Press⌘+Kto search
Embedding（向量化）
推理与部署Embedding 模型把文本映射为高维向量，语义相近的文本向量距离也相近——它是语义搜索、RAG、聚类推荐的底层组件。
#和生成模型的区别
生成模型输出文字，Embedding 模型输出一个固定长度的浮点数组（如 1024 维）。它不"说话"，只负责把语义变成可计算的几何关系：余弦相似度高的两段文本，语义大概率相近。模型体积普遍很小（0.1-1GB 级），本地跑毫无压力。
#选型要点
- 中文场景：bge-m3、bge-large-zh 是社区常用选择
- 看两个指标：MTEB 榜单得分（质量）与向量维度（存储成本）
- 同库向量必须用同一模型生成，换模型要全量重嵌入
- Embedding 模型输出 ≠ 生成模型输出，两者在 RAG 中是上下游关系
相关词条
本页目录
- #和生成模型的区别
- #选型要点
更新于 2026-10-02
#关于「Embedding（向量化）」的常见问题
Embedding 模型把文本映射为高维向量，语义相近的文本向量距离也相近——它是语义搜索、RAG、聚类推荐的底层组件。
本词条属于推理与部署分类，与 其他基础概念 等概念紧密相关。如果你刚开始接触本地大模型部署，建议按「基础概念 → 模型与量化 → 推理与部署」的顺序阅读相关词条，配合 GPU 检测工具 边学边验证自己硬件的可行方案。