Embedding dan rerank - Alibaba Cloud Model Studio - Alibaba Cloud Documentation Center

Temukan model yang tepat untuk pencarian semantik, Retrieval-Augmented Generation (RAG), pencocokan lintas modalitas, dan penyusunan ulang.

Migrasi dari model closed-source

Petakan model embedding atau rerank dari OpenAI, Cohere, atau Voyage yang saat ini Anda gunakan ke model Bailian yang setara.

	Contoh closed-source	Rekomendasi 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

Untuk pencarian teks biasa, RAG, atau pengelompokan, gunakan text-embedding-v4. Jika Anda perlu memigrasi indeks v3 yang sudah ada, gunakan text-embedding-v3 agar kompatibel dalam dimensi.

Cara memilih dimensi

Untuk pencarian skala besar dengan penyimpanan terbatas: pilih dimensi 256 atau 512.
Untuk kasus penggunaan umum: pilih dimensi 1.024 (nilai default yang menawarkan keseimbangan baik).
Untuk akurasi pengambilan tinggi: pilih dimensi 1.536 atau 2.048.

Multimodal embedding

Untuk pengambilan lintas modalitas, seperti pencarian teks-ke-gambar atau teks-ke-video, pilih antara vektor tergabung (fused) dan vektor independen.

Vektor tergabung vs. vektor independen

Vektor tergabung: Menggabungkan teks dan gambar menjadi satu vektor untuk pengambilan campuran teks dan gambar. Gunakan qwen3-vl-embedding.
Vektor independen: Menghasilkan vektor terpisah untuk setiap modalitas. Cocok untuk pencarian lintas modalitas (teks-ke-gambar, gambar-ke-gambar). Gunakan tongyi-embedding-vision-plus.

Bekerja hanya dengan data teks?

Gunakan text-embedding-v4 — lebih cepat, lebih hemat biaya, dan menawarkan lebih banyak opsi dimensi. Multimodal embedding digunakan untuk pengambilan lintas modalitas seperti pencarian teks-ke-gambar dan teks-ke-video.

Rerank

Setelah pengambilan berbasis embedding, gunakan model rerank untuk menyusun ulang hasil top-N menggunakan cross-attention demi akurasi yang lebih tinggi.

Rerank teks biasa: Gunakan qwen3-rerank, yang mendukung lebih dari 100 bahasa dan hingga 500 dokumen.
Reranking multimodal: Gunakan qwen3-vl-rerank untuk menyusun ulang campuran teks, gambar, dan video.

Semua model

Model ID	Tipe	Dimensi	Token maksimum	Kasus penggunaan
`text-embedding-v4`	Text embedding	64–2048 (default: 1024)	8.192	Pencarian teks, RAG, pengelompokan
`text-embedding-v3`	Text embedding	512–1024 (default: 1024)	8.192	Migrasi indeks v3 yang sudah ada
`tongyi-embedding-vision-plus`	Multimodal embedding	64–1152 (default: 1152)	1.024	Pencarian lintas modalitas (hanya vektor independen)
`tongyi-embedding-vision-flash`	Multimodal embedding	64–768 (default: 768)	1.024	Pencarian lintas modalitas hemat biaya (hanya vektor independen)
`qwen3-rerank`	Rerank	-	4.000 per item	Menyusun ulang hasil pencarian teks, RAG
`qwen3-vl-embedding`	Multimodal embedding	256–2560 (default: 2560)	32.000	Pengambilan campuran teks dan gambar (vektor tergabung + vektor independen)
`qwen3-vl-rerank`	Rerank	-	8.000 per item	Menyusun ulang hasil pencarian multimodal