OpenPAI 提供主流厂商的 嵌入(Embedding) 与 重排(Rerank) 模型,可直接用于 RAG / 语义检索 / 推荐场景。
嵌入模型
OpenAI
| 模型 ID | 维度 | 备注 |
|---|
text-embedding-3-small | 1536(可缩到 512) | 默认推荐,性价比高 |
text-embedding-3-large | 3072(可缩到 256) | 检索质量更高 |
text-embedding-ada-002 | 1536 | 旧版,兼容用途 |
Google
| 模型 ID | 维度 |
|---|
text-embedding-004 | 768 |
gemini-embedding-001 | 3072(可缩) |
国内 / 开源
| 模型 ID | 维度 | 厂商 |
|---|
bge-large-zh-v1.5 | 1024 | BAAI |
bge-m3 | 1024 | BAAI,多语种 |
text-embedding-v3 | 1024 | 通义千问 |
doubao-embedding | 2048 | 字节跳动 |
调用示例
from openai import OpenAI
client = OpenAI(api_key="sk-...", base_url="https://openp.ai/v1")
resp = client.embeddings.create(
model="text-embedding-3-small",
input=["OpenPAI 是一个 API 网关", "What is RAG?"],
)
for item in resp.data:
print(len(item.embedding), item.embedding[:5])
curl https://openp.ai/v1/embeddings \
-H "Authorization: Bearer $OPENPAI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "text-embedding-3-small",
"input": "OpenPAI 是一个 API 网关"
}'
重排模型(Rerank)
Rerank 用于 RAG 场景中对初步召回结果进行二次排序,提高 Top-K 召回质量。
可用模型
| 模型 ID | 厂商 | 上下文 |
|---|
rerank-multilingual-v3.0 | Cohere | 4K |
rerank-english-v3.0 | Cohere | 4K |
jina-reranker-v2-base-multilingual | Jina | 1K |
bge-reranker-large | BAAI | 512 |
bge-reranker-v2-m3 | BAAI | 8K |
/v1/rerank 端点,完整兼容 Cohere / Jina 的请求结构:
curl https://openp.ai/v1/rerank \
-H "Authorization: Bearer $OPENPAI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "rerank-multilingual-v3.0",
"query": "什么是向量数据库?",
"documents": [
"向量数据库存储高维向量,用于相似度检索。",
"Postgres 是一种关系型数据库。",
"FAISS 与 Milvus 是常见的向量检索方案。"
],
"top_n": 2
}'
{
"results": [
{"index": 0, "relevance_score": 0.98},
{"index": 2, "relevance_score": 0.83}
]
}
选型建议
| 场景 | 推荐 |
|---|
| 中文为主的 RAG | bge-m3 + bge-reranker-v2-m3 |
| 多语种 | text-embedding-3-small + rerank-multilingual-v3.0 |
| 高质量英文检索 | text-embedding-3-large + rerank-english-v3.0 |
| 极低延迟 | text-embedding-3-small + 不做 rerank |
嵌入向量在你的应用侧持久化即可,重排只对召回 Top-50/100 做即可,无需对全量数据 rerank。
