W
AI-Wiki
ENTITY

GTE系列模型

基本定义

GTE系列是阿里达摩院推出的开源多语言向量模型系列，主要服务于检索类场景，尤其是多语言**RAG（检索增强生成）**场景，是当前国内主流的开源嵌入、重排模型选型之一，直接竞品为智源研究院推出的BGE系列模型，也是阿里系技术面试中RAG检索模块的高频考察知识点。

核心成员

GTE系列目前包含两款核心模型，分别对应RAG两阶段检索的不同环节：

GTE-multilingual-base

属于多语言**Embedding（嵌入）**模型，采用Bi-Encoder双塔架构，支持多语言文本的独立向量化转换，查询与文档向量通过余弦相似度计算匹配度，适合大规模离线向量库构建和在线快速召回。该模型在MTEB文本嵌入评测榜单多语言赛道表现优异，主要用于RAG系统的召回阶段。

GTE-multilingual-reranker

属于同系列多语言**重排（Rerank）**模型，采用Cross-Encoder交叉编码器架构，将查询和候选文档拼接后统一编码，通过 query 与 doc 的完整语义交互计算相关性分数，精度远高于双塔嵌入模型，主要用于RAG系统的精排阶段。

竞品对比

GTE系列的核心对标产品为BGE系列模型下的BGE-M3，两者在多语言场景下的性能各有优劣，没有绝对的性能差距：

  1. 选型时建议优先参考MTEB文本嵌入评测榜单对应语言、对应检索子任务的最新得分；
  2. 需结合自身业务测试集的MRR、Precision@k等指标做针对性验证，再最终确定选型；
  3. 若业务属于阿里生态或使用阿里系技术栈，GTE系列通常是优先选型，训练数据分布和语义匹配度更适配。

适用场景与搭配方案

核心适用场景

  1. 多语言RAG场景，对中英文及小语种检索精度有要求的业务；
  2. 阿里系技术栈的内部或生态业务，模型适配性更高；
  3. 对嵌入、重排模型同系列搭配有需求，希望最大化检索精度的场景。

推荐搭配方案

根据RAG两阶段检索架构的要求，推荐同系列模型搭配使用：召回阶段用GTE-multilingual-base从全量文档库中快速召回Top 100候选文档，精排阶段用GTE-multilingual-reranker对候选做精排后取Top 3~Top 5输入大模型。同系列模型训练时的数据分布和语义空间一致性更高，搭配效果优于跨系列组合。

选型注意事项

  1. 参考MTEB文本嵌入评测榜单时不要只看总榜得分，要重点筛选Retrieval检索子任务的得分，RAG场景对其他分类、聚类子任务的得分敏感度较低；
  2. 需结合自身业务的语种范围、文档Chunk长度、GPU部署资源等维度综合评估，不要盲目追求榜单排名；
  3. 正式上线前必须在自有业务测试集上完成性能验证，避免通用榜单表现与业务实际效果偏差的问题。

相关条目