Embedding 模型如何选型,BGE 和 BERT 有何区别
哪些公司问过
答案要点
- 效果优先:用业务评测集比较召回率、MRR、NDCG 等,公开榜单(MTEB/C-MTEB)仅作初筛
- 考虑语言与领域匹配、向量维度、最大输入长度,它们影响切块、存储和检索速度
- API 与本地部署的取舍:成本、延迟、限流、数据隐私与合规
- BGE 结构是 BERT 类双向编码器,核心差异在检索导向预训练加对比学习和难负例微调
- BGE 用 CLS 向量做句向量,检索场景下 query 侧可加官方建议的指令前缀
易错点
- 只看公开榜单排名就选型,不在自有数据上评测
- 换了模型却只重编码查询不重建文档索引,导致向量空间不一致
- 忽略最大输入长度,长文本被截断后检索效果下降
面试官常见追问
- 为什么原生 BERT 的 CLS 向量不适合直接做语义检索?
- BGE-M3 有什么特点?
- 换 Embedding 模型需要注意什么?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。