Bge m3
7900°
BAAI | 嵌入模型 | MIT 授權 | 4.3 GB 以種子檔形式提供。結合密集、稀疏及多向量檢索於一個檢查點。完整鏡像 BAAI/bge-m3。更多詳情請參考我們的 github 倉庫：https://github.com/FlagOpen/FlagEmbedding
本模型的指南
2026年10月最佳本地大型語言模型（LLM）按使用情境分類：每個工作都適合的開放模型
什麼是 The Hugging Bay？一個開放模型的鏡像索引，以及如何用其雜湊值驗證下載
開放權重、開源與僅API：你到底能做什麼
如何安裝 Ollama 並在本地運行 AI（Windows、Mac、Linux）
什麼是 GGUF 檔案？量化模型解說（Q4、Q8、fp8、NF4）
船長筆記
2026-10-13 的筆記
BGE-M3 是 BAAI 推出的嵌入模型，將密集檢索、稀疏檢索與多向量（ColBERT 風格）檢索整合於同一檢查點。這三種檢索能力合而為一，是選擇它而非簡單嵌入器的主要原因。適合開發搜尋、RAG 管線或任何需要靈活檢索而不想管理多模型的系統。
以...聞名
- 三種檢索模式——密集、稀疏、多向量——合於一檢查點。
- MIT 授權：允許商業與研究使用。
- 4.3 GB 下載，提供種子鏡像。
- 由 BAAI 支持，與更廣泛的 BGE 嵌入家族同源。
注意
- 這是嵌入模型，不是生成模型——輸出向量，不產生文字。
- 此頁標示公開權重狀態不明，使用前請直接查閱 BAAI 倉庫。
- 此處無模型卡細節，完整使用與效能請參考 FlagEmbedding GitHub。
可嘗試的提示詞
比較句子相似度
我有兩句話：「Transformer 架構革新了自然語言處理」與「注意力機制改變了語言模型的運作方式」。使用 BGE-M3 的密集嵌入，說明如何計算它們的餘弦相似度，以及 0.85 與 0.40 的分數分別代表什麼語義關係。
設計 RAG 檢索管線
我正在建立一個涵蓋 5 萬份技術文件的檢索增強生成系統。請說明如何同時使用 BGE-M3 的三種檢索模式——密集、稀疏與多向量，何時各模式最有用，以及如何在查詢時結合它們的分數。
選擇合適的檢索模式
我的搜尋查詢是短關鍵字，如「發票日期欄位」，但文件是冗長的法律合約。BGE-M3 的哪種檢索模式——密集、稀疏或多向量——應該給予最高權重？為何？針對此用例，各模式的利弊為何？
比較
- Claude Opus 5.5僅限 API 模型1,000,000 代幣上下文 · $4.00/M 輸入，$20.00/M 輸出
- Claude Fable 5.1僅限 API 模型1,000,000 代幣上下文 · $10.00/M 輸入，$50.00/M 輸出
- GPT-6 Astra僅限 API 模型1,050,000 代幣上下文 · $10.00/M 輸入，$50.00/M 輸出
- Gemini 4 Argon僅限 API 模型1,048,576 代幣上下文 · $2.00/M 輸入，$10.00/M 輸出
更多來自 baai 的文字模型
常見問題
- 我能在本地執行 BGE-M3 嗎？
- 模型以 4.3 GB 種子檔形式提供，採 MIT 授權，可在本地硬體運行；建議參考 FlagEmbedding GitHub 以獲得推薦推理設定。
- BGE-M3 與其他嵌入模型有何不同？
- 大多數嵌入模型只支援密集檢索；BGE-M3 在同一檢查點加入稀疏與多向量（ColBERT 風格）檢索，讓你無需載入多個模型即可選擇或結合模式。
- 這是聊天或文字生成模型嗎？
- 不是——BGE-M3 是嵌入模型，將文字轉為向量用於搜尋與檢索，並不生成文字回應。
船長評語如果你需要三種檢索模式而不想管理多模型，BGE-M3 是實用之選。
船長根據模型自身描述與模型卡撰寫這些筆記。價格與上下文大小為撰寫時提供者資料，可能會變動。
Ranking badge
Updated Oct 22, 2026
Made this model? Show this badge on your page.
Paste it into your Hugging Face card or Civitai description.
Also ranked: #76 Hottest Text / LLM text model
Not this creator?
