在 RAG 中，常用的 Embedding Model（嵌入模型）主要分为以下几类：

• text-embedding-ada-002（2022年12月发布）：OpenAI 的第二代模型，支持多语言，性价比高，适合大多数场景（如文档检索、相似度匹配）。
• text-embedding-3-small（large）：OpenAI 推出的第三代高效模型，性能更强，MIRACL（ multi-language retrieval ）比上代从 31.4% 提升到了44.4%，MTEB⁠(Massive Text Embedding Benchmark)从 61.0% 提升到了62.3%，且价格更低。
• Sentence-BERT（SBERT）：基于BERT优化，大幅提升句子嵌入速度和相似度计算效果，开源且免费（如all-mpnet-base-v2 性能最好，而all-MiniLM-L6-v2速度最快）。
• Gemini Embedding：在 MTEB 基准测试中表现出色，目前排名第一。
• Cohere Embed：有 embed-english-light-v2, embed-english-v3等模型
• BGE（BAAI General Embedding）：智源研究院研发，专为中文优化（如bge-large-zh），在中文MTEB榜单排名前列。
• M3E（Moka Massive Mixed Embedding）：开源轻量模型，专为中文优化，适合本地部署。

对我们实战而言：中文选BGE/M3E，英文选OpenAI/Cohere，轻量部署选Sentence-BERT。

扩展知识

MTEB（Massive Text Embedding Benchmark） 和 C-MTEB （Chinese Massive Text Embedding Benchmark）

目前这个 Embedding 模型相关的榜单被广泛认可，从分类、聚类、语义文本相似性、重排序和检索等多个角度评测排行各种模型，大家可以从上面了解更多的 Embedding 模型。

选择左侧的语言即可切换到 Chinese 相关榜单：

专用优化模型（特定场景）

• 代码嵌入：codebert、code2vec（处理代码语义，适合技术文档RAG）。
• 长文本：Longformer、RetriBERT（优化长序列处理，适合书籍、法律文档等长内容）。
• 多模态：CLIP（图文联合嵌入，支持图像+文本混合检索，但RAG中较少用）。