> ## Documentation Index
> Fetch the complete documentation index at: https://docs.openp.ai/llms.txt
> Use this file to discover all available pages before exploring further.

# 嵌入与重排模型

> 文本嵌入与文档重排,用于 RAG 场景

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

```python theme={null}
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])
```

```bash theme={null}
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"
  }'
```

详见 [Embeddings 接口](/api-reference/openai/embeddings)。

## 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  |

### 接口

OpenPAI 提供独立的 `/v1/rerank` 端点,完整兼容 Cohere / Jina 的请求结构:

```bash theme={null}
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
  }'
```

响应:

```json theme={null}
{
  "results": [
    {"index": 0, "relevance_score": 0.98},
    {"index": 2, "relevance_score": 0.83}
  ]
}
```

详见 [Rerank 接口](/api-reference/rerank/create-rerank)。

## 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                  |

<Tip>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。</Tip>