08-FlagEmbedding 支持的嵌入与重排序模型综述

happyprince2026-05-13 11:08

目录

01-FlagEmbedding 项目概述
02-FlagEmbedding 抽象基层 (ABC Layer) 深度分析
03-FlagEmbedding 推理模块深度分析
04-FlagEmbedding 微调模块详细分析
05-FlagEmbedding 评估模块详解
06-FlagEmbedding 核心算法详解
07-FlagEmbedding 研究项目分析
08-FlagEmbedding 支持的嵌入与重排序模型综述

FlagEmbedding 支持的嵌入与重排序模型综述

本文档全面综述 FlagEmbedding 库支持的所有嵌入（Embedder）和重排序（Reranker）模型，包括模型特点、性能、适用场景以及完整的模型生态系统。

目录

摘要与项目背景

FlagEmbedding 项目简介

FlagEmbedding 是北京智源人工智能研究院（BAAI）开发的开源嵌入和重排序模型框架，专注于检索增强大语言模型（RAG）领域。该项目提供了一套完整的工具链，包括推理、微调、评估和数据集，支持多种架构的嵌入和重排序模型。

核心优势：

  • 统一的 API 接口，支持多种主流模型
  • 完整的推理、微调和评估工具链
  • 多语言、多功能、多粒度的模型支持
  • 活跃的社区和持续的技术更新

综述目标

本综述旨在：

  1. 系统梳理 FlagEmbedding 支持的所有模型
  2. 分析各模型的特点、性能和适用场景
  3. 提供模型选择的最佳实践指南
  4. 展示完整的模型生态系统

模型生态系统思维图

FlagEmbedding
Embedder
BGE 系列
bge-m3
v1.5 系列
v1.0 系列
专用模型
bge-code-v1
bge-en-icl
bge-multilingual-gemma2
bge-reasoner-embed-qwen3-8b
Qwen3-Embedding
Qwen3-Embedding-0.6B
Qwen3-Embedding-4B
Qwen3-Embedding-8B
E5 系列
E5 基础版
E5 v2
E5-Mistral-7B
Multilingual E5
GTE 系列
GTE 基础版
GTE-Qwen
GTE v1.5
GTE 多语言
SFR 系列
SFR-Embedding-Mistral
SFR-Embedding-2_R
Linq 系列
Linq-Embed-Mistral
BCE 系列
bce-embedding-base_v1
Reranker
BGE 系列
bge-reranker-base
bge-reranker-large
bge-reranker-v2-m3
bge-reranker-v2-gemma
bge-reranker-v2-minicpm-layerwise
bge-reranker-v2.5-gemma2-lightweight
Jina 系列
jina-reranker-v2-base-multilingual
jina-reranker-v1-turbo-en
GTE 系列
gte-multilingual-reranker-base
BCE 系列
bce-reranker-base_v1
技术架构
Encoder-only
Decoder-only
Layer-wise
Lightweight
功能特性
多语言
多功能
长文本
代码专用
上下文学习

嵌入模型（Embedder）综述

BGE 系列模型

BGE（BAAI General Embedding）系列是 FlagEmbedding 的核心模型，由北京智源人工智能研究院自主研发。

BGE v1.0 系列
模型名称 语言 规模 说明
bge-large-en English Large 英文大模型
bge-base-en English Base 英文基础模型
bge-small-en English Small 英文小模型
bge-large-zh Chinese Large 中文大模型
bge-base-zh Chinese Base 中文基础模型
bge-small-zh Chinese Small 中文小模型

技术特点：

  • 基于 Encoder-only 架构
  • 使用 CLS pooling 策略
  • 查询指令格式：
    • 英文：Represent this sentence for searching relevant passages:
    • 中文：为这个句子生成表示以用于检索相关文章：

适用场景：

  • 通用文本检索
  • 语义相似度计算
  • 问答系统

代码引用：

python 复制代码 
from FlagEmbedding import FlagAutoModel

model = FlagAutoModel.from_finetuned('BAAI/bge-large-en-v1.5')
BGE v1.5 系列

v1.5 是 v1.0 的升级版本，主要改进：

模型名称 语言 规模 改进点
bge-large-en-v1.5 English Large 相似度分布更合理
bge-base-en-v1.5 English Base 无指令检索能力提升
bge-small-en-v1.5 English Small 小模型性能优化
bge-large-zh-v1.5 Chinese Large 中文检索优化
bge-base-zh-v1.5 Chinese Base 中文检索优化
bge-small-zh-v1.5 Chinese Small 中文检索优化

