摘要：截至【2025-3-17】，较好的嵌入模型如图所示（详见技术博客：https://wqw547243068.GitHub.io/emb）。
使用RAG时，需要选择Embedding模型，将文本转为向量。
用什么模型？
Embedding排行榜（MTEB）（https://huggingface.co/spaces/mteb/leaderboard）
总结：榜单靠前的模型基本是NV-Embed、BGE（智源研究院）、GTE（阿里达摩）、Gemini（谷歌）几家
2025年6月6日凌晨，阿里开源 Qwen3 新模型 Embedding 及 Reranker，支持多语言。
Qwen3-Embedding系列模型：
文本嵌入：Qwen3-Embedding，型号有0.6B、4B和8B文本排序：Qwen3-Reranker，型号有0.6B、4B和8B详细参数如下图所示。
特点：
① 泛化性好：Qwen3-Embedding 系列在多个下游任务评估中领先。其中，8B 参数的 Embedding 模型在 MTEB 多语言 Leaderboard 榜单中位列第一（截至 2025 年 6 月 6 日，得分 70.58），超越众多商业 API 服务。此外，排序模型在各类文本检索场景中表现出色，显著提升了搜索结果的相关性。
② 模型架构灵活：Qwen3-Embedding 系列提供从 0.6B 到 8B 多种参数规模，以满足不同场景下的性能与效率需求。
此外，模型支持定制化：
表征维度自定义：允许用户根据实际需求调整表征维度，有效降低应用成本；指令适配优化：支持用户自定义指令模板，以提升特定任务、语言或场景下的性能表现。③ 多语言支持：Qwen3-Embedding 系列支持超过 100 种语言，涵盖主流自然语言及多种编程语言。具备强大的多语言、跨语言及代码检索能力，能够有效应对多语言场景下的数据处理需求。
多项基准测试中，Qwen3-Embedding 系列在文本表征和排序任务中，表现优异。
Qwen3-Embedding 4B和8B效果超过Gemini Embedding（实验组最佳）METB最新排名：
Qwen3-Embedding全家挤占了2-4名第一名还是Gemini，与自家测试结果有些差异Embedding 模型接收单段文本作为输入，取模型最后一层「EOS」标记对应的隐藏状态向量，作为输入文本的语义表示；
Reranker 模型则接收文本对（如用户查询与候选文档）作为输入，利用单塔结构计算并输出两个文本的相关性得分。
（5）附录ModelScope：
Hugging Face：
来源：鹤啸九天blog