向量模型选型指南
向量模型选型指南
本指南整合了从模型能力对比、通用选型方法、场景化选型到企业私有化部署的全流程内容，覆盖个人开发到企业级应用的所有核心需求，所有开源模型均支持 Ollama 一键部署，适配本地私有化场景。
一、全主流向量嵌入模型核心能力对比
1.1 初始核心模型基础对比
针对 Ollama 原生支持的 4 款核心模型，基础参数与能力对比如下：
| 模型名称 | 参数量 | Ollama 本地体积 | 最大上下文窗口 | 输出向量维度 | 核心语言支持 | 核心架构 |
|---|---|---|---|---|---|---|
| shaw/dmeta-embedding-zh | 102M | 408MB | 1024 tokens | 1024 维 | 中文专属优化 | BERT |
| snowflake-arctic-embed | 335M | 669MB | 512 tokens（v2 版 2048） | 1024 维 | 英文为主，v2 支持多语言 | BERT-base |
| mxbai-embed-large | 335M | 669MB | 512 tokens | 1024 维（支持 MRL 可变维度） | 50 + 多语言，中英均衡 | BERT |
| bge-m3 | 567M | 1.2GB | 8192 tokens | 1024 维 | 100 + 多语言，中文深度优化 | RoBERTa 双塔 Transformer |
1.2 新增常用模型后的全量对比
1.2.1 开源可本地部署（Ollama 全支持）核心模型
| 模型名称 | 参数量 | Ollama 本地体积 | 最大上下文窗口 | 输出向量维度 | 核心语言支持 | 核心架构 | CMTEB/MTEB 核心榜单表现 |
|---|---|---|---|---|---|---|---|
| bge-m3 | 567M | 1.2GB | 8192 tokens | 1024 维 | 100 + 多语言，中文深度优化 | RoBERTa 双塔 Transformer | CMTEB 中文榜单 TOP3，MTEB 多语言综合得分 67.5+ |
| bge-large-zh-v1.5 | 335M | 1.3GB | 512 tokens | 1024 维 | 中文专属优化 | BERT-large | CMTEB 中文榜单长期稳居 TOP2，短文本检索精度拉满 |
| shaw/dmeta-embedding-zh | 102M | 408MB | 1024 tokens | 1024 维 | 中文专属优化 | BERT | CMTEB 中文榜单 TOP5，同体量轻量模型中文精度第一梯队 |
| gte-large-zh | 335M | 669MB | 512 tokens | 1024 维 | 中文专属优化 | BERT-large | CMTEB 中文榜单与 BGE 系列持平，电商 / 垂类场景泛化性极强 |
| mxbai-embed-large | 335M | 669MB | 512 tokens | 1024 维（支持 MRL 可变维度） | 50 + 多语言，中英均衡 | BERT | MTEB 综合得分 0.815，英文顶尖，中文可用，多语言均衡 |
| snowflake-arctic-embed | 335M | 669MB | 512 tokens（v2 版 2048） | 1024 维 | 英文为主，v2 支持多语言 | BERT-base | MTEB 英文榜单 TOP 级，同体量英文精度超 OpenAI ada-002 |
| jina-embeddings-v2-base-zh | 137M | 500MB | 8192 tokens | 768 维 | 中英双语深度优化 | ALiBi BERT | MTEB 多语言榜单前列，8k 长文本中文检索精度开源第一梯队 |
| nomic-embed-text-v1.5 | 137M | 274MB | 8192 tokens | 768 维 | 100 + 多语言，英文为主 | BERT | MTEB 综合榜单稳居 TOP10，开源轻量模型通用能力天花板 |
| zhipu-embedding-2 | 110M | 450MB | 4096 tokens | 1024 维 | 中英双语均衡 | RoBERTa | CMTEB 中文榜单 TOP10，中英混合场景泛化性优秀 |
1.2.2 主流商用 API 向量模型核心对比
| 模型名称 | 服务商 | 最大上下文窗口 | 输出向量维度 | 核心语言支持 | 核心优势 | 计费标准（参考） |
|---|---|---|---|---|---|---|
