RAG进阶：Embedding Models嵌入式模型原理和选择 - 链载Ai

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。

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。

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）。

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"。

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：

因素	说明
任务性质	匹配任务需求(问答、搜索、聚类等)
领域特性	通用vs专业领域(医学、法律等)
多语言支持	需处理多语言内容时考虑
维度	权衡信息丰富度与计算成本
许可条款	开源vs专有服务
最大tokens	适合的上下文窗口大小

# embedding_model效果对比fromsentence_transformersimportSentenceTransformer, utilimportjsonimportnumpyasnp
# 加载SQuAD数据（假设已处理成列表格式）withopen(r"D:\Test\LLMTrain\day18\data\squad_dev.json")asf:  squad_data = json.load(f)["data"]
# 提取问题和答案对qa_pairs = []forarticleinsquad_data: forparainarticle["paragraphs"]:   forqainpara["qas"]:     ifnotqa["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"]foriteminqa_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defevaluate(model, query_embeddings, context_embeddings):  correct =0 foridx, qainenumerate(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   ifqa["answer"]incontexts[best_match_idx]:      correct +=1 returncorrect /len(qa_pairs[:100])

# 编码所有问题query_embeddings1 = model1.encode([qa["question"]forqainqa_pairs[:100]])query_embeddings2 = model2.encode([qa["question"]forqainqa_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%}")

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。

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。

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。

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。