RAG Embedding 嵌入模型

文本向量化，存人向量库，文档粗召回，文档重新排序介绍

BAAI--bge-large-zh-v1.5（向量化，粗召回 亿万级文档）
BAAI--bge-small-zh-v1.5（向量化，粗召回 百万级文档）
BAAI--bge-reranker-large（重新排序）

是中文知识库、英文文档混合场景通用，国内 RAG 首选重排模型.
是中英双语交叉编码器（Cross-Encoder）重排模型，由智源 BAAI 开源，专门做检索结果精排序，是 RAG 知识库、文档问答系统必备组件BGE

1.文本向量，保存到向量库
2.向量相似度召回100条候选，送入reranker 模型按分值重新排序，取出前5条告分文档，和用户输入的问题一起 交给大模型生成答案

典型应用场景
1.企业内部知识库问答（你当前文档上传检索业务）
2.本地文档、PDF、TXT,markdown 检索系统
3.智能客服、医疗 / 法律垂直问答
4.本地搜索引擎、论文文献筛选

模型 参数 模型体积 速度 检索精度 适用场景
bge-small-zh-v1.5 24M ~96MB 最快，CPU 无压力 中等，简单场景够用 单机低配、百万级文档、并发高、轻量化服务
bge-large-zh-v1.5 326M ~1.3GB 慢，推荐 GPU 加速 中文语义匹配更强，歧义区分更好 高精度知识库、专业文档（法律 / 医疗）、追求检索质量