| text-embedding-3-large | OpenAI | 8191 tokens | 3072 维（可调） | 100 + 多语言 | 全球行业精度标杆，跨语言 / 歧义句匹配能力无对手 | 约 0.13 元 / 千 tokens |
| text-embedding-3-small | OpenAI | 8191 tokens | 1536 维（可调） | 100 + 多语言 | 极致性价比，轻量场景精度足够，延迟极低 | 约 0.02 元 / 千 tokens |
| 通义文本嵌入 text-embedding-v2 | 阿里云 | 4096 tokens | 1536 维 | 中英双语深度优化 | 国内商用第一梯队，中文精度比肩 BGE，生态完善 | 约 0.007 元 / 千 tokens |
| 混元文本嵌入模型 | 腾讯云 | 4096 tokens | 1024 维 | 中英双语 | 国内大厂高性价比首选，泛化性强，适配国内业务场景 | 约 0.006 元 / 千 tokens |
| 文心千帆 Embedding-V1 | 百度智能云 | 384 tokens | 384/1024 维 | 中文专属优化 | 中文垂类场景适配好，企业级服务支持完善 | 约 0.012 元 / 千 tokens |
1.3 全模型核心能力维度深度对比
1.3.1 中文语义检索精度
第一梯队（天花板级）：bge-m3、bge-large-zh-v1.5、gte-large-zh、OpenAI text-embedding-3-large、通义 text-embedding-v2
第二梯队（均衡可用）：shaw/dmeta-embedding-zh、zhipu-embedding-2、mxbai-embed-large、jina-embeddings-v2-base-zh
第三梯队（中文适配弱）：snowflake-arctic-embed、nomic-embed-text-v1.5
1.3.2 长文本处理能力
绝对领先：bge-m3、jina-embeddings-v2-base-zh、nomic-embed-text-v1.5、OpenAI 全系列（8192+ tokens）
中等水平：zhipu-embedding-2、通义 text-embedding-v2、腾讯混元 embedding、shaw/dmeta-embedding-zh（1024-4096 tokens）
短板明显：bge-large-zh-v1.5、gte-large-zh、mxbai-embed-large、snowflake-arctic-embed、文心千帆 Embedding-V1（≤512 tokens）
1.3.3 本地部署推理效率与资源占用
极致轻量（低配设备首选）：nomic-embed-text-v1.5（274MB）、shaw/dmeta-embedding-zh（408MB）、zhipu-embedding-2（450MB）
均衡高效（主流设备适配）：gte-large-zh、mxbai-embed-large、snowflake-arctic-embed、jina-embeddings-v2-base-zh（500-700MB）
高资源需求（追求极致精度）：bge-m3（1.2GB）、bge-large-zh-v1.5（1.3GB）
1.3.4 功能丰富度与场景适配性
全场景全能型：bge-m3、OpenAI text-embedding-3-large
灵活性拉满型：mxbai-embed-large、OpenAI 全系列
垂直场景专精型：bge-large-zh-v1.5、gte-large-zh、shaw/dmeta-embedding-zh、snowflake-arctic-embed
长文本通用型：jina-embeddings-v2-base-zh、nomic-embed-text-v1.5
二、通用向量模型选型方法论
核心原则：没有绝对最好的向量模型，只有 100% 适配你的「场景约束、硬件条件、业务数据」的最优解。
2.1 第一步：用「硬约束条件」做第一轮排除
| 约束维度 | 核心判断标准 | 直接排除规则 |
|---|---|---|
| 部署方式 | 商用 API 调用 OR 本地离线部署？ | 必须离线部署→排除所有商用 API 模型；仅接受开箱即用→优先商用 API |
| 硬件资源 | 最终运行的设备配置 | 低配 Windows / 无独显 / 内存 <8G→排除体积> 1GB 的模型；入门独显 / 内存 8-16G→可选 500MB-1GB 均衡款；服务器 / 高端独显→无体积限制 |
| 核心语言 | 主要处理的文本语言 | 纯中文场景→排除英文为主的模型；纯英文场景→排除仅中文小众优化的模型 |
