一、嵌入模型榜单
1、MTEB:由hugface推出的嵌入模型评测榜单，公认性高。需要科学上网
二、选择标准
对于如何选择嵌入模型，一般来说标准都是不统一的，没有绝对的参考，需要考虑目标文本的语言类型，精度、性能、成本、语言适配、文档大小等等情况。下列描述仅是常见场景下的推荐，如遇特殊场景则需要结合多方面因素，慎重选择。
1. 语言与领域适配性
这是首要考量，模型必须能“看懂”你的数据。
语言匹配： 你的数据是中文、英文还是多语言混合？
中文场景：可以选择原生支持中文的模型，如 BAAI/bge-large-zh、M3E 或智源的 text2vec 系列。用专门的中文模型通常优于用翻译或通用模型。
多语言场景：如果数据包含多种语言（如英语+西班牙语），可以考虑多语言模型，如 intfloat/multilingual-e5-large 或 Cohere的embed-multilingual。
垂直领域： 数据是法律条文、医疗报告、金融研报还是代码？
通用领域：通用的 OpenAI Embeddings 或 BGE 通常表现不错。
特定领域：如果预算充足，可以在该领域的语料上微调（Fine-tune）一个开源模型，效果通常会明显好于通用模型。
2. 检索性能（Accuracy）
这是衡量模型质量最核心的指标。通常使用公开数据集（如MTEB、C-MTEB）的评测分数作为参考。
MTEB/C-MTEB 榜单：这是一个很好的参考点。可以查看模型在语义相似度、文本检索、文本分类等任务上的平均得分。
实际测试（金标准）：榜单分数高不代表在你的业务场景中一定最好。建议构建一个小型的“标杆测试集”，用真实数据跑一下召回率，看Top-K的准确率谁更高。
3. 嵌入维度与存储成本
嵌入维度直接决定了向量数据库的存储成本和检索速度。
高维（>1024维）：如OpenAI
text-embedding-3-large的3072维。优点是信息表征能力强；缺点是占用存储空间大，内存消耗高，检索延迟可能稍高。低维（<512维）：如某些轻量级模型。优点是速度快、存储便宜；缺点是可能损失部分精度。
动态维度/Matryoshka：这是OpenAI等采用的策略。模型训练时支持降维截断。可以先用高维嵌入存储，检索时用低维向量加速计算，灵活性较高。
4. 输入长度限制（Token限制）
决定了模型一次能处理多长的文本。
短文本（512 tokens以内）：适合处理搜索关键词、短查询、句子。
长文本（8k tokens以上）：如果需要处理长文档（如合同、论文），建议选择支持长上下文的模型，如Voyage-2（支持8k）或Jina AI（支持8k）。
策略提示：如果模型只支持短文本，但数据是长文档，通常需要先进行切片（Chunking），再分别嵌入。
5. 部署与推理成本
API调用（SaaS）：
优点：零运维，开箱即用，通常效果稳定。
缺点：数据需要出站，存在隐私合规风险；长期使用成本较高。
代表：OpenAI
text-embedding-3-small（性价比高）、Cohere Embed、智源API。
开源本地部署：
优点：数据安全，长线成本较低，可针对业务微调。
缺点：需要GPU资源，运维成本高。
代表：
BGE(BAAI)、E5(微软)、GTE(阿里)。
6. 特定需求
稀疏检索 vs 稠密检索：如果业务场景对关键词匹配（比如人名、编号）要求极高，单纯靠稠密嵌入可能会漏掉。此时可以考虑搭配Splade这样的模型，或者结合传统的BM25算法进行混合检索。
延迟要求：如果是面向C端的实时搜索，需要模型推理足够快。可以选择量化后的模型（如
int8或binary编码），或者直接选择维度较低的模型。
总结：决策流程图
可以参考这个思路来做选择：
第一步：看语言 -> 中文选
bge-zh/M3E；多语种选multilingual-e5。第二步：看数据隐私 -> 不能出内网选开源本地模型；能上云选
OpenAI/Cohere快速验证。第三步：看领域通用性 -> 通用数据直接榜单选高分；垂直领域建议微调。
第四步：看预算 -> 成本敏感且硬件有限，选小模型或
text-embedding-3-small；追求极致效果，考虑大模型或高维模型。
三、推荐模型
快速选型指南（基于上述表格）
如果你追求最高精度，且数据可上云：
选 OpenAI text-embedding-3-large。
如果你是中文项目，需要本地部署：
首选 BAAI/bge-large-zh-v1.5（精度优先）。
如果硬件资源有限，可选 M3E-base（轻量优先）。
如果你需要处理大量长文档（如财报、论文）：
本地部署选 jina-embeddings-v2-base-zh（中文）或 BAAI/bge-m3（多语言）。
API调用选 Cohere 或 Voyage。
如果你的数据是多语言混合（如中英文掺杂）：
本地部署选 intfloat/multilingual-e5-large 或 BAAI/bge-m3。
如果你是做代码搜索：
可以关注 Voyage-code 系列或 OpenAI 的嵌入模型
如果实在不知道如何选可以无脑：BGE-M3
