Alibaba Cloud Model Studio:Embedding et rerank

Identifiez les modèles adaptés à la recherche sémantique, à la génération augmentée par récupération (RAG), à la correspondance intermodale et au reranking.

Migrer depuis des modèles propriétaires

Associez votre modèle d'embedding ou de reranking actuel (OpenAI, Cohere ou Voyage) à un modèle Bailian équivalent.

	Exemples de modèles propriétaires	Recommandation Bailian
Text embedding	OpenAI text-embedding-3-large, Voyage-3-large, Cohere embed-v4	text-embedding-v4
Multimodal embedding	Cohere embed-v4, Voyage multimodal	qwen3-vl-embedding, tongyi-embedding-vision-plus
Reranking	Cohere Rerank 3.5, Voyage rerank-2.5	qwen3-rerank, gte-rerank-v2

Text embedding

Pour la recherche en texte brut, le RAG ou le clustering, utilisez text-embedding-v4. Pour migrer des index v3 existants, optez pour text-embedding-v3 afin de garantir la compatibilité des dimensions.

Choisir une dimension

• Recherche à grande échelle avec stockage limité : choisissez 256 ou 512 dimensions.
• Cas d'usage généralistes : choisissez 1024 dimensions (valeur par défaut offrant un bon équilibre).
• Précision de récupération élevée : choisissez 1536 ou 2048 dimensions.

Multimodal embedding

Pour la récupération intermodale, telle que la recherche texte-vers-image ou texte-vers-vidéo, choisissez entre des vecteurs fusionnés et des vecteurs indépendants.

Vecteurs fusionnés ou indépendants

• Vecteur fusionné : Combine le texte et les images en un seul vecteur pour la récupération mixte texte-et-image. Utilisez qwen3-vl-embedding.
• Vecteur indépendant : Génère un vecteur distinct pour chaque modalité. Adapté aux recherches intermodales (texte-vers-image, image-vers-image). Utilisez tongyi-embedding-vision-plus.

Vous travaillez uniquement sur des données textuelles ?

Utilisez text-embedding-v4 : ce modèle est plus rapide, plus économique et propose davantage d'options de dimensions. Le multimodal embedding est conçu pour la récupération intermodale, comme la recherche texte-vers-image et texte-vers-vidéo.

Rerank

Après une récupération basée sur l'embedding, utilisez un modèle de rerank pour réordonner les N premiers résultats via une attention croisée et ainsi améliorer la précision.

• Rerank en texte brut : Repose sur qwen3-rerank, avec la prise en charge de plus de 100 langues et jusqu'à 500 documents.
• Reranking multimodal : Utilise qwen3-vl-rerank pour réordonner un mélange de textes, d'images et de vidéos.

Tous les modèles

Model ID	Type	Dimension	Max tokens	Cas d'usage
text-embedding-v4	Text embedding	64–2048 (par défaut : 1024)	8 192	Recherche textuelle, RAG, clustering
text-embedding-v3	Text embedding	512–1024 (par défaut : 1024)	8 192	Migration d'index v3 existants
tongyi-embedding-vision-plus	Multimodal embedding	64–1152 (par défaut : 1152)	1 024	Recherche intermodale (vecteur indépendant uniquement)
tongyi-embedding-vision-flash	Multimodal embedding	64–768 (par défaut : 768)	1 024	Recherche intermodale optimisée pour les coûts (vecteur indépendant uniquement)
qwen3-rerank	Rerank	-	4 000 par élément	Reranking des résultats de recherche textuelle, RAG
qwen3-vl-embedding	Multimodal embedding	256–2560 (par défaut : 2560)	32 000	Récupération mixte texte-et-image (vecteur fusionné + vecteur indépendant)
qwen3-vl-rerank	Rerank	-	8 000 par élément	Reranking des résultats de recherche multimodale