2026 年中文 Embedding 模型选型指南

Thu, 12 Mar 2026 00:00:00 +0000

为什么 Embedding 选型很重要

RAG 系统的天花板在很大程度上由 Embedding 模型决定。Embedding 不准，后面的 Rerank 和生成再厉害也救不回来。

中文场景比英文复杂：词的边界模糊、同义词多、行业术语差异大，对模型的理解力要求更高。

下面整理目前（2026 年初）值得选用的中文 Embedding 模型，按使用场景分类。

通用首选：BGE 系列

智源（BAAI）出品，目前中文 Embedding 的事实标准。

主力型号：

bge-large-zh-v1.5：1024 维，1.3GB，通用场景最佳
bge-base-zh-v1.5：768 维，400MB，性能/速度平衡
bge-small-zh-v1.5：512 维，100MB，资源受限场景

特点：

C-MTEB 中文榜单长期前列
训练数据覆盖广，开箱即用
HuggingFace、ModelScope 都有，部署友好

典型用法：

from sentence_transformers import SentenceTransformer
model = SentenceTransformer('BAAI/bge-large-zh-v1.5')
embeddings = model.encode(texts, normalize_embeddings=True)

注意：BGE 在做相似度查询时，建议给 query 加前缀 "为这个句子生成表示以用于检索相关文章："，能提升 1-2 个点。

多语言场景：BGE-M3

如果业务有跨语言需求（中英混合查询、跨语言检索），BGE-M3 是最强选择。

核心特点：

同时支持稠密向量、稀疏向量、ColBERT-style 多向量
100+ 语言原生支持
单模型出三种检索信号，下游融合方便

适合场景：

跨境电商、出海业务
中英文混合的技术文档检索
需要多路召回的高级 RAG 系统

高性能选择：GTE 系列

阿里通义出品，性能在某些 benchmark 上反超 BGE。

Embedding on AI 拾遗笔记

2026 年中文 Embedding 模型选型指南

为什么 Embedding 选型很重要

通用首选：BGE 系列

多语言场景：BGE-M3

高性能选择：GTE 系列