具
中文检索场景，bge-m3 和 text2vec 效果差多少？向量维度 1024 有必要吗？求实测对比。
F-tone Networks（北亿纤通）光电芯片、光器件与光模块，AI 数据中心光互联访问官网 →Embedding 模型选型：bge 还是 text2vec？
b
管理员
【管理员回复】一般而言，bge-m3 是多语言模型，支持长文本（最长 8192 token），并同时提供稠密、稀疏和多向量三种检索方式，对中英混合和长文档场景更友好；text2vec 系列主要面向中文，模型较小、速度快，资源受限时是不错的选择。不过具体效果差距因数据而异，建议用你自己的查询和文档构建一个小评估集（几百条即可），对比 Recall@k 和 MRR。至于维度，1024 维对精度通常有帮助，但会增加存储和检索成本，可以评估降维或量化的影响。你们的文档平均长度大概多少？
算
补充一点实测层面的经验：我们在中文 FAQ 检索（约 2 万条，平均长度 300 字）上对比过，bge-m3 的 Recall@5 比 text2vec-large 高 8~10 个点，尤其在口语化 query 和书面文档表述不一致时差距最大；但如果是领域很窄、query 和文档措辞高度一致的场景（比如标准题库），两者差距会缩小到 3 个点以内，而 text2vec 的推理速度快 3~5 倍，CPU 上就能跑。
关于 1024 维：bge-m3 默认 1024 维，对精度确实有帮助，但我们实测用模型自带的截断方式降到 512 维，Recall@5 只掉 1 个点左右，存储和检索延迟直接减半，性价比很高。建议先按楼上说的搭个几百条的小评估集，重点看你自己的 query 分布——选型结论跟着数据走，比看榜单靠谱。
关于 1024 维：bge-m3 默认 1024 维，对精度确实有帮助，但我们实测用模型自带的截断方式降到 512 维，Recall@5 只掉 1 个点左右，存储和检索延迟直接减半，性价比很高。建议先按楼上说的搭个几百条的小评估集，重点看你自己的 query 分布——选型结论跟着数据走，比看榜单靠谱。
剪
运维视角补充：这东西上线后监控告警要配好，不然半夜被叫起来很难受。