| 文本长度 | 单条核心文本的平均长度 | 长文档（>2000 字）→必须选 > 4096 tokens 上下文的模型；短句 / FAQ→无上下文限制 |
| 商用合规 | 是否用于企业商用项目 | 商用场景→排除无商用授权、协议不明确的模型 |
2.2 第二步：锚定「核心业务场景」，锁定选型优先级
| 核心业务场景 | 选型优先级排序 |
|---|---|
| 知识库 RAG（最主流） | 语义检索精度 > 上下文窗口长度 > 语言适配性 > 推理速度 |
| 语义检索 / 站内搜索 | 检索泛化性 > 混合召回能力 > 检索延迟 > 长文本支持 |
| 聚类 / 分类 / 内容推荐 | 向量空间质量 > 可变维度支持 > 批量推理速度 > 单条精度 |
| 本地轻量化 / 边缘设备部署 | 模型体积 / 参数量 > CPU 推理速度 > 内存 / 显存占用 > 精度 |
| 企业级规模化商用部署 | 商用合规性 > SLA 稳定性 > 成本性价比 > 生态兼容性 > 精度 |
2.3 第三步：用「自有业务数据」实测，锁定最终模型
⚠️ 避坑核心：CMTEB/MTEB 榜单分数只是通用参考，和你的业务场景效果没有绝对关联，必须用自己的数据实测。
针对 Ollama 用户的极简实测方案：
准备测试集：抽取 50-100 条真实用户 query，人工标注标准答案
统一测试环境：用最终部署的设备，保持 Ollama 运行环境一致
必测核心指标：召回率 @5/10、单条嵌入耗时、批量吞吐量、内存 / 显存峰值
场景专项测试：歧义句匹配、长文本一致性、垂类泛化性
2.4 第四步：落地前的补充考量
生态兼容性：优先选择和主流框架、向量数据库原生兼容的模型
向量存储成本：维度越高，存储和检索成本越高，百万级向量库优先可变维度模型
维护与迭代：优先选官方持续维护、社区活跃度高的模型
可扩展性：后续业务量上涨，模型能否支持并发扩容、分布式部署
2.5 现成选型方案（直接抄作业）
| 场景 | 首选模型 | 备选模型 |
|---|---|---|
| 低配 Windows 本地纯中文轻量 RAG | shaw/dmeta-embedding-zh | zhipu-embedding-2 |
| 本地长文档中文 RAG / 文档检索 | jina-embeddings-v2-base-zh | bge-m3 |
| 中小型生产环境中文知识库 RAG | bge-large-zh-v1.5 | gte-large-zh |
| 企业级高精度长文档中文 RAG | bge-m3 | 阿里云通义 text-embedding-v2 |
| 中英混合多语言场景 | mxbai-embed-large | OpenAI text-embedding-3-small |
| 纯英文海外业务场景 | snowflake-arctic-embed | nomic-embed-text-v1.5 |
2.6 通用避坑指南
不要盲目追榜单最高分
不要盲目选大参数量模型
不要忽略上下文窗口限制
商用场景不要忽略开源协议
不要忽略向量维度的成本
三、个人快速开发 VS 企业级应用 场景化选型
3.1 核心选型逻辑总览
| 对比维度 | 个人快速开发 | 企业级应用 |
|---|---|---|
| 核心目标 | 快速跑通 demo、验证想法、低成本上手 | 生产环境稳定运行、高业务匹配度、合规可控 |
| 核心约束 | 本地硬件配置、开发时间成本、零运维复杂度 | 数据安全合规、SLA 可用性、并发性能、成本管控 |
| 选型优先级 | 上手难度 > 资源占用 > 开箱即用性 > 基础精度 | 业务匹配精度 > 合规性 > 稳定性 / 可扩展性 > 成本 |
| 部署方式偏好 | 本地离线部署（Ollama 优先）、零配置 | 私有化部署 / 商用 API、可监控、可扩容 |
| 合规要求 | 无（个人非商用） | 极高（商用授权、数据安全、等保合规） |
3.2 个人快速开发场景选型
3.2.1 核心选型铁则
优先 Ollama 原生支持，一条命令拉取运行
优先适配当前硬件，低配 Windows 优先 < 500MB 轻量模型
优先 “全能够用”，避免频繁换模型
优先中文友好，开箱即用
3.2.2 个人场景模型对比
| 模型名称 | Ollama 原生支持 | 本地体积 | 最低硬件要求 | 上手难度 | 核心优势 | 适配子场景 | 推荐星级 |
|---|---|---|---|---|---|---|---|
| shaw/dmeta-embedding-zh | 是 | 408MB | 4G 内存、CPU 即可 | ★☆☆☆☆ | 极致轻量、中文优化拉满 | 低配 Windows、纯中文轻量 RAG demo | ★★★★★ |
