一、概念与核心原理
1. 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。
2. 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。
3. 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）。
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 |
|---|---|
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, utilimport jsonimport 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1model2 = 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 = 0for 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 += 1return 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。
1. 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_downloadmodel_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 SentenceTransformermodel = 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_similarityprint(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 HuggingFaceEmbeddingimport 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