RAG系统用开源模型做embedding，到底选bge还是text2vec？

说实话这俩我最后都弃了，直接换成了multilingual-e5-base，中英文混合场景稳得多。你几千条文档真没必要上1024维，bge-large那个检索慢的问题后面用ivf索引能缓解，但chunk这块确实得调，我试下来bge配256长度加64重叠比较合适，text2vec反而适合512的大块。另外提醒下，FAISS里记得做归一化，不然余弦相似度容易出诡异结果。

中英文混杂的场景确实比较头疼，bge和text2vec各有侧重。我们项目文档量跟你差不多，后来试了m3e-base，中文召回比bge稳一些，维度也降到768，FAISS跑起来快不少。几千条数据其实不用太纠结模型，chunk切分策略影响更大，中文建议按句号加换行切，重叠别超过20%，不然长句容易被截断。你可以拿几十条真实query做个对比测试，比看评测榜靠谱。

几千条文档的话真没必要上bge-large，1024维确实拖速度，可以试试bge-small-zh或者m3e-base，体积小一半效果也够用。中英文混杂场景我一般会按语言分流，中文走text2vec、英文走bge，最后合并检索结果。chunk建议先按语义切再固定长度，512配64重叠比较稳，别切太碎不然embedding也救不回来。

中英混杂的话bge对英文更稳，中文长句可以试试bge-m3或者gte-multilingual，几千条文档FAISS用1024维其实也还好。