https://www.knightli.com/zh-tw/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-tw Thu, 23 Apr 2026 15:23:47 +0800 https://www.knightli.com/zh-tw/2026/04/23/compare-openai-bge-e5-gte-jina-embedding-models/ Thu, 23 Apr 2026 15:23:47 +0800 https://www.knightli.com/zh-tw/2026/04/23/compare-openai-bge-e5-gte-jina-embedding-models/ <p>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。</p> <p>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。</p> <p>如果先給一個很短的結論，可以這樣看：</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>想做中文檢索，且希望開源可自部署：<code>bge-base-zh-v1.5</code>、<code>bge-m3</code>、<code>gte-large-zh</code></li> <li>想兼顧多語言：<code>multilingual-e5-base</code>、<code>multilingual-e5-large</code>、<code>jina-embeddings-v3</code></li> <li>想在中文場景裡壓低成本：<code>bge-small-zh-v1.5</code>、<code>gte-base-zh</code></li> </ul> <h2 id="一先按類型看這些模型">一、先按類型看這些模型 </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>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。</p> <p>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。</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 是中文檢索裡很常見的一條線。<code>bge-small-zh-v1.5</code> 和 <code>bge-base-zh-v1.5</code> 更偏中文單語任務，適合中文語義搜尋、知識庫召回、FAQ 匹配。<code>bge-m3</code> 則更通用，能覆蓋多語言、多粒度和更複雜的檢索場景。</p> <p>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。</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」。</p> <p>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。</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。</p> <p>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。</p> <h3 id="5-jina-embeddings">5. Jina Embeddings </h3><ul> <li><code>jina-embeddings-v3</code></li> </ul> <p>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。</p> <p>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。</p> <h2 id="二中文場景裡哪些模型更常用">二、中文場景裡，哪些模型更常用 </h2><p>如果把範圍收窄到中文場景，常見候選基本就是這些：</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>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：</p> <ol> <li>你的資料是不是以中文為主</li> <li>你是不是需要多語言</li> <li>你更在意效果、成本，還是部署方便</li> </ol> <h2 id="三把這些模型放在一起看">三、把這些模型放在一起看 </h2><h3 id="1-如果只看中文效果">1. 如果只看中文效果 </h3><p>純中文知識庫、中文問答、中文文件召回，一般優先看 BGE 和 GTE。</p> <ul> <li><code>bge-small-zh-v1.5</code>：更輕，適合成本敏感場景</li> <li><code>bge-base-zh-v1.5</code>：通常是中文場景裡更均衡的一檔</li> <li><code>gte-base-zh</code>：和輕量 BGE 類似，適合先做基線</li> <li><code>gte-large-zh</code>：更適合追求召回品質的場景</li> <li><code>bge-m3</code>：適合希望把中文檢索和更複雜能力放到一起考慮的團隊</li> </ul> <p>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。</p> <h3 id="2-如果需要多語言">2. 如果需要多語言 </h3><p>這時優先級會明顯變化。</p> <ul> <li><code>multilingual-e5-base</code> 和 <code>multilingual-e5-large</code> 更適合多語言統一檢索</li> <li><code>jina-embeddings-v3</code> 也適合多語言和通用文字任務</li> <li><code>bge-m3</code> 比傳統中文專用模型更適合擴展到多語言</li> <li><code>text-embedding-3-small</code> 和 <code>text-embedding-3-large</code> 適合想直接上 API 的場景</li> </ul> <p>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。</p> <h3 id="3-如果要控制推理和儲存成本">3. 如果要控制推理和儲存成本 </h3><p>輕量模型更有優勢。</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>這類模型通常更適合：</p> <ul> <li>文件量大</li> <li>更新頻繁</li> <li>需要批量向量化</li> <li>對延遲和成本比較敏感</li> </ul> <p>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。</p> <h3 id="4-如果優先追求上限">4. 如果優先追求上限 </h3><p>更大的模型通常更適合複雜檢索或高品質召回，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。</p> <h2 id="四每個模型更適合什麼任務">四、每個模型更適合什麼任務 </h2><table> <thead> <tr> <th>模型</th> <th>更適合的場景</th> <th>簡單判斷</th> </tr> </thead> <tbody> <tr> <td><code>text-embedding-3-small</code></td> <td>通用檢索、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>更重視品質的通用檢索</td> <td>效果優先，工程最省心</td> </tr> <tr> <td><code>bge-small-zh-v1.5</code></td> <td>中文輕量檢索</td> <td>中文常用入門款</td> </tr> <tr> <td><code>bge-base-zh-v1.5</code></td> <td>中文知識庫、FAQ、語義搜尋</td> <td>中文場景很均衡</td> </tr> <tr> <td><code>bge-m3</code></td> <td>中文為主但希望兼顧更複雜檢索</td> <td>擴展性更強</td> </tr> <tr> <td><code>multilingual-e5-base</code></td> <td>多語言基礎檢索</td> <td>國際化專案常用</td> </tr> <tr> <td><code>multilingual-e5-large</code></td> <td>多語言高品質召回</td> <td>更偏效果導向</td> </tr> <tr> <td><code>gte-base-zh</code></td> <td>中文輕量召回</td> <td>適合先做基線</td> </tr> <tr> <td><code>gte-large-zh</code></td> <td>中文品質優先場景</td> <td>可作為 BGE 對照組</td> </tr> <tr> <td><code>jina-embeddings-v3</code></td> <td>多語言、網頁、通用文字任務</td> <td>統一 embedding 層時值得測</td> </tr> </tbody> </table> <h2 id="五實際選型時可以怎麼決策">五、實際選型時可以怎麼決策 </h2><p>如果你只是要落地，而不是寫論文，選型順序可以簡單一點：</p> <h3 id="場景一中文知識庫">場景一：中文知識庫 </h3><p>優先測試這幾組：</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。</p> <h3 id="場景二中英混合知識庫">場景二：中英混合知識庫 </h3><p>優先測試：</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 會更直接；如果要自己託管，E5 更常見。</p> <h3 id="場景三中文為主但未來可能擴到多語言">場景三：中文為主，但未來可能擴到多語言 </h3><p>優先測試：</p> <ul> <li><code>bge-m3</code></li> <li><code>multilingual-e5-base</code></li> <li><code>jina-embeddings-v3</code></li> </ul> <p>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。</p> <h2 id="六最後怎麼選關鍵不是榜單第一">六、最後怎麼選，關鍵不是「榜單第一」 </h2><p>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。</p> <p>更可靠的方式通常是：</p> <ol> <li>先挑 2 到 4 個候選模型</li> <li>用自己的真實資料做 embedding</li> <li>跑一輪召回評測</li> <li>再結合成本、延遲、部署方式做決定</li> </ol> <p>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。</p> <h2 id="總結">總結 </h2><p>如果只想記住一版實用結論，可以這樣：</p> <ul> <li>中文優先：先看 <code>bge-base-zh-v1.5</code>、<code>gte-large-zh</code></li> <li>成本優先：先看 <code>bge-small-zh-v1.5</code>、<code>gte-base-zh</code>、<code>text-embedding-3-small</code></li> <li>多語言優先：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>想兼顧中文和後續擴展：先看 <code>bge-m3</code></li> </ul> <p>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。</p>