核心改进：

  1. 缓解相似度分布问题
  2. 提升无指令情况下的检索能力
  3. 在 MTEB 和 C-MTEB 榜单上取得最佳性能
BGE-M3 模型（重点介绍）

模型名称： bge-m3

核心特性：

  • 多功能（Multi-function）：同时支持稠密、稀疏、多向量检索
  • 多语言（Multilingual）：支持 100+ 种语言
  • 多粒度（Multi-granularity）：支持最长 8192 长度的输入文本

技术架构：

  • Encoder-only 架构
  • 同时输出多种表示
  • 支持混合检索策略

检索能力：

  1. 稠密检索（Dense Retrieval）：传统的向量检索
  2. 稀疏检索（Sparse Retrieval）：基于词袋的检索
  3. 多向量检索（ColBERT）：细粒度的 token 级匹配

适用场景：

  • 多语言检索系统
  • 长文档检索
  • 高精度混合检索
  • 企业级知识库应用

代码引用：

python 复制代码 
from FlagEmbedding import BGEM3FlagModel

model = BGEM3FlagModel('BAAI/bge-m3', use_fp16=True)

# 多种嵌入方式
embeddings = model.encode(['文本内容'], return_dense=True, return_sparse=True, return_colbert_vecs=True)

文件位置： [FlagEmbedding/inference/embedder/encoder_only/m3.py](file:///workspace/FlagEmbedding/inference/embedder/encoder_only/m3.py)

BGE 专用模型系列
1. bge-code-v1

特点：

  • 专为代码嵌入设计
  • 基于 Decoder-only 架构
  • 使用 Last token pooling
  • 查询指令格式：<instruct>{}\n<query>{}

适用场景：

  • 代码检索
  • 代码相似度计算
  • 代码推荐系统
2. bge-en-icl

特点：

  • 支持上下文学习（In-Context Learning）
  • 基于 Decoder-only 架构
  • 可以通过示例提升检索效果
  • 查询指令格式：<instruct>{}\n<query>{}

技术优势：

  • 通过少量示例编码语义更丰富的查询
  • 增强嵌入的语义表征能力
  • 灵活适应不同任务
3. bge-multilingual-gemma2

特点：

  • 基于 Gemma-2-9b 的多语言模型
  • Decoder-only 架构
  • 支持多种语言和多样下游任务
  • 在 MIRACL, MTEB-fr, MTEB-pl 上取得最佳结果
4. bge-reasoner-embed-qwen3-8b-0923

特点：

  • 推理增强嵌入模型
  • 基于 Qwen3-8B
  • 查询指令格式：Instruct: {}\nQuery: {}

模型映射文件： [FlagEmbedding/inference/embedder/model_mapping.py](file:///workspace/FlagEmbedding/inference/embedder/model_mapping.py#L42-L111)

Qwen3-Embedding 系列

Qwen3-Embedding 是通义千问 Qwen3 系列的嵌入模型。

模型名称 参数量 架构 Pooling
Qwen3-Embedding-0.6B 0.6B Decoder-only Last token
Qwen3-Embedding-4B 4B Decoder-only Last token
Qwen3-Embedding-8B 8B Decoder-only Last token

特点：

  • 基于通义千问 Qwen3 系列
  • Decoder-only 架构
  • 查询指令格式：Instruct: {}\nQuery:{}
  • 提供不同规模的选择，平衡性能和资源消耗

适用场景：

  • 通用文本嵌入
  • 中文为主的检索任务
  • 需要不同规模模型的场景

模型映射： [FlagEmbedding/inference/embedder/model_mapping.py](file:///workspace/FlagEmbedding/inference/embedder/model_mapping.py#L114-L127)

