AI向量数据库有哪些模型：选型对照

AI向量数据库有哪些模型，分为两类，一类是向量嵌入模型，用来把文本、图片、音频转为向量存入库内，另一类是向量数据库内置索引模型，负责相似度检索、聚类与过滤；你做轻量知识库、本地小问答优先选用轻量嵌入模型，面向企业级多模态检索、百万级以上向量规模，优先搭配大参数量嵌入模型并选用支持HNSW、IVF_PQ索引的向量库，该划分边界针对业务开发人员、大模型应用开发者，不面向底层存储内核开发人员，内核定制场景需要单独实现索引结构。主流嵌入模型包含BGE、E5、all-MiniLM、JinaEmbeddings、GTE，主流索引模型包含HNSW、IVF_PQ、Flat、SCANN、Annoy，不同模型在召回精度、内存占用、检索速度之间存在取舍，你可以根据向量规模、延迟指标、硬件环境直接匹配。

AI向量数据库的嵌入模型

嵌入模型承担向量化转换，输入非结构化数据，输出固定维度向量，向量数据库本身不训练嵌入模型，只接收它产出的向量做存储和检索。BGE系列是国内使用较多的中文嵌入模型，BGE-base适合中文长文本，BGE-small适合对延迟敏感的短文本检索，BGE-large召回效果更好，显存开销更高。E5系列更偏向英文场景，E5-base-v2在英文段落匹配任务里表现稳定，适合跨境文档检索业务。all-MiniLM属于开源轻量模型，参数量小，CPU上推理速度较快，适合单机小体量知识库，向量总量一般控制在十万以内。

JinaEmbeddings支持长上下文，能够处理八千字符以上的文本片段，适合不做分段的长文档入库，在长文档召回场景下，相比短上下文模型，能够减少分段切割带来的信息丢失。GTE兼顾中英文混合文本，在双语检索场景适配性较强，参数版本覆盖小到大多个档位。这些嵌入模型都可以独立部署，也可以调用在线API，再把向量写入Milvus、Chroma、Qdrant这类向量数据库。

嵌入模型的向量维度会直接影响存储成本，768维是比较通用的选择，1536维可以保留更多语义细节，同时占用两倍存储空间。

AI向量数据库内置索引模型

索引模型是向量数据库的核心检索模型，决定查询时怎么在海量向量里找到近似向量，不同向量数据库对索引模型的实现细节略有差别，基础逻辑保持一致。Flat索引是暴力全量比对，召回精度稳定，没有近似损失，但向量数量超过一万之后查询耗时会明显上涨，一般只用在小规模验证或者结果精排阶段。IVF_PQ通过聚类加量化压缩，把向量分组存储，再做乘积量化降低单条向量占用空间，适合百万到千万级向量，内存压力更低，召回精度会有小幅下降。

HNSW基于多层有向图构建，在召回精度和检索速度之间平衡较好，是生产环境里使用率较高的索引模型，需要预留较多内存保存图结构，向量规模达到亿级时，硬件资源投入会随之上升。SCANN由谷歌推出，结合分区、量化和重排，在高并发读取场景表现较好，开源部署的适配工作量高于HNSW。Annoy使用随机投影树，构建速度快，内存占用偏低，但是高召回要求下的检索延迟波动偏大，多用于离线批量检索。

索引模型选定之后，参数调优会改变最终效果，HNSW的ef_construction、ef_search，IVF_PQ的聚类中心数量，都会影响线上服务指标。

不要混淆嵌入模型和索引模型。

业务落地时，你可以采用固定搭配，小规模本地演示选用all-MiniLM加上Flat索引，中文线上知识库选用BGE-base搭配HNSW，海量文档归档检索选用BGE-small搭配IVF_PQ。多模态场景需要更换专门的图像嵌入模型，例如CLIP，再接入同样一套向量索引流程，索引模型本身不区分文本向量、图像向量，只处理数值向量的距离计算。

该分类体系不包含向量数据库配套的重排模型，重排模型属于检索链路的后置模块，不属于向量数据库内置存储索引，重排模型用来对初筛结果二次排序，进一步提升匹配相关性，常见有BGE-Reranker、JinaReranker。向量数据库只负责向量存储、索引查找、过滤，语义理解能力全部来自嵌入与重排模型。