Embedding-модель для RAG выбирают по качеству поиска на своём корпусе, языкам, длине документов и ограничениям deployment. Универсально лучшей модели для всех задач нет.
Какую embedding-модель выбрать для RAG?
Embedding-модель для RAG выбирают по качеству поиска на своём корпусе, языкам, длине документов и ограничениям deployment. Универсально лучшей модели для всех задач нет.
Короткий ответ
Что ответить на собеседовании
Подробный разбор
Ответ с пояснениями
Embedding-модель для RAG выбирают по качеству поиска на своём корпусе, языкам, длине документов и ограничениям deployment. Универсально лучшей модели для всех задач нет.
Соберите набор запросов с релевантными источниками и сравните несколько кандидатов с лексическим baseline. Зафиксируйте chunking, фильтры, k и протокол оценки; измерьте Recall@k, MRR/NDCG, latency и размер индекса. Проверьте инструкции query/document и необходимость reranker. При смене пространства embeddings пересчитывайте индекс, а не смешивайте несовместимые векторы.