E5 系列模型

E5（Embedding v5）系列是 Microsoft 开发的嵌入模型。

基础 E5 模型
模型名称 规模 Pooling
e5-large Large Mean
e5-base Base Mean
e5-small Small Mean
E5 v2 模型
模型名称 规模 改进
e5-large-v2 Large 性能优化
e5-base-v2 Base 性能优化
e5-small-v2 Small 性能优化
E5-Mistral-7B

特点：

  • 基于 Mistral-7B
  • Decoder-only 架构
  • Last token pooling
  • 查询指令格式：Instruct: {}\nQuery: {}
Multilingual E5 系列
模型名称 特点
multilingual-e5-large 多语言大模型
multilingual-e5-base 多语言基础模型
multilingual-e5-small 多语言小模型
multilingual-e5-large-instruct 支持指令的多语言大模型

适用场景：

  • 英文为主的检索任务
  • 多语言检索
  • 企业级应用

模型映射： [FlagEmbedding/inference/embedder/model_mapping.py](file:///workspace/FlagEmbedding/inference/embedder/model_mapping.py#L130-L176)

GTE 系列模型

GTE（General Text Embedding）系列是阿里巴巴开发的嵌入模型。

GTE 基础版
模型名称 语言 Pooling
gte-large English Mean
gte-base English Mean
gte-small English Mean
gte-large-zh Chinese CLS
gte-base-zh Chinese CLS
gte-small-zh Chinese CLS
GTE v1.5
模型名称 特点
gte-large-en-v1.5 英文 v1.5 大模型
gte-base-en-v1.5 英文 v1.5 基础模型
GTE-Qwen 系列
模型名称 特点
gte-Qwen2-7B-instruct 基于 Qwen2-7B 的指令模型
gte-Qwen2-1.5B-instruct 基于 Qwen2-1.5B 的指令模型
gte-Qwen1.5-7B-instruct 基于 Qwen1.5-7B 的指令模型
GTE 多语言
模型名称 特点
gte-multilingual-base 多语言基础模型

特点：

  • 支持中英文
  • 提供多种规模选择
  • GTE-Qwen 系列基于通义千问架构

适用场景：

  • 中英文混合检索
  • 电商领域应用
  • 阿里云生态系统集成

模型映射： [FlagEmbedding/inference/embedder/model_mapping.py](file:///workspace/FlagEmbedding/inference/embedder/model_mapping.py#L179-L228)

SFR 系列模型

SFR（Salesforce Representations）系列是 Salesforce 开发的嵌入模型。

模型名称 特点
SFR-Embedding-Mistral 基于 Mistral 架构
SFR-Embedding-2_R 第二代 SFR 嵌入模型

共同特点：

  • Decoder-only 架构
  • Last token pooling
  • 查询指令格式：Instruct: {}\nQuery: {}

适用场景：

  • 企业级应用
  • 与 Salesforce 生态集成
  • 英文检索任务

模型映射： [FlagEmbedding/inference/embedder/model_mapping.py](file:///workspace/FlagEmbedding/inference/embedder/model_mapping.py#L231-L240)

Linq 模型

模型名称 特点
Linq-Embed-Mistral 基于 Mistral 的 Linq 嵌入

特点：

  • Decoder-only 架构
  • Last token pooling
  • 查询指令格式：Instruct: {}\nQuery: {}

适用场景：

  • 特定领域检索
  • 与 Linq 生态集成

模型映射： [FlagEmbedding/inference/embedder/model_mapping.py](file:///workspace/FlagEmbedding/inference/embedder/model_mapping.py#L243-L248)

BCE 模型

模型名称 特点
bce-embedding-base_v1 BCE 基础嵌入模型

特点：

  • Encoder-only 架构
  • CLS pooling

适用场景：

  • 中文检索
  • BCE 生态系统

模型映射： [FlagEmbedding/inference/embedder/model_mapping.py](file:///workspace/FlagEmbedding/inference/embedder/model_mapping.py#L251-L256)

