Encontre os modelos ideais para busca semântica, Geração Aumentada por Recuperação (RAG), correspondência entre modalidades e reranking.
Migração de modelos de código fechado
Mapeie seu modelo atual de embedding ou reranking da OpenAI, Cohere ou Voyage para um modelo equivalente no Bailian.
Exemplos de código fechado | Recomendação do Bailian | |
|---|---|---|
Text embedding | OpenAI text-embedding-3-large, Voyage-3-large, Cohere embed-v4 |
|
Multimodal embedding | Cohere embed-v4, Voyage multimodal |
|
Reranking | Cohere Rerank 3.5, Voyage rerank-2.5 |
|
Text embedding
Para buscas em texto simples, RAG ou clustering, use text-embedding-v4. Para migrar índices v3 existentes, use text-embedding-v3 e garanta a compatibilidade de dimensões.
Como source a dimensão
- Buscas em grande escala com armazenamento limitado: escolha 256 ou 512 dimensões.
- Casos de uso geral: escolha 1024 dimensões (padrão com bom equilíbrio).
- Alta precisão na recuperação: escolha 1536 ou 2048 dimensões.
Multimodal embedding
Para recuperação entre modalidades, como busca de texto para imagem ou texto para vídeo, escolha entre vetores combinados e independentes.
Vetores combinados versus independentes
- Vetor combinado: Integra texto e imagens em um único vetor para recuperação mista. Use
qwen3-vl-embedding. - Vetor independente: Gera um vetor separado para cada modalidade. Ideal para buscas entre modalidades (texto para imagem, imagem para imagem). Use
tongyi-embedding-vision-plus.
Trabalha apenas com dados textuais?
Use text-embedding-v4. Esse modelo é mais rápido, econômico e oferece mais opções de dimensão. O multimodal embedding destina-se à recuperação entre modalidades, como buscas de texto para imagem e texto para vídeo.
Rerank
Após a recuperação baseada em embedding, use um modelo de rerank para reordenar os principais resultados (top-N) com atenção cruzada e aumentar a precisão.
- Rerank de texto simples: Usa
qwen3-rerank, com suporte a mais de 100 idiomas e até 500 documentos. - Reranking multimodal: Usa
qwen3-vl-rerankpara reordenar uma combinação de textos, imagens e vídeos.
Todos os modelos
ID do Modelo | Tipo | Dimensão | Máximo de tokens | Caso de uso |
|---|---|---|---|---|
| Text embedding | 64–2048 (padrão: 1024) | 8.192 | Busca de texto, RAG, clustering |
| Text embedding | 512–1024 (padrão: 1024) | 8.192 | Migração de índices v3 existentes |
| Multimodal embedding | 64–1152 (padrão: 1152) | 1.024 | Busca entre modalidades (apenas vetor independente) |
| Multimodal embedding | 64–768 (padrão: 768) | 1.024 | Busca entre modalidades com custo reduzido (apenas vetor independente) |
| Rerank | - | 4.000 por item | Reranking de resultados de busca textual, RAG |
| Multimodal embedding | 256–2560 (padrão: 2560) | 32.000 | Recuperação mista de texto e imagem (vetor combinado + vetor independente) |
| Rerank | - | 8.000 por item | Reranking de resultados de busca multimodal |