Embedding 模型不性感，但它決定了你的 RAG 系統到底好不好用。這次的升級，是質變。
MTEB 多語言第一：不只是跑分
Qwen3 Embedding 和 Perplexity 的 pplx-embed 幾乎同時登頂 MTEB（Massive Text Embedding Benchmark）多語言排行榜，支援超過 100 種語言。這不是學術界的小打小鬧——MTEB 是目前最全面的 embedding 評測基準，涵蓋分類、聚類、檢索、重排等多個任務維度。
對中文使用者來說，Qwen3 Embedding 的意義尤其重大。過去的多語言 embedding 模型在中文上的表現往往差強人意，尤其是處理繁體中文、專業術語、以及中英混雜文本時，語意相似度的計算經常失準。Qwen3 在中文上的提升是肉眼可見的，這直接影響了所有基於向量搜尋的應用品質。
Qwen3-VL：多模態 Embedding 的新可能
更值得關注的是 Qwen3-VL 帶來的多模態 embedding 能力。它可以把文字、圖片、甚至圖文混排的內容統一映射到同一個向量空間。這意味著你可以用一句文字描述去搜尋圖片，或者用一張圖片去找相關的文件段落。
對 RAG 系統來說，這打開了全新的應用場景。過去的 RAG 只能處理純文字文件，遇到含有圖表、流程圖、截圖的文件就束手無策。多模態 embedding 讓 RAG 可以真正理解整份文件的完整內容，不再遺漏圖片中的關鍵資訊。
pplx-embed：Perplexity 的搜尋引擎基因
Perplexity 推出 pplx-embed 也在意料之中。作為 AI 搜尋引擎，Perplexity 對 embedding 品質的要求極高——搜尋結果的相關性直接取決於 embedding 的精準度。pplx-embed 針對搜尋場景做了特別優化，在長文檔檢索和跨語言查詢上表現突出。
兩家模型都提供了 API 存取和開源權重（Qwen3 為開源，pplx-embed 為 API），開發者可以根據自己的需求選擇自建或雲端部署。
如果你有在用 RAG，現在就該更新你的 embedding 模型。從 OpenAI text-embedding-3 或舊版 BGE 升級到 Qwen3 Embedding，在中文場景下的檢索品質提升會非常明顯。Embedding 是 RAG 系統的地基——地基不穩，上面的 prompt engineering 做得再漂亮也沒用。這次的模型升級，值得你花一個下午來遷移。
更多 AI 新聞
追蹤 IG 第一時間收到 AI 新聞推播。