你要的AI大模型，都在这里

通义千问Tongyi-Embedding-Vision-Plus是阿里云多模态向量嵌入模型，支持图文联合向量化，适用于多模态RAG检索和跨模态搜索场景。

IBM Granite Embedding提供企业级文本向量化服务，注重数据隐私和安全合规，适合金融、医疗等对安全性要求高的行业RAG系统。

Cohere Embed v3提供多语言向量嵌入服务，支持1024维高精度向量化，是构建多语言RAG系统的优质Embedding模型选择。

AWS Titan Multimodal Embeddings融合文本与图像的联合向量表示能力，适用于跨模态语义搜索和多模态内容推荐系统。

AWS Titan Embeddings提供高质量的文本向量化服务，支持多语言嵌入生成，是Bedwork平台上构建RAG检索系统的标准组件。

在多语言和跨模态检索上有突出表现，E5-Mistral-7B-Instruct。Microsoft E5 Mistral 7B使用指令微调技术，支持灵活的嵌入任务。。

面向检索增强生成(RAG)、推荐系统、语义搜索，E5-Large-v2。Microsoft E5 Large v2是英文语义嵌入的经典模型，在多个基准上表现优异。。

面向检索增强生成(RAG)、推荐系统、语义搜索，Gemini-Embedding。Google Gemini Embedding是多语言文本嵌入模型，支持超过100种语言。。

凭借大规模对比学习训练，Text-Embedding-V4。Text-Embedding-V4是阿里云最新的向量化模型，在中文和多语言语义检索任务上达到SOTA水平。

以检索精度和推理速度为关键指标，Qwen3-Reranker-8B。Qwen3-Reranker-8B是千问系列的重排序模型，在搜索结果精细化排序中表现出色。

凭借先进的双塔或ColBERT架构，Qwen3-Embedding-8B。Qwen3-Embedding-8B是千问系列的高精度向量化模型。

凭借大规模对比学习训练，Qwen3-Embedding-4B。Qwen3-Embedding-4B是高性价比的向量化模型，以4B参数提供出色的语义表征质量。适合成本敏感的大规模检索场景。。

在多语言和跨模态检索上有突出表现，Jina-Embeddings-v3。Jina Embeddings v3支持89种语言和8K上下文窗口，可以根据不同任务（检索、分类、聚类）输出不同维度的向量。

在多语言和跨模态检索上有突出表现，GTE-Large-ZH。GTE Large ZH是阿里巴巴达摩院推出的中文嵌入模型，在中文任务上表现优异。。

为构建企业知识库提供基础能力，GTE-Large-EN。GTE Large EN是GTE系列的英文版本，在英文语义检索上表现优异。。

为信息检索系统提供高质量向量表示，GTE-Base-ZH。GTE Base ZH是GTE Large的轻量版本，适合需要快速推理的场景。。

面向检索增强生成(RAG)、推荐系统、语义搜索，BGE-Large-ZH-v1.5。BGE-Large-ZH-v1.5是智源研究院(BAAI)开发的中文向量化模型。

凭借大规模对比学习训练，text-embedding-3-small。text-embedding-3-small是OpenAI的高性价比向量化模型，在降低90%成本的同时保持了出色的语义表征质量。

作为业界领先的向量嵌入模型，text-embedding-3-large。text-embedding-3-large是OpenAI最高精度的向量化模型，提供3072维高维度向量表征，

作为业界领先的向量嵌入模型，NV-Embed-v2。NVIDIA NV-Embed v2是NV-Embed的升级版本，进一步提升了嵌入质量。。

为构建企业知识库提供基础能力，NV-Embed-v1。NVIDIA NV-Embed v1在MTEB基准上排名第一，精度极高。。

作为业界领先的向量嵌入模型，mxbai-embed-large-v1。Mixedbread mxbai-embed-large在MTEB基准上表现优异，支持多语言。。

凭借先进的双塔或ColBERT架构，jina-reranker-v2。Jina Reranker v2支持多语言和长文本重排序。。

面向检索增强生成(RAG)、推荐系统、语义搜索，jina-embeddings-v2-small-zh。Jina Embeddings v2 Small ZH是轻量版本，支持8K上下文。。