RAG进阶：Embedding Models嵌入式模型原理和选型指南 - 文章 - 开发者社区

一、概念与核心原理

嵌入模型的本质

嵌入模型（Embedding Model）是一种将离散数据（如文本、图像）映射到连续向量空间的技术。通过高维向量表示（如 768 维或 3072 维），模型可捕捉数据的语义信息，使得语义相似的文本在向量空间中距离更近。例如，“忘记密码”和“账号锁定”会被编码为相近的向量，从而支持语义检索而非仅关键词匹配。

核心作用

语义编码：将文本、图像等转换为向量，保留上下文信息（如 BERT 的 CLS Token 或均值池化。)

相似度计算：通过余弦相似度、欧氏距离等度量向量关联性，支撑检索增强生成（RAG）、推荐系统等应用。

信息降维：压缩复杂数据为低维稠密向量，提升存储与计算效率。

关键技术原理

上下文依赖：现代模型（如 BGE-M3）动态调整向量，捕捉多义词在不同语境中的含义。

训练方法：对比学习（如 Word2Vec 的 Skip-gram/CBOW）、预训练+微调（如 BERT）。

picture.image

二、主流模型分类与选型指南

Embedding模型将文本转换为数值向量，捕捉语义信息，使计算机能够理解和比较内容的"意义"。

选择Embedding模型的考虑因素：

因素	说明

任务性质

匹配任务需求(问答、搜索、聚类等)


领域特性

通用vs专业领域(医学、法律等)


多语言支持

需处理多语言内容时考虑


维度

权衡信息丰富度与计算成本


许可条款

开源vs专有服务


最大tokens

适合的上下文窗口大小



最佳实践：为特定应用测试多个embedding模型，评估在实际数据上的性能而非仅依赖通用基准。

我们一般拿问答系统的标准评估数据集SQuAD（的验证集）进行评估，SQuAD是由斯坦福大学发布的用于阅读理解问答任务的英文数据集。主要用于训练和评估模型：根据一段文章回答相关的问题。数据集中每个样本包括：

一段文章（context）
一个问题（question）
正确答案（answer），答案是文章中的一段文本。

下载地址：

https://rajpurkar.github.io/SQuAD-explorer/dataset/dev-v2.0.json

我们拿2个Embedding模型进行评估对比，其代码如下：

  
# embedding_model效果对比  
from sentence_transformers import SentenceTransformer, util  
import json  
import numpy as np  
  
# 加载SQuAD数据（假设已处理成列表格式）  
with open(r"D:\Test\LLMTrain\day18\data\squad_dev.json") as f:  
    squad_data = json.load(f)["data"]  
  
# 提取问题和答案对  
qa_pairs = []  
for article in squad_data:  
    for para in article["paragraphs"]:  
        for qa in para["qas"]:  
            if not qa["is_impossible"]:  
                qa_pairs.append({  
                    "question": qa["question"],  
                    "answer": qa["answers"][0]["text"],  
                    "context": para["context"]  
                })  
  
# 初始化两个本地模型  
model1 = SentenceTransformer(r'D:\Test\LLMTrain\testllm\llm\sentence-transformers\paraphrase-multilingual-MiniLM-L12-v2')  # 模型1  
model2 = SentenceTransformer(r'D:\Test\LLMTrain\testllm\llm\sungw111\text2vec-base-chinese-sentence')  # 模型2  
  
# 编码所有上下文（作为向量库）  
contexts = [item["context"] for item in qa_pairs]  
context_embeddings1 = model1.encode(contexts)  # 模型1的向量库  
context_embeddings2 = model2.encode(contexts)  # 模型2的向量库  
  
  
# 评估函数  
def evaluate(model, query_embeddings, context_embeddings):  
    correct = 0  
    for idx, qa in enumerate(qa_pairs[:100]):  # 测试前100条  
        # 查找最相似上下文  
        sim_scores = util.cos_sim(query_embeddings[idx], context_embeddings)  
        best_match_idx = np.argmax(sim_scores)  
        # 检查答案是否在匹配段落中  
        if qa["answer"] in contexts[best_match_idx]:  
            correct += 1  
    return correct / len(qa_pairs[:100])  
  
  
# 编码所有问题  
query_embeddings1 = model1.encode([qa["question"] for qa in qa_pairs[:100]])  
query_embeddings2 = model2.encode([qa["question"] for qa in qa_pairs[:100]])  
  