| mxbai-embed-large | 是 | 669MB | 8G 内存、CPU / 入门独显 | ★☆☆☆☆ | 中英双语均衡、可变维度 | 中英混合 demo、多语言原型 | ★★★★★ |
| bge-m3 | 是 | 1.2GB | 8G 内存、推荐 4G 以上独显 | ★☆☆☆☆ | 开源全能天花板、中文精度顶尖 | 长文档 RAG、高精度 demo | ★★★★☆ |
| nomic-embed-text-v1.5 | 是 | 274MB | 4G 内存、CPU 即可 | ★☆☆☆☆ | 极致轻量、8k 长上下文、多语言 | 纯英文 / 多语言 demo、长文本轻量检索 | ★★★★☆ |
| jina-embeddings-v2-base-zh | 是 | 500MB | 8G 内存、CPU / 入门独显 | ★☆☆☆☆ | 8k 长文本中文优化、中英均衡 | 长文档 / 书籍 / 合同检索 demo | ★★★★☆ |
| bge-large-zh-v1.5 | 是 | 1.3GB | 16G 内存 / 6G 以上独显 | ★★☆☆☆ | 中文短文本检索精度天花板 | 高精度中文短文本 FAQ / 客服问答 demo | ★★★☆☆ |
| snowflake-arctic-embed | 是 | 669MB | 8G 内存、CPU 即可 | ★☆☆☆☆ | 英文检索精度顶尖、速度快 | 纯英文海外场景 demo | ★★★☆☆ |
3.2.3 子场景精准选型
10 分钟跑通纯中文 RAG demo：
shaw/dmeta\-embedding\-zh，部署命令：ollama pull shaw/dmeta\-embedding\-zh长文档中文检索 / 书籍问答 demo：
jina\-embeddings\-v2\-base\-zh，备选：bge\-m3中英混合 / 多语言场景 demo：
mxbai\-embed\-large，备选：nomic\-embed\-text\-v1\.5全能型个人项目：
bge\-m3纯英文海外场景 demo：
snowflake\-arctic\-embed，备选：nomic\-embed\-text\-v1\.5
3.2.4 个人开发避坑指南
不要盲目上大参数量模型，低配设备会卡顿
不要为了榜单高分选小众模型，避免兼容问题
长文本场景不要选 512 tokens 的模型
不要频繁切换模型，先跑通全流程再优化
3.3 企业级应用场景选型
3.3.1 核心选型铁则
合规第一：必须有明确的商用授权
业务优先：所有选型围绕核心业务场景
稳定可控：优先社区活跃、官方持续维护的模型
可扩展性：必须支持高并发、分布式部署
成本可控：兼顾部署、存储、运维全链路成本
3.3.2 企业部署路线说明
| 部署路线 | 适用企业场景 | 核心优势 |
|---|---|---|
| 开源私有化部署 | 数据敏感、等保合规要求、有运维能力、长期大规模使用 | 数据完全可控、无 API 调用成本、可定制微调、无外网依赖 |
| 商用 API 服务 | 快速上线、无运维能力、业务量波动大、无敏感数据 | 开箱即用、SLA 保障、弹性扩容、免运维、持续官方迭代 |
3.3.3 开源私有化部署企业模型对比
| 模型名称 | 商用授权 | 核心精度等级 | 最大上下文 | 核心优势 | 企业级适配能力 | 适配子场景 | 推荐星级 |
|---|---|---|---|---|---|---|---|
| bge-m3 | Apache 2.0 | 中文天花板级 | 8192 tokens | 中文精度顶尖、三合一检索、8k 长文本 | 支持分布式部署、可微调、全框架兼容 | 全场景企业级知识库 RAG、长文档检索 | ★★★★★ |
| bge-large-zh-v1.5 | Apache 2.0 | 中文短文本 SOTA | 512 tokens | 中文短文本检索精度天花板、泛化性强 | 支持分布式部署、工业级微调方案成熟 | 短文本 FAQ / 客服知识库、垂类领域检索 | ★★★★★ |
| jina-embeddings-v2-base-zh | Apache 2.0 | 中文长文本 SOTA | 8192 tokens | 8k 长上下文中文深度优化、推理效率高 | 支持分布式部署、官方企业级支持 | 长文档 / 合同 / 法律文书检索 | ★★★★☆ |
| mxbai-embed-large | Apache 2.0 | 多语言均衡级 | 512 tokens | 50 + 多语言、MRL 可变维度、存储成本灵活 | 支持维度压缩、分布式部署 | 中英混合多语言业务、大规模向量库 | ★★★★☆ |
| nomic-embed-text-v1.5 | Apache 2.0 | 多语言通用级 | 8192 tokens | 100 + 多语言、8k 长上下文、高吞吐 | 支持分布式部署、高并发优化 | 全球化多语言业务、轻量私有化部署 | ★★★★☆ |