重排序模型（Reranker）综述

重排序模型（Reranker）通常用于在初步检索后，对候选文档进行更精细的相关性排序，提升最终检索质量。

BGE 系列重排序器

BGE 系列重排序器是 FlagEmbedding 的核心重排序模型。

模型名称 架构 特点
bge-reranker-base Encoder-only 基础重排序模型
bge-reranker-large Encoder-only 大型重排序模型，精度更高
bge-reranker-v2-m3 Encoder-only 多语言轻量级模型，易于部署
bge-reranker-v2-gemma Decoder-only 基于 Gemma，多语言支持
bge-reranker-v2-minicpm-layerwise Decoder-only 分层架构，支持选择输出层加速
bge-reranker-v2.5-gemma2-lightweight Decoder-only 轻量级，支持压缩和分层操作
详细说明
1. bge-reranker-base & large

特点：

  • Encoder-only 架构
  • 交叉编码器（Cross-encoder）模型
  • 精度比向量模型更高
  • 推理效率相对较低

适用场景：

  • 高精度重排序
  • 中英文混合场景
  • 对检索质量要求高的应用
2. bge-reranker-v2-m3

特点：

  • 轻量级交叉编码器
  • 强大的多语言能力
  • 易于部署
  • 快速推理
3. bge-reranker-v2-gemma

特点：

  • 基于 Gemma 架构
  • 支持多语言
  • 英文和多语言表现出色
4. bge-reranker-v2-minicpm-layerwise

特点：

  • 分层（Layer-wise）架构
  • 允许自由选择输出层
  • 支持推理加速
  • 中英文表现良好
5. bge-reranker-v2.5-gemma2-lightweight

特点：

  • 基于 Gemma-2
  • 轻量级设计
  • 支持令牌压缩
  • 分层轻量操作
  • 节省资源的同时保持良好性能

使用示例：

python 复制代码 
from FlagEmbedding import FlagAutoReranker

reranker = FlagAutoReranker.from_finetuned('BAAI/bge-reranker-large')

scores = reranker.compute_score([
    ('查询', '文档1'),
    ('查询', '文档2')
])

模型映射文件： [FlagEmbedding/inference/reranker/model_mapping.py](file:///workspace/FlagEmbedding/inference/reranker/model_mapping.py#L31-L56)

Jina 系列重排序器

模型名称 特点
jinaai/jina-reranker-v2-base-multilingual 多语言基础重排序器
jinaai/jina-reranker-v1-turbo-en 英文 Turbo 版本

特点：

  • Encoder-only 架构
  • Jina AI 开发
  • 多语言支持

适用场景：

  • 多语言检索
  • Jina 生态系统集成
  • 需要快速推理的场景

模型映射： [FlagEmbedding/inference/reranker/model_mapping.py](file:///workspace/FlagEmbedding/inference/reranker/model_mapping.py#L59-L73)

GTE 系列重排序器

模型名称 特点
Alibaba-NLP/gte-multilingual-reranker-base GTE 多语言重排序器

特点：

  • Encoder-only 架构
  • 阿里巴巴开发
  • 多语言支持

适用场景：

  • 电商领域
  • 中英文混合场景
  • 阿里云生态集成

模型映射： [FlagEmbedding/inference/reranker/model_mapping.py](file:///workspace/FlagEmbedding/inference/reranker/model_mapping.py#L63-L65)

BCE 重排序器

模型名称 特点
maidalun1020/bce-reranker-base_v1 BCE 重排序器

特点：

  • Encoder-only 架构
  • BCE 生态系统

适用场景：

  • 中文检索
  • BCE 生态集成

模型映射： [FlagEmbedding/inference/reranker/model_mapping.py](file:///workspace/FlagEmbedding/inference/reranker/model_mapping.py#L67-L69)

模型分类与对比

按架构分类

模型架构
Encoder-only
Decoder-only
Layer-wise
Lightweight
bge-v1.5
bge-m3
E5
GTE
SFR
Linq
BCE
bge-reranker-base/large
bge-code-v1
bge-en-icl
bge-multilingual-gemma2
Qwen3-Embedding
bge-reranker-v2-gemma
bge-reranker-v2-minicpm-layerwise
bge-reranker-v2.5-gemma2-lightweight

按功能分类

分类 模型示例 特点
基础嵌入 bge-v1.5, E5, GTE 通用文本嵌入
多功能嵌入 bge-m3 稠密+稀疏+多向量
上下文学习 bge-en-icl 支持 In-Context Learning
代码专用 bge-code-v1 代码嵌入
多语言 bge-m3, bge-multilingual-gemma2 支持多语言
长文本 bge-m3 (8192) 支持长输入