Get your own badge
bge m3 熱度趨勢
熱度分數，過去 12 個月
熱度分數
7,900°
本週
n/a
尚未發布/追蹤
本月
n/a
尚未發布/追蹤
過去一年
n/a
尚未發布/追蹤
7,000°
基準值
分數範圍是從 0° 到 9,999°。低於 7,000° 的部分是留給還沒被任何來源報告的模型，它們會有一個替代數字，讓列表保持完整。7,000° 是有測量數據開始的地方：有真實數據但幾乎沒下載的模型會在基準值，之後的度數才是測量結果。基準值本身不代表模型好壞，只有基準值以上的度數才會區分模型。
+900°
種子用戶數
有 1 人透過種子或鏡像持續分享權重檔案。分享檔案需要實際頻寬，代表權重仍有人需求，所以每個種子用戶相當於下載量中的 1,000 次。
顯示詳細分析
這個網站上的每個數字都可以查證。這個模型的熱度分數是 7,900°，這裡會一步步拆解它的組成，每加一項就會顯示目前的總分：基準值、每個來源增加的度數、模型類型的加分，以及權重年齡帶來的扣分。顏色對應上方圖表的區間。最後的詞彙表會解釋每個術語。
- 1從基準值開始。為什麼是 7,000° 而不是零：分數範圍是 0° 到 9,999°，低於 7,000° 的部分是留給還沒被任何來源報告的模型，它們有替代數字，讓列表完整且不會超過有數據的模型。7,000° 是有測量數據開始的地方。有真實數據但幾乎沒下載的模型會在這裡；之後的度數是測量結果，基準值以上有十個十倍下載的階段，每階段增加 300°。基準值對所有模型都一樣，不會決定排名；真正區分模型的是基準值以上的度數。7,000°累計總和
- 2加入下載量。總共 1,000 個下載等值，來自 種子用戶數。下載量增加十倍會增加相同的 300°，所以大小很重要，但不會主導分數。+900°7,900°累計總和
- =熱度分數。這個模型在本網站所有排行榜上的位置。沒有其他因素會調整它。7,900°
詞彙表：這裡使用的術語
- 熱度分數
- 一個數字，表示模型目前的使用和需求程度，範圍從 0° 到 9,999°。本網站所有標示「最熱門」的排行榜都是依此排序，沒有其他排序依據。
- 底線
- 每個有實際數據的模型起始於 7,000°。分數範圍是 0° 到 9,999°；底線以下保留給沒有數據的模型，確保有數據的模型總是排名較前。底線對所有人相同，不影響排名；超過底線的度數才是評分依據。
- 下載等值
- 分數中視為下載的所有項目加總：下載本身、每個種子節點算 1,000、每張 AI Horde 圖像和每次生成網站的執行算一。
- 對數刻度
- 以十為單位計數，不是以一為單位：從 1,000 到 10,000 下載增加的度數，和從 10,000 到 100,000 增加的度數相同。這樣能防止巨頭壓過其他模型。
- 喜歡數
- 來自各來源的讚和喜歡，每個在對數刻度上算半個下載量。
- 採用率
- 模型目前每天的下載次數，根據兩次來源讀取的差異計算。權重是下載量的四分之一。
- 實測與估算
- 實測表示有兩個來源的讀數，且差異是真實的。估算表示只知道今天的總數，過去的數據則分散在模型的整個生命週期；網站會說明顯示的是哪一種。
- 種子節點
- 指在線上保留權重檔案供他人透過種子下載的人，或是提供相同服務的鏡像站。每一個種子節點算作1,000次下載。
- AI Horde
- 一個志願者網絡，利用捐贈的電腦免費生成圖片。它用某模型生成的圖片數量是公開的，每張圖片算作一次下載。
- 生成網站
- 自己托管模型並讓人使用它生成圖片的網站，例如PixAI、SeaArt和Yodayo。它們的下載量和Civitai一樣，每次生成算一次下載。
- OpenRouter 代幣
- 透過 API 提供的文字模型，如 Claude 或 GPT，沒有權重可下載，因此使用量以代幣計算：過去30天內透過 OpenRouter（許多應用使用的閘道）讀取和生成的文字片段。每 10,000,000 代幣算作一次下載。來源：OpenRouter (openrouter.ai/rankings)，CC BY 4.0。
- 完整模型（檢查點）
- 權重本身，是能獨立生成的檔案。它會有額外加分，因為其他附加檔案都依賴它。
- LoRA和嵌入
- 小型附加檔案，用來引導別人的權重走向某種風格、角色或概念。它們無法獨立運行。
- 家族與權重
- 模型所建立的基礎，例如SD 1.5、SDXL、Flux或Wan。每個模型都繼承其家族權重的發布日期。
- 年齡
- 根據家族權重發布時間距今多久，扣除的度數：每年150°，最多750°。它會保留那些有多年累積下載的舊模型，防止它們從排行榜頂端消失。
- 家族加成
- 針對本站目前推廣的某個家族的LoRA給予的小幅度限制加成，會在分解中顯示。
- 替代分數
- 給尚無來源報告的模型一個穩定的最低分，讓列表保持完整。它永遠不會高於有數據的模型。
- 全新！(寬限期)
- 不到 7 天的新模型會顯示「全新！」而非分數，且不列入排名。分數從第一天開始計算，但一天大的模型成長最快，若不等待，週榜首將永遠是昨天剛出的模型，而非持續一週的。
- 趨勢
- 模型在某段時間內的成長與典型模型同期成長的比較。比典型快表示上升，比典型慢表示下降。
- 典型模型
- 目錄中的中間值：一半模型在該期間成長較快，一半較慢。
這個模型的受歡迎程度跟整個目錄相比的變化：它在每個時期的下載量、喜歡數和使用量的成長，跟同一時期一般模型的成長相比，還有當時的熱度分數。高於一般成長代表上升，低於則是下降。過去的數據是從今天的總數、模型的第一天和有兩次讀數時的下載速度推算出來的；如果模型在某時期開始時不存在，會顯示 n/a。
本機執行
種子檔
baai/bge-m3
pytorch_model.bin
onnx/model.onnx_data
colbert_linear.pt
onnx/model.onnx
sparse_linear.pt
種子檔由種子者點對點分享；ModelTrends.ai 不托管任何檔案。請用 BitTorrent 用戶端開啟磁力連結，並將完成檔案的校驗碼與列表上的校驗碼比對。
Bge m3 是 Text / LLM 系列的文字模型,收錄於 ModelTrends.ai——一個唯讀的開源 AI 圖片、影片與文字模型目錄。將它與其他 Text / LLM 模型比較,並查看熱度分數了解趨勢。
依模型系列瀏覽
Text / LLM 模型
434
Anima 模型
528
Chroma 模型
19
Fibo 模型
2
Flux 模型
1,496
Flux 2 / Klein 模型
1,239
Flux 3 模型
3
Moss 模型
3
Iris 模型
1
MiniMax H3 模型
364
Hunyuan 模型
204
Ideogram 模型
20
Krea2 模型
717
Qwen 模型
20
Qwen2 模型
47
Ltx2 模型
153