选择适合语义搜索、RAG（Retrieval-Augmented Generation）检索、跨模态匹配和重排序场景的模型。
文本Embedding
纯文本搜索、RAG或聚类场景，推荐使用text-embedding-v4。如果需要迁移已有的v3索引，可使用text-embedding-v3（维度兼容）。
如何选择维度？
大规模搜索且存储空间有限：选择256或512维。
通用场景：选择1024维（默认值，平衡效果好）。
对检索精度要求高：选择1536或2048维。
多模态Embedding
如需跨模态检索（文本搜图片、文本搜视频），根据需求选择融合向量或独立向量。
融合向量 vs 独立向量
融合向量：将文本和图片融合为一个向量，适用于图文混合检索。推荐使用
qwen3-vl-embedding。独立向量：为每种模态分别生成向量，适用于跨模态搜索（文搜图、图搜图）。推荐使用
tongyi-embedding-vision-plus。
只有纯文本数据？
建议使用text-embedding-v4，速度更快、成本更低、维度选择更多。多模态Embedding适用于跨模态检索（文本和图片互搜、文本和视频互搜）。
重排序（Rerank）
用于提升RAG精度：在Embedding检索之后使用重排序模型对Top-N结果进行重排序，通过交叉注意力机制提高排序质量。
纯文本重排序：使用
qwen3-rerank，支持100+语言，最多500个文档。多模态重排序：使用
qwen3-vl-rerank，支持文本、图片和视频混合排序。
所有模型
新加坡
模型 | 类型 | 向量维度 | 最大Token数 | 适用场景 |
| 文本Embedding | 64~2048（默认1024） | 8,192 | 文本搜索、RAG、聚类 |
| 文本Embedding | 512~1024（默认1024） | 8,192 | 已有v3索引迁移 |
| 多模态Embedding | 64~1152（默认1152） | 1,024 | 跨模态搜索（仅独立向量） |
| 多模态Embedding | 64~768（默认768） | 1,024 | 跨模态搜索，注重成本（仅独立向量） |
| 重排序 | - | 4,000/条 | 文本搜索结果重排序、RAG |
北京
模型 | 类型 | 向量维度 | 最大Token数 | 适用场景 |
| 文本Embedding | 64~2048（默认1024） | 8,192 | 文本搜索、RAG、聚类 |
| 多模态Embedding | 256~2560（默认2560） | 32,000 | 图文混合检索（融合向量+独立向量） |
| 重排序 | - | 8,000/条 | 多模态搜索结果重排序 |