Embedding 模型怎么选？看哪些指标？

先这样答

选型看五个维度，按重要性排。

第一，语言匹配。中文场景优先看中文榜（比如 C-MTEB），英文榜的分再高也不代表中文行；中英混合的语料，要专门测混合查询的效果。第二，检索精度。公开榜单（MTEB 系列是行业常用的参考）看 Recall 和 nDCG，但榜单分只有参考价值——你的语料是垂直领域的，最终要拿自己的数据建一个小评测集复测，这一步才是真正的选型依据。第三，最大输入长度。切分后的块长度不能超过模型的输入上限，512 token 的模型和 8K 的模型，切分策略完全不同。第四，成本和延迟。在线检索是每次查询都要过的链路，向量维度越高、模型越大，成本和延迟越高；维度还直接影响向量库的存储成本。第五，部署约束。企业内网场景必须能私有化，调 API 的闭源模型再准也可能直接出局。

常见的做法是拿三五个候选模型，用自己的评测集各跑一遍召回指标，再结合成本拍板。另外提一句：换 Embedding 模型等于全库重新向量化，这个迁移成本在选型时就要算进去，所以入口处最好把向量化这层抽成可替换的模块。

面试官会怎么追问

• Embedding 模型需要在自己领域上微调吗？ 数据充足、领域术语密集（医疗、法律、金融）时值得做，用正负样本对训练；一般场景先用 BM25 混检和查询改写补，性价比更高。
• BGE 这类开源模型和闭源 API 怎么权衡？ 开源可控可私有化、成本低，闭源省心但数据要出内网。企业场景多数从开源起步。
• 余弦相似度和内积有什么区别？ 向量归一化之后二者等价，主流库默认归一化，选哪个都行；不归一化时才有差异，用之前确认库里默认行为。

回答的坑

• 只会报「用 BGE」。要讲出选型流程：榜单初筛、自有数据复测、成本与部署约束兜底。
• 忽略维度对存储和延迟的影响。检索链路是每次查询都走的，成本账要算在线侧。