Embedding模型作为大语言模型（Large Language Model，LLM）的一个重要辅助，是很多LLM应用必不可少的部分。但是，现实中开源的Emebdding模型却很少。最近，北京智源人工智能研究院（BAAI）开源了BGE系列Embedding模型，不仅在MTEB排行榜中登顶冠军，还是免费商用授权的大模型，支持中文，应该可以满足相当多人的需要。

Embedding模型的重要性

Embedding模型，简单来说，是一种能够将词、短语或整个句子转化为向量形式的技术。这些向量能够捕捉到语义的丰富含义，使计算机可以像处理数字一样来处理文本。在大语言模型时代，Embedding模型可以帮助大模型处理更长的上下文，也可以将大模型与私有数据结合。

关于Embedding的具体介绍和其重要性参考：AI大模型领域的热门技术——Embedding入门介绍以及为什么Embedding在大语言模型中很重要，这里就不再赘述。

但是，尽管开源的LLM很多，强大的embedding模型却很少，尤其是支持中文的可商用的开源embedding模型更少。而此次BAAI发布的BGE系列Embedding模型则是一个天大的好消息！

BGE系列Embedding模型介绍和训练细节

BGE全称是BAAI General Embedding，即北京智源人工智能研究院通用Embedding模型，它可以将任意文本映射到低维的稠密向量。本次发布的BGE系列包含7个版本，其中4个是中文优化的Embedding模型，3个是英文的Embedding模型。

BGE模型的训练有2个阶段：分别是预训练阶段和微调阶段。

在预训练阶段，BGE模型通过使用RetroMAE方法在中英文数据集上进行了预训练。其中英文数据集维Pile、维基百科和msmarco，而中文数据集则来自于wudao。训练使用了24个A100（40G）。

wudao数据集：https://www.datalearner.com/blog/1051648084659749

在微调阶段，BGE使用三元组数据（query, positive, negative）进行微调。使用了48个A100（40G）的资源。目前，该数据没有开源，不过官方宣称未来将开源。

BGE系列模型如下：

BGE系列Embedding模型的效果

目前，Embedding领域的评测比较有影响力范围覆盖较全的是HuggingFace的MTEB排行榜。MTEB全称Massive Text Embedding Benchmark，收集了97个Embedding模型的数据，在74个数据集上评测结果。不过这个排行榜的评测只支持英文。

在MTEB目前的排行榜中，排名前2的就是BGE的两个英文模型，分别是bge-large-en和bge-base-en。

而中文的embedding评测目前缺少足够有权威的排行榜。因此，BAAI自己也发布了一个关于Embedding模型的评测数据，称为C-MTEB，这里的C就是Chinese了。在这个榜单中，目前覆盖了10个模型的评测结果：

可以看到，BGE的模型效果也都是很好的。

BGE系列Embedding模型的使用

BGE模型支持BAAI自己的FlagEmbedding框架，也支持HuggingFace的Sentence-Transformers框架，使用很简单。这里给出Sentence-Transformers框架使用方法：

from sentence_transformers import SentenceTransformer
sentences = ["样例数据-1", "样例数据-2"]
model = SentenceTransformer('BAAI/bge-large-zh')
embeddings_1 = model.encode(sentences, normalize_embeddings=True)
embeddings_2 = model.encode(sentences, normalize_embeddings=True)
smilarity = embeddings_1 @ embeddings_2.T
print(smilarity)

需要注意的是，如果你用BGE来做检索任务，那么需要对每一个查询增加一条指令，如下所示：

from langchain.embeddings import HuggingFaceInstructEmbeddings
encode_kwargs = {'normalize_embeddings': True}
model = HuggingFaceInstructEmbeddings(
    model_name='BAAI/bge-large-en', 
    embed_instruction="", 
    query_instruction="Represent this sentence for searching relevant passages: ",
    encode_kwargs=encode_kwargs
)

BGE系列的Embedding模型的总结

BGE系列模型在MTEB榜单霸榜之后就引起了很多人的关注。对于我们来说，BGE最大的好处是支持中文，且商用免费授权，是中文embedding模型中为数不多的优质选择。而它英文榜单霸榜也引起了很多人的使用，推特上也十分火爆。

不过，BGE一个问题是它的输入序列只有512，这在很多场景下可能不够用。而OpenAI的text-embedding-ada-002最高支持8K的序列长度。不过，在开源领域，512的序列长度输入是主流的输入长度了。MTEB榜单前20名中，除了OpenAI的模型支持8K序列输入，其它模型都是只支持512序列输入。

关于BGE的开源地址、模型权重下载地址等，请参考DataLearner的Embedding模型列表：
https://www.datalearner.com/ai-models/pretrained-models?&aiArea=1005&language=-1&contextLength=-1&openSource=-1&publisher=-1