選擇適合語義搜尋、RAG（Retrieval-Augmented Generation）檢索、跨模態匹配和重排序情境的模型。
文本Embedding
純文字搜尋、RAG或聚類情境，推薦使用text-embedding-v4。如果需要遷移已有的v3索引，可使用text-embedding-v3（維度相容）。
如何選擇維度？
大規模搜尋且儲存空間有限：選擇256或512維。
通用情境：選擇1024維（預設值，平衡效果好）。
對檢索精度要求高：選擇1536或2048維。
多模態Embedding
如需跨模態檢索（文本搜圖片、文本搜視頻），根據需求選擇融合向量或獨立向量。
融合向量 vs 獨立向量
融合向量：將文本和圖片融合為一個向量，適用於圖文混合檢索。推薦使用
qwen3-vl-embedding。獨立向量：為每種模態分別產生向量，適用於跨模態搜尋（文搜圖、圖搜圖）。推薦使用
tongyi-embedding-vision-plus。
只有純文字資料？
建議使用text-embedding-v4，速度更快、成本更低、維度選擇更多。多模態Embedding適用於跨模態檢索（文本和圖片互搜、文本和視頻互搜）。
重排序（Rerank）
用於提升RAG精度：在Embedding檢索之後使用重排序模型對Top-N結果進行重排序，通過交叉注意力機制提高排序品質。
純文字重排序：使用
qwen3-rerank，支援100+語言，最多500個文檔。多模態重排序：使用
qwen3-vl-rerank，支援文本、圖片和視頻混合排序。
所有模型
新加坡
模型 | 類型 | 向量維度 | 最大Token數 | 適用情境 |
| 文本Embedding | 64~2048（預設1024） | 8,192 | 文本搜尋、RAG、聚類 |
| 文本Embedding | 512~1024（預設1024） | 8,192 | 已有v3索引遷移 |
| 多模態Embedding | 64~1152（預設1152） | 1,024 | 跨模態搜尋（僅獨立向量） |
| 多模態Embedding | 64~768（預設768） | 1,024 | 跨模態搜尋，注重成本（僅獨立向量） |
| 重排序 | - | 4,000/條 | 文本搜尋結果重排序、RAG |
北京
模型 | 類型 | 向量維度 | 最大Token數 | 適用情境 |
| 文本Embedding | 64~2048（預設1024） | 8,192 | 文本搜尋、RAG、聚類 |
| 多模態Embedding | 256~2560（預設2560） | 32,000 | 圖文混合檢索（融合向量+獨立向量） |
| 重排序 | - | 8,000/條 | 多模態搜尋結果重排序 |