3.3.4 商用 API 服务企业模型对比
| 模型名称 | 服务商 | 商用合规性 | 最大上下文 | 核心优势 | 企业级 SLA | 适配子场景 | 推荐星级 |
|---|---|---|---|---|---|---|---|
| 通义文本嵌入 text-embedding-v2 | 阿里云 | 完全合规 | 4096 tokens | 中文精度比肩 BGE、国内生态最完善 | 99.9% 可用性、弹性扩容 | 国内企业全场景商用、阿里云生态业务 | ★★★★★ |
| text-embedding-3-large | OpenAI | 全球商用合规 | 8191 tokens | 全球精度标杆、跨语言能力无对手 | 99.9% 可用性、全球节点覆盖 | 全球化多语言业务、高精度复杂语义检索 | ★★★★★ |
| text-embedding-3-small | OpenAI | 全球商用合规 | 8191 tokens | 极致性价比、轻量场景精度足够 | 99.9% 可用性、全球节点覆盖 | 全球化轻量业务、大规模批量嵌入 | ★★★★☆ |
| 混元文本嵌入模型 | 腾讯云 | 完全合规 | 4096 tokens | 国内大厂极致性价比、泛化性强 | 99.9% 可用性、弹性扩容 | 国内中小企业快速上线、腾讯生态业务 | ★★★★☆ |
3.3.5 企业子场景精准选型
国内企业核心知识库 RAG（数据敏感）：
bge\-m3，短文本场景备选：bge\-large\-zh\-v1\.5企业长文档 / 合同 / 法律文书检索：私有化首选
jina\-embeddings\-v2\-base\-zh，API 首选OpenAI text\-embedding\-3\-large全球化多语言企业业务：私有化首选
nomic\-embed\-text\-v1\.5，API 首选OpenAI text\-embedding\-3\-large国内中小企业快速上线：阿里云通义
text\-embedding\-v2，备选：腾讯云混元文本嵌入高并发短文本语义匹配：私有化首选
bge\-large\-zh\-v1\.5，API 首选阿里云通义text\-embedding\-v2成本敏感的百万级大规模向量库：私有化首选
mxbai\-embed\-large，API 首选OpenAI text\-embedding\-3\-small
3.3.6 企业应用避坑指南
商用场景严禁忽略开源协议，避免侵权风险
不要盲目追求榜单最高分，必须用自有业务数据测试
不要忽略长期存储成本，规模化部署优先可变维度模型
不要选无官方维护的小众模型，避免运维风险
数据敏感场景严禁用第三方 API，避免数据泄露
3.4 跨场景选型速查表
| 模型名称 | 个人快速开发推荐度 | 企业级应用推荐度 | 跨场景适配核心说明 |
|---|---|---|---|
| bge-m3 | ★★★★☆ | ★★★★★ | 个人开发全能款，企业级全场景标杆，唯一横跨两个场景的全适配模型 |
| shaw/dmeta-embedding-zh | ★★★★★ | ★★☆☆☆ | 个人开发低配神器，企业级场景精度和能力不足 |
| mxbai-embed-large | ★★★★★ | ★★★★☆ | 个人开发多语言首选，企业级多语言 / 成本敏感场景适配好 |
| bge-large-zh-v1.5 | ★★★☆☆ | ★★★★★ | 企业级短文本标杆，个人开发硬件要求高 |
| jina-embeddings-v2-base-zh | ★★★★☆ | ★★★★☆ | 个人长文本 demo 首选，企业级长文档场景核心选型 |
| 阿里云通义 text-embedding-v2 | ★★☆☆☆ | ★★★★★ | 个人开发无需用 API，企业级国内商用场景首选 |
| OpenAI text-embedding-3 系列 | ★★☆☆☆ | ★★★★★ | 个人开发无需用 API，企业级全球化商用场景首选 |
四、企业开源私有化部署专属指南
4.1 核心筛选标准
开源、可完全私有化部署、支持商用，核心筛选标准为 宽松开源协议（Apache 2.0/MIT 为主）+ 企业级稳定性 + 无商用授权限制。
4.2 中文优先（企业级核心选型）
这类模型对中文语义理解做了深度优化，是国内私有化部署的首选，协议均为 Apache 2.0（完全免费商用）。
BGE-M3（全能旗舰）
核心参数：560M 参数量、1024 维向量、8192 tokens 上下文
核心优势：支持稠密 + 稀疏 + 多向量三合一检索，中文短 / 长文本、多语言场景通吃，国内企业 RAG 落地案例最多
适配场景：企业核心知识库、合同 / 法律文书检索、站内语义搜索、推荐系统
