Embedding 模型怎么选？bge-m3 / gte / jina 区别？

题目

RAG 系统选 Embedding 模型是关键决策。请说明 bge-m3、gte、jina 等主流模型的区别与选型原则。

参考答案

主流 Embedding 模型：

模型	出品	特点	维度
bge-m3	智源	稠密+稀疏+多向量三合一，支持 100+ 语言、8192 长文本	1024
bge-large-zh	智源	中文专精，强 baseline	1024
gte	阿里	多语言，性能稳定	768/1024
jina-embeddings-v3	Jina	长文本友好（8192），多语言	1024
text-embedding-3	OpenAI	闭源 API，Matryoshka 维度可调	1536/3072
e5 / multilingual-e5	微软	多语言经典 baseline	768/1024

关键选型维度：

1. 语言：中文场景优先 bge-zh、gte-zh；多语言用 bge-m3、multilingual-e5。
2. 文本长度：超长文档用 bge-m3、jina-v3（8192），短文本无需。
3. 检索类型：
   • 仅稠密：bge-large、gte。
   • 混合检索（稠密+稀疏+多向量）：bge-m3 一站式。
4. 部署：开源（bge/gte/jina/e5）可本地部署；闭源（OpenAI/Cohere）省事但有成本与隐私。
5. 维度：高维精度高但存储大；Matryoshka embedding 可截断用低维省存储。

bge-m3 的特殊价值：

• 三合一：同时输出稠密向量、稀疏（词级权重）、ColBERT 风格多向量。
• 一次推理即可做混合检索（稠密语义 + 稀疏字面 + 多向量精排），是 RAG 的瑞士军刀。
• 8192 长上下文，长文档无需切太碎。

Matryoshka Embedding：

• 训练时同时在多个维度截断点算损失，使前 N 维就是有效向量。
• 部署时可按需截断（如用前 256 维省存储），精度平滑下降。
• OpenAI text-embedding-3、bge-m3 都支持。

评测参考：MTEB / C-MTEB 榜单是 Embedding 性能的事实参考，但要注意：

• 榜单可能与业务分布不符，需在自有数据上评测。
• 召回率（Recall@K）比榜单分数更贴近 RAG 实战。

面试加分点：

• 强调”换 Embedding 是 RAG 优化高性价比手段”，但加 rerank 常比换 embedding 收益更大。
• 中文场景 bge 系列长期霸榜 C-MTEB，是默认选择。
• Embedding 模型更新快，需定期复评是否换新。

出处：MTEB/C-MTEB 榜单、bge-m3 模型卡、RAG 实战面经。