模型找得到，
下载更顺手。

BGE-EN-ICL 是北京智源 FlagEmbedding 团队发布的英文文本向量模型，重点支持上下文学习（In-Context Learning），用于英文语义检索和文本匹配。 用户可以在查询中提供少量任务示例，帮助模型适配新的检索任务。模型适用于文档召回、知识库检索、问答候选匹配、相似度计算和检索增强生成（RAG），并在 BEIR、MTEB 与 AIR-Bench 等评测中表现较强。 适合英文知识库、专业资料搜索、少样本检索任务和需要通过示例定义匹配规则的业务。

BGE-Code-v1是基于LLM的代码嵌入模型，支持代码检索、文本检索和多语言检索。 优秀的代码检索性能：模型展现出卓越的代码检索能力，支持英语和中文的自然语言查询，以及20种编程语言。 强大的文本检索能力：模型保持了与同规模文本嵌入模型相当的强劲文本检索能力。

BGE-Multilingual-Gemma2 是北京智源 FlagEmbedding 团队基于 Gemma 2 9B 训练的多语言文本向量模型，用于把文本转换成可比较的向量表示。 支持中文、英文、日文、韩文、法文等多种语言，可用于语义检索、跨语言检索、文本分类、聚类、知识库召回和相似度计算。在 MIRACL、MTEB 多语言任务及 AIR-Bench 等评测中具有较强表现。 适合多语言知识库、搜索系统、检索增强生成（RAG）、文档去重、相关推荐和跨语言内容匹配。

BGE-Reasoner-Embed BGE-Reasoner-Embed-Qwen3-8B-0923 是基于 Qwen/Qwen3-8B 训练的嵌入模型，专门用于推理密集型检索任务。 该模型在推理密集型检索任务中表现出色。在 BRIGHT 基准测试中，使用原始查询达到 nDCG@10 为 37.1，展示了强大的推理密集型检索能力。

MegaPairs 是一种数据合成方法，利用开放域图像创建异构 KNN 三元组，用于通用多模态检索。该数据集包含超过 2600 万个三元组，并训练了一系列多模态检索模型 BGE-VL，包括 BGE-VL-CLIP（base 和 large 版本）以及 BGE-VL-MLLM。 BGE-VL 在四个流行的零样本组合图像检索基准测试和大规模多模态嵌入基准测试（MMEB）上取得了最先进的性能。实验表明 MegaPairs 具有高效性、可扩展性和泛化能力。BGE-VL-base 模型

MegaPairs 是一种新型数据合成方法，利用开放域图像创建异构 KNN 三元组，用于通用多模态检索。该数据集包含超过 2600 万个三元组，用于训练 BGE-VL 系列多模态检索模型。 BGE-VL 模型在零样本组合图像检索任务中表现优异。在 CIRCO 基准测试中，BGE-VL-base 仅用 1.49 亿参数就超越了所有先前模型。此外，BGE-VL-MLLM 在 MMEB 基准上实现了最先进的零样本性能，并在 CIRCO 基准上比先前最优模型提升了 8.1%。经过微调

MegaPairs 是一种数据合成方法，利用开放域图像创建异构 KNN 三元组，用于通用多模态检索。该数据集包含超过 2600 万个三元组，用于训练 BGE-VL 系列多模态检索模型，包括 BGE-VL-CLIP（base 和 large 版本）和 BGE-VL-MLLM。 BGE-VL 模型在零样本组合图像检索任务中表现优异，在 CIRCO 基准测试中，BGE-VL-base 仅用 1.49 亿参数就超越了参数多其 50 倍的模型。BGE-VL-MLLM 在 CIRCO 基

MegaPairs 是一种数据合成方法，利用开放域图像创建异构 KNN 三元组，用于通用多模态检索任务。MegaPairs 数据集包含超过 2600 万个训练样本，用于组合图像检索和通用多模态检索任务。基于该数据集，研究团队训练了 BGE-VL 系列多模态检索模型，包括 BGE-VL-CLIP（base 和 large 版本）以及 BGE-VL-MLLM。 BGE-VL 模型在零样本组合图像检索任务中表现优异，在 CIRCO 基准测试上，BGE-VL-base 仅用 1.49