性能对比表

嵌入模型性能对比
模型系列 参数量级 推理速度 内存占用 检索精度 多语言 适用场景
BGE v1.5 Small Small ⭐⭐⭐⭐⭐ ⭐⭐⭐⭐⭐ ⭐⭐⭐ ❌ 快速原型、资源受限
BGE v1.5 Base Base ⭐⭐⭐⭐ ⭐⭐⭐⭐ ⭐⭐⭐⭐ ❌ 通用应用、平衡性能
BGE v1.5 Large Large ⭐⭐⭐ ⭐⭐⭐ ⭐⭐⭐⭐⭐ ❌ 高精度要求
BGE-M3 Large ⭐⭐⭐ ⭐⭐⭐ ⭐⭐⭐⭐⭐ ✅ 多语言、长文本、混合检索
Qwen3-Embedding-0.6B 0.6B ⭐⭐⭐⭐⭐ ⭐⭐⭐⭐⭐ ⭐⭐⭐ ❌ 中文应用、快速部署
Qwen3-Embedding-8B 8B ⭐⭐ ⭐⭐ ⭐⭐⭐⭐⭐ ❌ 中文高精度应用
E5 Small Small ⭐⭐⭐⭐⭐ ⭐⭐⭐⭐⭐ ⭐⭐⭐ ❌ 英文快速应用
E5 Large Large ⭐⭐⭐ ⭐⭐⭐ ⭐⭐⭐⭐⭐ ❌ 英文高精度
GTE Mixed ⭐⭐⭐⭐ ⭐⭐⭐⭐ ⭐⭐⭐⭐ ✅ 中英文混合、电商
SFR 7B ⭐⭐ ⭐⭐ ⭐⭐⭐⭐⭐ ❌ 企业级英文应用

注：⭐ 越多表示越好/越大/越快

重排序模型性能对比
模型 架构 推理速度 精度 多语言 资源占用
bge-reranker-base Encoder-only ⭐⭐⭐⭐ ⭐⭐⭐⭐ ✅ ⭐⭐⭐⭐
bge-reranker-large Encoder-only ⭐⭐⭐ ⭐⭐⭐⭐⭐ ✅ ⭐⭐⭐
bge-reranker-v2-m3 Encoder-only ⭐⭐⭐⭐⭐ ⭐⭐⭐⭐ ✅ ⭐⭐⭐⭐⭐
bge-reranker-v2-gemma Decoder-only ⭐⭐⭐ ⭐⭐⭐⭐⭐ ✅ ⭐⭐⭐
bge-reranker-v2-minicpm-layerwise Decoder-only ⭐⭐⭐⭐ ⭐⭐⭐⭐⭐ ✅ ⭐⭐⭐⭐
bge-reranker-v2.5-gemma2-lightweight Decoder-only ⭐⭐⭐⭐⭐ ⭐⭐⭐⭐ ✅ ⭐⭐⭐⭐⭐

Pooling 策略对比

Pooling 方法 适用模型 特点
CLS BGE v1/v1.5, BGE-M3, GTE, BCE 使用<[BOS_never_used_51bce0c785ca2f68081bfa7d91973934]> token 表示，简单有效
Mean E5, GTE 基础版 使用所有 token 的平均表示
Last token Decoder-only 系列 使用最后一个 token，适合自回归模型

配置文件： [FlagEmbedding/inference/embedder/model_mapping.py](file:///workspace/FlagEmbedding/inference/embedder/model_mapping.py#L27-L39)

模型选择指南

根据场景选择模型

场景 1：通用英文检索

推荐模型：

  • 高精度：bge-large-en-v1.5 或 e5-large-v2
  • 平衡性能：bge-base-en-v1.5
  • 资源受限：bge-small-en-v1.5

重排序增强： bge-reranker-large

场景 2：通用中文检索

推荐模型：

  • 高精度：bge-large-zh-v1.5
  • 平衡性能：bge-base-zh-v1.5
  • 资源受限：bge-small-zh-v1.5 或 Qwen3-Embedding-0.6B

