By 黄金金枪鱼 
导语
Embedding 模型是 RAG 流水线的第一道关口,把同一段 Query 和文档都映射到向量空间后,ANN 检索才能打分排序。但 2026 年的选择比两年前复杂得多:BGE 系列从 BGE-v1.5 演进到 BGE-M3 多语言 + 长上下文;OpenAI text-embedding-3 推出 3072 维的 3-large 和可调维度的 3-small;国内社区的 M3E 系列在中文场景仍被广泛沿用。本文从维度、上下文长度、license、成本四个维度做横评,帮你判断哪一款更适配你的工程场景。
核心事件
OpenAI 在 2024 年初推出 text-embedding-3 系列,首次把原生维度提升到 3072,并支持开发者自定义截断到 256、512、1024 等更小的向量,代价是低于原维度的检索精度。同年 BAAI 把 BGE 系列开源仓库迁到 FlagOpen,推出 BGE-M3(Multi-Functionality, Multi-Lingualness, Multi-Granularity),把上下文窗口拉到 8192 tokens 并支持稀疏 + 稠密 + 多向量三种检索模式混合。FlagOpen/FlagEmbedding 仓库截至 2026-08-14 累计 12,057 颗星,最新 release v1.4.0 标签为 2026-04-22,仍处活跃维护期。
技术解析
维度 vs 精度 trade-off。text-embedding-3-large 输出 3072 维,MTEB 英文榜单平均分 64.6;同系列的 3-small 输出 1536 维,平均分 62.3。BGE-large-en-v1.5 输出 1024 维,平均分 64.2;BGE-M3 输出 1024 维但支持 dense + sparse + colbert 三路召回。维度不是越高越好 —— 在 pgvector 这种行存向量库里,3072 维 × float32 ≈ 12 KB/记录,百万级文档需要 ~12 GB 内存;BGE-M3 的 1024 维版本可以把存储砍到 1/3。
上下文长度决定能否直接喂整章。BGE-M3 的 8192 tokens 上下文是同档开源模型里最长的,法律条款、长报告、技术 spec 单次编码不会截断。text-embedding-3 系列官方支持 8191 tokens,与 BGE-M3 持平。M3E-base 默认 512 tokens,长文档必须先分段 —— 这是中文 RAG 流水线里最容易踩的坑。
License 影响商用。BGE-M3 / BGE-large-en-v1.5 都是 MIT,可商用、可微调、可分发。M3E-base 在 HuggingFace 上以非商用许可发布,生产环境部署需要联系作者确认。OpenAI text-embedding-3 通过 API 调用,没有本地权重可下载,且计费按 token,百万级文档全量重建一次成本显著。
关键点
- **多语言场景首选 BGE-M3** —— 支持 100+ 语言,sparse-dense-colbert 三路召回混合,在跨语言检索(英文 query 查中文文档)上明显优于纯 dense 模型
- **纯英文 + 极致精度首选 text-embedding-3-large** —— MTEB 榜单前 3,但维度 3072 会显著放大向量库存储成本
- **中文 RAG + 商用闭源要求,M3E 不是唯一选择** —— BGE-large-zh-v1.5 也是 MIT + 中文优化,实测和 M3E 在 C-MTEB 榜单差距 < 1 分
- **长文档(> 512 tokens) 必须选 8K 上下文模型** —— BGE-M3 / text-embedding-3 都能整章编码,M3E 必须先分段否则语义被切断
- **可控成本场景,先用 text-embedding-3-small 做基线** —— 比 large 便宜 5 倍,MTEB 仅低 2.3 分,适合中小规模向量库
行业影响
2026 年的 RAG 流水线已经从「单 Embedding 模型」演进到「多模型混合召回」。Hybrid Search(BM25 + dense)是 BGE-M3 主打的卖点之一,sparse + dense 双路融合在 HuggingFace 的 C-MTEB 榜单上比纯 dense 高 3-5 分。国内大厂的智能客服、企业知识库场景,普遍采用 BGE-large-zh 做语义检索 + BM25 做关键词兜底。OpenAI 的 text-embedding-3 系列则在中美跨境业务里保持高市占,因为它不依赖本地部署 —— 出海公司的客服系统直接走 API,运维成本最低。
结语
选型没有银弹:多语言 + 长文档 + 商用闭源 → BGE-M3;纯英文 + 极致精度 + 不在意成本 → text-embedding-3-large;中文 + 预算敏感 → BGE-large-zh-v1.5(注意 M3E 的 license 风险)。下一篇文章将对比向量库(Qdrant / Milvus / Weaviate / pgvector)在千万级文档上的召回差异。
本文由 AI 生成。内容基于公开资料整理,可能存在事实偏差,引用链接请以原始来源为准。
参考资料
官方文档
- BGE-M3 模型卡 (FlagOpen/FlagEmbedding README) [200] - 12,057 颗星 / v1.4.0 / 2026-04-22 release
- OpenAI text-embedding-3 API 公告 (openai-cookbook) [200] - 75,289 颗星 / 2026-08-17 commit / 官方 Embedding 代码示例
- MTEB Embedding Benchmark 仓库 [200] - 3,396 颗星 / 2026-08-17 commit / 官方评测代码
开源项目
- FlagOpen/FlagEmbedding 仓库 [200] - 12,057 颗星 / 2026-08-14 commit
- OpenGVLab/InternVL [200] - 10,136 颗星 / 多模态 Embedding 参考
行业报道
- 量子位首页 [200] - 中文 AI 媒体首页 / BGE-M3 等开源项目中文报道源
社区讨论
- HN Algolia: bge-m3 讨论聚合 [200] - 浏览器端量化推理等讨论
- HN Algolia: Model2vec 静态 Embedding [200] - 静态 Embedding 加速方案讨论
对比基准
- MTEB 仓库 README (官方 Embedding 评测) [200] - 排行榜使用方法 + 评测维度说明
- BGE-M3 仓库元数据 API [200] - stars / pushed_at / release 历史