MegaPairs是一种新型数据合成方法，利用开放域图像创建异构KNN三元组，用于通用多模态检索。配套训练的多模态检索模型BGE-VL包括BGE-VL-CLIP（base和large版本）和BGE-VL-MLLM。 零样本组合图像检索：在CIRCO基准测试中，BGE-VL-base仅用1.49亿参数就超越了所有先前模型（这些模型参数多至50倍）。BGE-VL-MLLM在CIRCO上相比先前最优模型提升8.1%。 大规模多模态嵌入基准（MMEB）表现：BGE-VL-MLLM在零

MegaPairs 是一个用于通用多模态检索的数据合成方法，通过开放域图像创建异构KNN三元组，用于训练多模态检索模型。 支持文本、图像以及文本+图像组合输入。模型在零样本组合图像检索任务和大规模多模态嵌入基准（MMEB）上达到领先性能。模型具有高效性、可扩展性和泛化能力。 输入支持三种形式：纯文本、纯图像、或文本与图像组合。图像需调整为512x512分辨率。输出为多模态嵌入向量。使用时可传入带任务指令的提示词格式化为查询，省略提示词则格式化为候选。

Vis-IR（可视化信息检索）是一个新兴的信息检索范式。在该范式中，文本、图像、表格、图表等多模态信息被统一表示为“截图”格式，用于各类检索应用。 UniSE（通用截图嵌入）是一系列检索模型，能够支持截图查询任意数据模态的信息，也可被其他模态查询。UniSE-MLLM在该基准上实现了最优性能。 模型提供两种提示词模板：“query”用于组合图像+文本查询，“document”（默认）用于截图候选对象。

Qwen3Guard-Stream是基于Qwen3构建的安全审核模型系列，专门针对流式场景进行优化，能够在增量token生成过程中进行实时安全监控和内容分类。 实时检测：在增量token生成过程中进行高效、及时的内容审核。 三级严重性分类：将输出分类为安全、有争议、不安全三个级别，支持根据不同部署场景进行调整。

Qwen3-VL-Embedding-2B 是多模态嵌入模型，基于 Qwen3-VL 基座模型构建，专为多模态信息检索和跨模态理解设计。 该模型主要用于多模态信息检索和跨模态理解任务，包括图像文本检索、视频文本匹配、视觉问答和多模态内容聚类等应用场景。 多模态处理能力：模型支持处理文本、图像、截图、视频等多种输入形式，并能处理任意模态组合，如文本加图像、文本加视频等。

Qwen3-VL-Embedding-8B 是多模态嵌入模型，基于 Qwen3-VL 基座模型构建，专为多模态信息检索和跨模态理解设计。 支持处理多种输入模态，包括文本、图像、截图、视频以及任意多模态组合（如文本+图像、文本+视频）。模型可生成高维向量，适用于检索和聚类等广泛应用场景。支持超过30种语言，具备多语言能力。嵌入向量维度最高可达4096，支持用户自定义64至4096范围内的输出维度。支持量化处理。支持自定义维度输出。支持根据不同任务自定义输入指令。

Qwen3-Embedding-0.6B 是阿里云推出的文本嵌入模型，属于 Qwen3 嵌入模型系列。该模型主要用于文本嵌入和排序任务，适用于文本检索、代码检索、文本分类、文本聚类、双语文本挖掘等应用场景。 该模型支持超过100种语言，包括多种编程语言，具备强大的多语言和跨语言检索能力。模型支持自定义指令，可根据不同任务、语言或场景调整输入指令以提升性能。模型支持多维输出（MRL），允许用户自定义嵌入向量维度，范围为32至1024。在大多数检索场景中，使用指令相比不使用指令可

BGE-M3是一个多功能的embedding模型，主要用于信息检索任务，支持密集检索、稀疏检索和多向量检索三种常见的检索功能。 多功能性：可同时执行三种检索功能——密集检索、多向量检索和稀疏检索。 多语言性：支持超过100种工作语言。