重排序增强： bge-reranker-large

场景 3：多语言检索

推荐模型：

  • 首选：bge-m3（多功能 + 多语言 + 长文本）
  • 备选：bge-multilingual-gemma2 或 multilingual-e5-large

重排序增强： bge-reranker-v2-m3

场景 4：长文档检索

推荐模型：

  • bge-m3（支持最长 8192）

重排序增强： bge-reranker-v2-gemma 或 bge-reranker-v2.5-gemma2-lightweight

场景 5：代码检索

推荐模型：

  • bge-code-v1
场景 6：电商/中英文混合

推荐模型：

  • GTE 系列：gte-large-zh 或 gte-multilingual-base
  • 备选：bge-m3

重排序增强： gte-multilingual-reranker-base

场景 7：需要灵活性和示例学习

推荐模型：

  • bge-en-icl（支持上下文学习）

平衡性能与资源

资源受限场景（CPU/小内存）

推荐配置：

  • 嵌入模型：bge-small-en-v1.5 / bge-small-zh-v1.5 / Qwen3-Embedding-0.6B
  • 重排序模型：bge-reranker-v2-m3 或 bge-reranker-v2.5-gemma2-lightweight
  • 参数设置：use_fp16=True
中等资源场景（单 GPU）

推荐配置：

  • 嵌入模型：bge-base-en-v1.5 / bge-base-zh-v1.5
  • 重排序模型：bge-reranker-base 或 bge-reranker-v2-minicpm-layerwise
  • 参数设置：use_fp16=True，合理 batch size
充足资源场景（多 GPU）

推荐配置：

  • 嵌入模型：bge-large-en-v1.5 / bge-large-zh-v1.5 / bge-m3
  • 重排序模型：bge-reranker-large 或 bge-reranker-v2-gemma
  • 参数设置：多设备并行，大 batch size

最佳实践建议

1. 两阶段检索流程

用户查询
嵌入模型

粗检索
Top-K 候选
重排序模型

精排序
最终结果

优点：

  • 嵌入模型快速筛选大量文档
  • 重排序模型提升精度
  • 平衡效率和效果
2. 指令使用

对于支持查询指令的模型，始终使用推荐的指令格式：

python 复制代码 
# BGE v1.5 英文
query_instruction = "Represent this sentence for searching relevant passages: "

# BGE v1.5 中文
query_instruction = "为这个句子生成表示以用于检索相关文章："

# Decoder-only 模型
query_instruction = "Instruct: {}\nQuery: {}"
3. 批量推理

充分利用批量推理提升效率：

python 复制代码 
# 推荐
embeddings = model.encode(large_corpus, batch_size=256)

# 避免逐条编码
for doc in large_corpus:
    embedding = model.encode(doc)  # 低效
4. 多设备并行

对于大规模数据，使用多设备并行：

python 复制代码 
model = FlagAutoModel.from_finetuned(
    'BAAI/bge-large-en-v1.5',
    devices=[0, 1, 2, 3]  # 使用多个 GPU
)
5. 混合检索策略

对于 bge-m3，可以利用多种检索方式：

python 复制代码 
# 1. 稠密检索
dense_scores = dense_embeddings @ query_dense_embedding.T

# 2. 稀疏检索
sparse_scores = compute_sparse_similarity(sparse_embeddings, query_sparse_embedding)

# 3. 多向量检索
colbert_scores = compute_colbert_similarity(colbert_vecs, query_colbert_vecs)

# 4. 混合打分
final_scores = 0.6 * dense_scores + 0.2 * sparse_scores + 0.2 * colbert_scores

总结与展望

FlagEmbedding 模型生态总结

FlagEmbedding 构建了一个完整、丰富的模型生态系统：

  1. 全面的模型支持

    • 7 个嵌入模型系列（BGE、Qwen3、E5、GTE、SFR、Linq、BCE）
    • 4 个重排序模型系列（BGE、Jina、GTE、BCE）
    • 覆盖 Encoder-only 和 Decoder-only 架构

