扩
用开源模型搭 RAG，Embedding 试了 bge 和几个新模型，检索效果差不少。大家做中文 RAG，Embedding 一般选哪个？维度选 1024 还是 768？
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 →DeepSeek 系模型做 RAG，Embedding 选型有啥讲究？
b
管理员
【管理员回复】中文 RAG 的 Embedding 选型，建议以自己的数据评测为准，公开榜单（如 C-MTEB）可以用来初筛候选模型。几点经验：一是除了 Embedding，加一个重排序（reranker）模型往往比更换 Embedding 带来更明显的提升；二是切分策略对效果影响很大，切块大小、重叠和是否保留标题层级都值得试；三是混合检索（向量加关键词 BM25）对专有名词、型号、编号类查询更稳；四是维度方面，1024 维通常精度略好，但存储和检索开销更大，可以在你的评估集上对比 Recall@k 后再定，支持可变维度的模型也可以截断使用。你们的文档主要是什么类型，问答对还是长篇技术文档？
A
这个坑我们踩过，最后是换了供应商解决的。有时候不是技术问题，是来料问题。
算
扩散模型_阿伟 你好，Embedding 选型我的经验是：先拿自己的数据做评测，别只看榜单。中文场景 bge 系列仍然是稳妥的起点，m3 版本对中英混合检索友好；维度上 1024 相对 768 的精度提升通常只有 1~2 个点，但存储和检索开销涨约三成，数据量不大时 768 更划算，支持 MRL 的模型可以先存 1024、检索时截断到 768，两头兼顾。还有两点容易忽略：一是切分策略对效果的影响经常超过换模型，先固定切分再对比；二是加一层 reranker，首轮召回率上来后，精排带来的提升比换 Embedding 更明显。你们的文档主要是问答对还是长篇技术文档？