# 执行评估  
acc1 = evaluate(model1, query_embeddings1, context_embeddings1)  
acc2 = evaluate(model2, query_embeddings2, context_embeddings2)  
  
print(f"模型1准确率: {acc1:.2%}")  
print(f"模型2准确率: {acc2:.2%}")

打印的结果是：

  
模型1准确率: 47.00%  
模型2准确率: 22.00%

由此，我们就可以知道两个Embedding模型在英文的场景下的理解能力。

Embedding模型有很多种，以下是一些主流分类和选型指南。

通用全能型

BGE-M3：北京智源研究院开发，支持多语言、混合检索（稠密+稀疏向量），处理 8K 上下文，适合企业级知识库。

NV-Embed-v2：基于 Mistral-7B，检索精度高（MTEB 得分 62.65），但需较高计算资源。

2.垂直领域特化型

中文场景： BGE-large-zh-v1.5 （合同/政策文件）、 M3E-base （社交媒体分析）。

多模态场景： BGE-VL （图文跨模态检索），联合编码 OCR 文本与图像特征。

3.轻量化部署型

nomic-embed-text：768 维向量，推理速度比 OpenAI 快 3 倍，适合边缘设备。

gte-qwen2-1.5b-instruct：1.5B 参数，16GB 显存即可运行，适合初创团队原型验。

选型决策树：

中文为主 → BGE 系列 > M3E；
多语言需求 → BGE-M3 > multilingual-e5；
预算有限 → 开源模型（如 Nomic Embed）;

三、代码案例操作

1、从魔塔社区下载Embedding

  
#模型下载  
from modelscope import snapshot_download  
model_dir = snapshot_download('BAAI/bge-m3',cache_dir=r"D:\Test\LLMTrain\testllm\llm")

2、语义相似度测试

安装包

  
pip install -U sentence-transformers

逻辑代码

  
from sentence_transformers import SentenceTransformer  
model = SentenceTransformer("BAAI/bge-m3")  # 或 "all-MiniLM-L6-v2"  
sentences = ["这是一只猫。", "This is a cat."]  
embeddings = model.encode(sentences)  
# 看相似度  
from sklearn.metrics.pairwise import cosine_similarity  
print(cosine_similarity([embeddings[0]], [embeddings[1]])) # 结果：0.94xxx

使用LlamaIndex中的演示代码：

  
from llama_index.embeddings.huggingface import HuggingFaceEmbedding  
import numpy as np  
# 加载 BGE 中文嵌入模型  
model_name = r"D:\Test\LLMTrain\testllm\llm\BAAI\bge-m3"  
embed_model = HuggingFaceEmbedding(  
    model_name=model_name,  
    device="cpu",  #  使用 GPU为 cuda，如果没有 GPU 改为 "cpu"  
    normalize=True,  # 归一化向量，方便计算余弦相似度  
)  
# 嵌入文档  
documents = ["忘记密码如何处理？", "用户账号被锁定"]  
doc_embeddings = [embed_model.get_text_embedding(doc) for doc in documents]  
# 嵌入查询并计算相似度  
query = "密码重置流程"  
query_embedding = embed_model.get_text_embedding(query)  
# 计算余弦相似度（因为 normalize=True，点积就是余弦相似度）  
similarity = np.dot(query_embedding, doc_embeddings[0])  
print(f"相似度：{similarity:.4f}")  # 输出示例：0.7942

picture.image

LlamaIndex入门指南和RAG原理

探秘 Hugging Face：何为 Hugging Face 及其核心组件全览

LLaMA Factory 如何对大模型进行微调、导出和量化！掌握这几步，轻松搞定！

大模型部署该选谁？Ollama、vLLM 和 LMDeploy，各有千秋！

大型语言模型如何高效微调量化？答案就是 QLoRA！

LLaMA Factory微调后的大模型在vLLM框架中对齐对话模版

AI大模型分布式训练技术原理是什么？看这篇超犀利解析！

XTuner对大模型微调训练、转换、合并和验证！这篇文章让你轻松拿捏！

基于Bert大模型增量微调训练：中文评价情感分析

大模型高并发请求和单卡显存不足怎么办？分布式推理和量化部署来救场！

AI 大模型评测难？OpenCompass 这个‘自动跑分神器’来破局！