Text Embedding V4

用语义找到相关内容

Text Embedding V4 把文本转换成数值向量，让应用能够比较内容含义，而不只依赖相同关键词。例如用户搜索“付款后多久到账”，知识库中的“充值到账时间”也可能与它相关。它适合企业文档检索、客服知识库、文章聚类、相似问题合并，以及为问答模型提供相关资料的 RAG 流程。

模型基于 Qwen3 训练，面向多语言文本表示。单条输入支持最多 8,192 Token，向量维度可在 64 至 2,048 之间选择，默认 1,024 维。较低维度便于控制存储和检索开销，较高维度可以作为追求检索效果时的候选；具体选择应通过自己的问题与文档测试。

它会直接回答用户问题吗？

返回的是向量，不是自然语言答案。典型流程是先将文档切成有意义的片段并建立向量索引，再把用户问题编码后检索相近内容，最后由业务程序或问答模型组织答案。需要更精细地筛选候选资料时，还可以在召回之后加入重排序。

文档应该怎样切分？

尽量保留完整的段落、标题和必要上下文，避免在关键定义中间截断。过大的片段会混入多个主题，过小的片段又可能丢掉解释条件。对于订单规则、产品手册等资料，可用真实问题检查召回的片段是否足以支撑回答。

改维度后能沿用旧索引吗？

查询与文档应使用相同模型和兼容的维度、预处理方式。更换这些条件时，需要重新编码相应数据并建立匹配的索引，避免把不同空间中的向量直接比较。

通过 Embeddings 接口提交文本，并统一设置模型与向量维度。先把“退款申请通过后，款项会按原支付路径退回，到账时间以支付机构处理为准”等知识片段编码入库，再对“退款会退到哪里”生成查询向量，用相似度检索候选片段。

保存文档 ID、原文、模型名和维度，方便把检索结果还原为可阅读资料。用包含同义表达、简短问题和容易混淆问题的测试集检查召回，再调整切块与维度。返回向量后还需检索或分类程序处理，不能把数值数组直接当作用户答案。