坑就是只看公開分數，然後直接上線。

更可靠的方式通常是：

1. 先挑 2 到 4 個候選模型
2. 用自己的真實資料做 embedding
3. 跑一輪召回評測
4. 再結合成本、延遲、部署方式做決定

因為真正決定結果的，往往不是模型名本身，而是模型和你的語料、分塊策略、查詢形式到底合不合。

總結

如果只想記住一版實用結論，可以這樣：

• 中文優先：先看 bge-base-zh-v1.5、gte-large-zh
• 成本優先：先看 bge-small-zh-v1.5、gte-base-zh、text-embedding-3-small
• 多語言優先：先看 multilingual-e5-base、multilingual-e5-large、jina-embeddings-v3
• 直接上 API：先看 text-embedding-3-small、text-embedding-3-large
• 想兼顧中文和後續擴展：先看 bge-m3

沒有一個模型適合所有專案，但大多數專案都可以先從這幾組裡很快篩出第一批候選。