  2. 多样化的功能

    • 从通用嵌入到专用模型
    • 从基础检索到多功能混合检索
    • 从单语言到多语言支持

  3. 完整的工具链

    • 推理接口统一
    • 微调工具完善
    • 评估基准齐全

技术亮点

  1. 统一抽象：通过抽象基类实现不同模型的统一接口
  2. 自动加载：智能模型映射，简化使用
  3. 多设备支持：支持多种硬件设备和并行推理
  4. 研究导向：持续集成最新研究成果

未来发展方向

基于 FlagEmbedding 的发展轨迹，未来可能的发展方向：

  1. 模型规模扩展

    • 更大规模的模型
    • 更高效的小模型
    • 领域专用模型

  2. 功能增强

    • 更强的多模态支持
    • 更好的长文本处理
    • 更灵活的混合检索

  3. 效率优化

    • 更快的推理速度
    • 更低的内存占用
    • 更好的硬件适配

  4. 生态完善

    • 更多模型支持
    • 更丰富的工具
    • 更活跃的社区

对社区的贡献

FlagEmbedding 为检索增强大语言模型领域做出了重要贡献：

  1. 开源高质量模型：BGE 系列模型在多个榜单取得领先成绩
  2. 完整工具链：提供从推理、微调到评估的全套工具
  3. 研究成果转化：将最新研究成果快速转化为实用工具
  4. 标准化接口：推动嵌入和重排序模型的接口标准化

附录

完整支持的模型列表

嵌入模型（共 40+ 个）

详细列表请参考：[FlagEmbedding/inference/embedder/model_mapping.py](file:///workspace/FlagEmbedding/inference/embedder/model_mapping.py)

重排序模型（共 9 个）

详细列表请参考：[FlagEmbedding/inference/reranker/model_mapping.py](file:///workspace/FlagEmbedding/inference/reranker/model_mapping.py)

相关资源

参考文献

  1. C-Pack: Packaged Resources To Advance General Chinese Embedding (2023)
  2. LM-Cocktail: Resilient Tuning of Language Models via Model Merging (2023)
  3. Retrieve Anything To Augment Large Language Models (2023)
  4. BGE-M3: Multi-lingual, Multi-functional, Multi-granularity Embedding (2024)

本综述基于 FlagEmbedding v1.1 版本编写，最后更新：2024年

相关推荐
听你说321 小时前
从人力到算力：库萨科技无人清扫车领跑无人化环卫时代
人工智能·科技·机器人
codecrafter1231 小时前
LocalAI 开源AI引擎，本地运行多模态模型无需GPU
人工智能·其他·开源
零壹AI实验室1 小时前
AI Agent开发实战（一）：5分钟搭个能干活的企业级Agent
人工智能
阿聪谈架构1 小时前
第10章：Agent 记忆系统 —— 让 AI 真正"记住"你
人工智能·后端
2zcode1 小时前
基于图像处理与数据分析的智能答题卡识别与阅卷系统设计与实现
图像处理·人工智能·数据分析
互联科技报1 小时前
能做表格的 AI 软件：数以轻舟Agent，AI 原生重构表格数据分析全流程
人工智能·重构·数据分析
深圳季连AIgraphX1 小时前
面向量产的自动驾驶高危场景库构建
人工智能·机器学习·自动驾驶
zzzzzz3101 小时前
60ms 启动一个安全沙箱：深入解析腾讯云 CubeSandbox 的架构设计
人工智能
沪漂阿龙1 小时前
面试题：神经网络的训练怎么讲？损失函数、反向传播、梯度下降、Early Stopping、GPU训练、参数量计算一文讲透
人工智能·深度学习·神经网络
热门推荐
01GitHub 镜像站点02Codex 接入 DeepSeek API 完整配置文档03【AI】2026 年具身智能模型和世界模型总结04CC-Switch & Claude 基于 Linux 服务器安装使用指南05零基础教你claude code 接入 deepseek V406Cursor 接入 DeepSeek‑V4‑Pro 完整指南（2026 实测）07codex app每次打开重连5次Reconnecting问题解决08Windows端Codex接入第三方模型（DeekSeek，BaiLian)09要裂开了！ChatGPT要手机号验证了？注册Codex要求验证电话号码怎么办？2026年登陆Codex要手机号验证的解决办法10裂开！ChatGPT 居然开始要手机号验证，附详细解决方法