Embedding 选型实操：中文优先 bge-m3 一档， reranker 用 bge-reranker-v2-m3 - 知识库问答

知识库问答 / Embedding 选型实操：中文优先 bge-m3 一档， reranker 用 bge-reranker-v2-m3

多份 2026 分析称：在向量库选型之上，Embedding 模型选型对检索质量影响更大——“对的模型+平庸的库”胜过“最好的库+错的模型”。中文/中英混合场景的稳妥默认：BAAI bge-m3（多语言、1024 维）；本地英文场景可用 nomic-embed-text 等轻量模型。铁律：Embedding 必须在入库前定死，入库与查询必须同一模型，换模型=全量重嵌。

适用场景：新建知识库选向量模型；现有库检索差、怀疑向量模型不匹配语言/领域时

Embedding bge-m3 向量模型 中文检索 选型

操作步骤

按语言选：中文或中英混合 → bge-m3 一档；纯英文轻量本地 → nomic-embed-text 等；领域特殊（医学/法律）先拿领域样本实测再定
定维度与成本：维度越高存储/检索成本越高，小库不必盲目上最大模型
用金标问题集对比候选模型在自己文档上的召回，而不是只看公开榜单分数
定版后写进配置并冻结；要换模型，新建索引全量重嵌，不要新旧向量混存一库
rerank 模型单独选（可随时换）：中文默认 bge-reranker-v2-m3（多语言 cross-encoder）

接入本站 API：两条路线：① LIN 若提供 OpenAI 兼容的 embeddings 接口，在 Dify/FastGPT/AnythingLLM 的 Embedding 配置里填 https://tokenbuddy.cc + Key + LIN 的 embedding 模型 ID，全站向量化走 LIN；② LIN 暂不提供时本地部署 bge-m3（FlagEmbedding/sentence-transformers），只把生成 LLM 走 LIN。两条路线二选一并在项目文档里写明，别混用。

注意事项

⚠️ 入库用 A 模型、查询用 B 模型——向量空间不一致，检索结果全是噪声
⚠️ 只看 MTEB 榜单不测自己的文档（榜单语料与你的制度/手册分布差很远）
⚠️ jina-reranker-v2 等模型权重是 CC-BY-NC（据 aifoss 指南）， homelab 可以、商用踩雷——选模型时连许可证一起看

来源：https://aifoss.dev/blog/local-embedding-models-reranker-guide-2026/