BGE-large-zh-v1.5（短文本天花板）
核心参数：335M 参数量、1024 维向量、512 tokens 上下文
核心优势：中文短文本 / FAQ / 客服问答检索精度 SOTA，垂类（医疗 / 金融 / 法律）泛化性极强
适配场景：高并发智能客服、电商商品检索、内部 FAQ 知识库
jina-embeddings-v2-base-zh（长文本王者）
核心参数：137M 参数量、768 维向量、8192 tokens 上下文
核心优势：轻量体积 + 超长上下文，长文档语义保留能力突出，CPU/GPU 推理效率高
适配场景：技术手册 / 书籍 / 论文检索、长文档 RAG 问答
Qwen3-Embedding 系列（国产超长上下文）
核心参数：4B/8B 参数量、2560 维向量、32768 tokens 超长上下文
核心优势：阿里官方维护，支持 119 种语言 + 代码，国产化信创友好
适配场景：超长篇文档检索、多语言全球化业务、代码 + 文本混合知识库
4.3 多语言均衡（全球化业务选型）
适合中英混合或海外多语言业务，协议均为 Apache 2.0，完全支持商用私有化。
nomic-embed-text-v1.5（轻量多语言首选）
核心参数：137M 参数量、768 维向量、8192 tokens 上下文、274MB 极小体积
核心优势：100 + 语言支持，CPU 即可流畅推理，高并发吞吐量高
适配场景：全球化多语言知识库、边缘 / 内网轻量级私有化部署
mxbai-embed-large（成本优化神器）
核心参数：335M 参数量、1024 维向量（可动态压缩至 256/512 维）、512 tokens 上下文
核心优势：支持 MRL 可变维度技术，大幅降低百万级向量库的存储 / 检索成本
适配场景：中英混合业务、大规模向量库、成本敏感型私有化部署
4.4 英文优先（海外业务补充）
适合纯英文场景，协议宽松，私有化部署无限制。
snowflake-arctic-embed（英文 SOTA 轻量款）
协议：Apache 2.0
核心参数：335M 参数量、1024 维向量、512 tokens 上下文（v2 版 2048 tokens）
核心优势：同体量英文检索精度顶尖，超过 OpenAI ada-002
适配场景：纯英文海外知识库、英文语义搜索
E5-base-v2 / E5-large-v2
协议：MIT
核心优势：英文通用语义理解能力强，社区方案成熟
适配场景：英文文档聚类、分类、轻量级检索
4.5 轻量通用款（内部工具 / 边缘部署）
适合低配置设备、内部非核心工具，协议友好，部署零门槛。
shaw/dmeta-embedding-zh
协议：Apache 2.0
核心参数：102M 参数量、1024 维向量、1024 tokens 上下文、408MB 体积
核心优势：极致轻量，CPU 无压力运行，中文短文本效果优异
适配场景：低配 Windows 设备、内部轻量 RAG 原型、边缘设备部署
text2vec-base-chinese
协议：MIT
核心优势：社区维护时间久，部署简单，兼容性强
适配场景：内部小工具、非核心业务的文本匹配
4.6 企业私有化选型速查表
| 模型 | 中文 | 上下文 | 多语言 | 体积 / 资源 | 企业场景最适合 |
|---|---|---|---|---|---|
| bge-m3 | ★★★★★ | 8k | 100+ | 中高 | 全场景通用、核心 RAG、长文本 |
| bge-large-zh-v1.5 | ★★★★★ | 512 | 中 | 中 | 短文本 / FAQ / 客服 / 高并发 |
| jina-embeddings-v2-base-zh | ★★★★☆ | 8k | 中英 | 轻量 | 长文档 / 合同 / 技术手册 |
| nomic-embed-text-v1.5 | ★★★☆☆ | 8k | 100+ | 极轻 | 多语言、轻量私有化、内网 |
| mxbai-embed-large | ★★★★☆ | 512 | 50+ | 中 | 中英混合、大规模向量库、成本优化 |
| Qwen3-Embedding-4B | ★★★★☆ | 32k | 119+ | 中高 | 超长篇、国产化、全球化 |
4.7 企业私有化部署关键要点
合规第一：优先选择 Apache 2.0/MIT 协议，避免侵权风险
部署方式：Docker 容器化 + GPU 节点、Kubernetes 集群、负载均衡、自动扩缩容，对接内部监控
性能与成本：大规模向量库优先可变维度，高并发场景开启模型量化 + 批处理，配合向量索引优化
数据安全：内网隔离、无外网访问、全程审计日志，确保企业敏感数据不泄露
（注：文档部分内容可能由 AI 生成）