---
title: "嵌入模型（Embedding Model）"
slug: embedding-model
language: zh-TW
source: https://aiterms.tw/terms/embedding-model
updated_at: 2026-06-22
tags: [NLP, 向量資料庫, RAG, 語意搜尋, Transformer]
ipas_term: false
---

# 嵌入模型（Embedding Model）

將文字、圖像、音頻等高維度輸入轉換為低維稠密向量表示的模型，使語義相近的內容在向量空間中距離相近。

## 完整說明

嵌入模型（Embedding Model）是一類將離散或高維輸入（如詞語、句子、文件、圖像）映射到低維連續向量空間（稱為「嵌入空間」）的深度學習模型。在此空間中，語義相似的內容對應的向量在距離上相近（如餘弦相似度高），語義不相關的內容則距離遠。嵌入模型是語意搜尋、RAG（Retrieval-Augmented Generation）、向量資料庫、推薦系統等現代 AI 應用的核心基礎元件。

## 常見問題

### 嵌入模型和 LLM 有什麼不同，可以用 LLM 替代嵌入模型嗎？

兩者在設計目標和架構上有本質差異。嵌入模型（通常是 Encoder-only Transformer，如 BERT 系列）的設計目標是將輸入壓縮成一個固定長度的向量，以捕捉語義資訊，推理速度快、計算成本低，特別適合批次處理大量文件並儲存於向量資料庫。LLM（通常是 Decoder-only Transformer，如 GPT 系列）的設計目標是生成文字，雖然也可以提取最後一層的隱藏狀態作為嵌入，但效果通常不如專門針對嵌入任務優化的模型，且推理成本高得多。實務上，建議使用專門的嵌入模型（如 text-embedding-3、voyage-3）做檢索，用 LLM 做生成，兩者分工明確，整體效益更高。

### 如何選擇適合的嵌入模型？

選擇嵌入模型需要考慮幾個維度。第一，任務類型：語意搜尋、分類、聚類對嵌入品質的需求側重不同，可查閱 MTEB Leaderboard 中對應任務類型的排名。第二，語言支援：若需要中文或多語言支援，應選擇明確支援目標語言且在相應語言基準上有測試結果的模型，避免只在英文上驗證的模型。第三，向量維度：更高維度通常品質更好但儲存和計算成本更高；部分模型支援可變維度（如 Matryoshka Representation Learning），可根據需求調整。第四，延遲與吞吐量：批次離線嵌入優先考慮吞吐量，即時查詢嵌入需考慮延遲。第五，成本：API 計費型嵌入模型（如 OpenAI text-embedding）按 token 計費，大量文件時成本可觀；開源模型（如 nomic-embed、bge-m3）可自行部署，長期成本更低。

### 嵌入向量的維度越高，效果就越好嗎？

不一定。高維向量能夠表達更豐富的語義資訊，在複雜任務上可能有優勢，但也帶來更高的儲存成本（向量資料庫的記憶體佔用與維度成正比）、更慢的相似度計算速度，以及在某些場景下的「維度詛咒」問題。實務上，選擇維度應根據具體任務的品質要求和系統資源限制做取捨。近期出現的 Matryoshka Representation Learning（MRL，如 OpenAI text-embedding-3 模型支援此特性）允許截取嵌入向量的前 N 維使用，在保留大部分語義資訊的前提下降低維度，是一個靈活的平衡方案。許多應用在 256 到 768 維之間即可取得相當好的效果，不必盲目追求更高維度。

---

來源：https://aiterms.tw/terms/embedding-model
快查頁：https://aiterms.tw/terms/embedding-model
最後更新：2026/06/22
深度解說：https://aiterms.tw/learning/what-is-embedding-model