前言
rag的时候，Embedding如何选，一般情况都是能力+成本的综合评估，我一般选择，看排行榜（重点关注的哪项能力），然后再看部署成本。一般看mteb的评估即可。
https://huggingface.co/spaces/mteb/leaderboard
MTEB 评估（Massive Text Embedding Benchmark）
这是目前最权威、最广泛使用的 embedding 评估基准，由 Hugging Face 和一批研究人员发起，旨在全面衡量嵌入模型在不同下游任务中的泛化能力。包含 8 大类、58 个任务。具体的分类和任务我们不做讨论。
我们看下embedding 模型应当具备的能力
能力 | 相关任务 | 对应意义 |
语义表征能力 | STS、分类 | 是否能准确理解句子含义 |
检索能力 | 检索、Rerank | 是否能找到语义上相似的句子 |
多语言泛化能力 | 跨语言检索 | 不同语言之间语义是否对齐，英文搜索中文 |
聚类/结构能力 | Clustering | embedding 空间是否语义组织良好 |
迁移泛化能力 | MTEB 全面任务 | 是否在多个任务/数据集上都有效 |
在qwen3-Embedding 0.6b没有出来之前，同规格下，bge-m3还是不错的。
我把表格数据下载下来，丢给chatgpt，让它综合评估了下。
BGE-m3 适用场景和不推荐使用场景
Qwen3 Eembedding亮点
Qwen3 Eembedding基于 Qwen3 系列的密集基础模型，所以它天然的继承了qwen3的多语言能力、长文本理解和推理能力。它提供了各种大小（0.6B、4B 和 8B）的全面文本嵌入和重新排序模型。
- • 卓越的多功能性：嵌入模型在广泛的下游应用评估中取得了最先进的性能。8B 大小的嵌入模型在 MTEB 多语言排行榜上排名第 1（截至2025年6月5日，得分为 70.58），而重排序模型在各种文本检索场景中表现出色。
- • 全面的灵活性：Qwen3 Embedding 系列为嵌入和重排序模型提供了从 0.6B 到 8B 的全尺寸范围，适用于重视效率和效果的各种使用场景。开发者可以无缝地结合这两个模块。此外，嵌入模型允许在所有维度上
灵活定义向量，并且嵌入和重排序模型都支持用户定义的指令，以增强特定任务、语言或场景的性能。 - • 多语言能力：得益于 Qwen3 模型的多语言能力，Qwen3 Embedding 系列支持超过 100 种语言。这包括各种编程语言，并提供了强大的多语言、跨语言和代码检索能力。
- •
MRL 支持表示嵌入模型是否支持自定义最终嵌入的维度。
- •
指令感知表示嵌入或重排序模型是否支持根据不同任务定制输入指令。
通过数据可以看到Qwen3-embedding模型上下文长度为32k，嵌入维度可以灵活自定义。
我也让chatgpt基于mteb评测数据综合评估下qwen3-Embedding
不管是通过官方的介绍，还是chatgpt、deepseek通过评测数据，qwen3-embedding确实强。怎么选？
部署
ollama上还没有这个模型，怎么部署？
在魔塔社区，有对应的GGUF模型。
根据自己的需求选一个即可，我选1.2GB大小的模型。
然后创建一个Modelfile，内容如下
FROM ./Qwen3-Embedding-0.6B-f16.gguf PARAMETER num_ctx 32768
TEMPLATE """{{ .Prompt }}"""
SYSTEM """Text embedding model. Outputs a vector based on input text."""
curl http://127.0.0.1:11434/api/embeddings -d "{\"model\": \"qwen3-embedding:0.6b\", \"prompt\": \"你好，世界\", \"options\": {\"embedding_dim\": 256}}"至于效果，后续实际测试下