嵌入模型和向量模型的区别

写 RAG 的时候，一会儿看到「嵌入模型」，一会儿看到「向量模型」，还有「向量化模型」「embedding model」混着用，很容易怀疑自己少学了一个概念。这篇不绕弯子：先给结论，再拆开这个结论在哪些场合成立、哪些场合不成立，最后给一份判断清单，帮你在选型和看文档时不至于把两件事当成四件事。

写 RAG 的时候，一会儿看到「嵌入模型」，一会儿看到「向量模型」，还有「向量化模型」「embedding model」混着用，很容易怀疑自己是不是漏学了一个概念。这篇不绕弯：先给结论，再拆开这个结论在哪些场合成立、哪些场合不成立，最后给一份判断清单，帮你在选型和看文档时不至于把两件事当成四件事。

结论先放在前面：在绝大多数中文文档和教程里，嵌入模型和向量模型指的是同一个东西，只是两拨人站在不同角度给它起了名字。真正需要你警惕的，是把「向量数据库」「向量检索」这类下游概念也当成模型，那才是容易踩的坑。

先说结论：多半是同一个东西的两套叫法

嵌入模型（embedding model）说的是：把一段文本、一张图转成固定长度数值数组的模型，输出的那串数字叫向量，也叫嵌入向量。向量模型是中文语境里对同一类模型的简称，强调它吐出来的是个向量。一个说动作，一个说结果，指向的是同一批东西。

嵌入模型

从原理视角叫的：它把语义「嵌入」到一个低维空间里，方便计算距离。

向量模型

从检索和存储视角叫的：它产出向量，下游拿去做相似度比较。

向量数据库

不是模型，是存向量、查向量的软件，别和模型混为一谈。

向量检索

不是模型，是用向量算相似度的那套流程。

叫法差异只反映说话人的位置：讲模型原理的人习惯说嵌入，讲检索链路的人习惯说向量。你跟同事沟通时用哪个词都行，只要别把它和后面那几个「向量 XX」的概念混着用。

什么情况下两者不是一回事

有一个场合确实要区分：当对方说的「向量模型」指的是整条检索链路，包括切片、编码、建索引、召回，那它比嵌入模型大一圈。嵌入模型只是这条链路里负责编码的那一环，别的环节它不管。

• 它接一段文本、吐一个数组，那就是嵌入模型，叫法随便。
• 它接已有向量、吐一个分数，那是重排或检索环节。
• 它在讲多模态，最好点名是文本侧还是图像侧，别笼统说向量模型。
• 它在讲整条链路，那「向量模型方案」指的是工程方案，不是单个模型。

选型时真正要确认的几件事

名字理清了，选型才是实际要花时间的地方。下面这几件事，比纠结叫法重要得多。

• 先看维度：输出向量多长决定存储和计算开销，维度高不等于好，要结合语料规模和召回要求一起看。
• 再看一致性：入库和查询必须用同一个模型，中途换模型就得全量重跑，不然召回结果会莫名其妙变差。
• 还要看语言和领域：中文语料、代码、法律或医学术语，实际差异比通用介绍里说的大得多。
• 最后看接口：返回结构里向量字段在哪一层，很多坑不是模型问题，是字段取错或者取到空值。

这些参数和当前可选型号不要凭记忆做决定，各家更新很快。到 站内嵌入模型页面（/models/embedding） 核对当时的维度和语言支持，再到 向量数据库目录（/tools/vector-db） 看下游能接哪些存储，两边对上再动手。

落地到 RAG 时的最小动作清单

下面这套顺序适合入门阶段，不需要先把理论补完，边做边验证就行。每一步都留了验证动作，避免做完了才发现方向错了。

1. 定候选模型按语言和领域先圈两三个候选，别一上来就横向比较十几个。圈子越小，验证越快。
2. 定切片方式切片长度和重叠要先于模型定下来，因为切片一变，同一个模型的表现也会跟着变。
3. 拿真实问题试召回从你自己的文档里挑几十条真实问题，跑一轮召回，看命中的是不是该命中的。这一步比看介绍快得多。
4. 定接口字段确认调用返回里向量字段在哪一层，先跑通一条再批量，别在批量阶段才发现字段取错。
5. 留一组验收对照准备一批「问题—期望命中文档」的对照，换模型或换切片后重跑一次，能提前发现退化。

如果你在选型的同时还要评估中转服务的稳定性，可以把验证顺序和 站内测速工具（/tools/speed-test） 一起用，先确认链路通不通，再谈效果。

纠结叫法的时间，够你跑完一轮真实数据的召回了。