Encuentre los modelos adecuados para búsqueda semántica, generación aumentada por recuperación (RAG), coincidencia cruzada entre modalidades y reordenamiento.
Migrar desde modelos de código cerrado
Asigne su modelo actual de embedding/reordenamiento de OpenAI, Cohere o Voyage a un modelo equivalente de Bailian.
Ejemplos de código cerrado | Recomendación de Bailian | |
|---|---|---|
Embedding de texto | OpenAI text-embedding-3-large, Voyage-3-large, Cohere embed-v4 |
|
Embedding multimodal | Cohere embed-v4, Voyage multimodal |
|
Reordenamiento | Cohere Rerank 3.5, Voyage rerank-2.5 |
|
Embedding de texto
Para búsqueda de texto sin formato, RAG o agrupamiento, utilice text-embedding-v4. Si necesita migrar índices v3 existentes, utilice text-embedding-v3 para garantizar la compatibilidad de dimensiones.
Cómo elegir una dimensión
- Para búsquedas a gran escala con almacenamiento limitado: elija dimensiones de 256 o 512.
- Para casos de uso generales: elija dimensiones de 1024 (el valor predeterminado, que ofrece un buen equilibrio).
- Para una alta precisión de recuperación: elija dimensiones de 1536 o 2048.
Embedding multimodal
Para la recuperación cruzada entre modalidades, como la búsqueda de texto a imagen o de texto a video, elija entre vectores fusionados e independientes.
Vectores fusionados vs. independientes
- Vector fusionado: Fusiona texto e imágenes en un solo vector para la recuperación mixta de texto e imágenes. Utilice
qwen3-vl-embedding. - Vector independiente: Genera un vector separado para cada modalidad. Adecuado para búsquedas cruzadas entre modalidades (texto a imagen, imagen a imagen). Utilice
tongyi-embedding-vision-plus.
¿Trabaja con datos de solo texto?
Utilice text-embedding-v4: es más rápido, más rentable y ofrece más opciones de dimensiones. El embedding multimodal está diseñado para la recuperación cruzada entre modalidades, como la búsqueda de texto a imagen y de texto a video.
Rerank
Después de la recuperación basada en embeddings, utilice un modelo de rerank para reordenar los primeros N resultados con atención cruzada y lograr una mayor precisión.
- Rerank de texto sin formato: Utiliza
qwen3-rerank, con soporte para más de 100 idiomas y hasta 500 documentos. - Reordenamiento multimodal: Utiliza
qwen3-vl-rerankpara reordenar una mezcla de texto, imágenes y videos.
Todos los modelos
ID de modelo | Tipo | Dimensión | Tokens máximos | Caso de uso |
|---|---|---|---|---|
| Embedding de texto | 64–2048 (predeterminado: 1024) | 8,192 | Búsqueda de texto, RAG, agrupamiento |
| Embedding de texto | 512–1024 (predeterminado: 1024) | 8,192 | Migración de índices v3 existentes |
| Embedding multimodal | 64–1152 (predeterminado: 1152) | 1,024 | Búsqueda cruzada entre modalidades (solo vector independiente) |
| Embedding multimodal | 64–768 (predeterminado: 768) | 1,024 | Búsqueda cruzada entre modalidades optimizada en costos (solo vector independiente) |
| Rerank | - | 4,000 por elemento | Reordenamiento de resultados de búsqueda de texto, RAG |
| Embedding multimodal | 256–2560 (predeterminado: 2560) | 32,000 | Recuperación mixta de texto e imágenes (vector fusionado + vector independiente) |
| Rerank | - | 8,000 por elemento | Reordenamiento de resultados de búsqueda multimodal |