Bge m3
7900°
BAAI | mô hình nhúng | giấy phép MIT | 4.3 GB dưới dạng torrent. Kết hợp truy xuất dày đặc + thưa thớt + đa vector trong một checkpoint. Bản sao đầy đủ BAAI/bge-m3. Để biết thêm chi tiết vui lòng tham khảo repo github của chúng tôi: https://github.com/FlagOpen/FlagEmbedding
Hướng dẫn cho mô hình này
LLM cục bộ tốt nhất theo từng trường hợp sử dụng (Tháng 10 năm 2026): mô hình mở phù hợp cho mọi công việc
Hugging Bay là gì? Một chỉ mục mirror cho các mô hình mở và cách xác minh tải xuống bằng mã băm của nó
Mở weights vs mã nguồn mở vs chỉ API: bạn thực sự được phép làm gì
Cách Cài Đặt Ollama và Chạy AI Cục Bộ (Windows, Mac, Linux)
Tệp GGUF là gì? Giải thích về các mô hình lượng tử hóa (Q4, Q8, fp8, NF4)
Ghi chú của thuyền trưởng
Ghi chú từ 2026-10-13
BGE-M3 là mô hình embedding từ BAAI tích hợp truy xuất dày đặc, thưa thớt và đa vector (kiểu ColBERT) trong một checkpoint duy nhất. Khả năng ba trong một này là lý do chính để chọn nó thay vì một embedder đơn giản hơn. Nó phù hợp với các nhà phát triển xây dựng tìm kiếm, pipeline RAG hoặc bất kỳ hệ thống nào cần truy xuất linh hoạt mà không phải quản lý nhiều mô hình.
Nổi tiếng với
- Ba chế độ truy xuất — dày đặc, thưa thớt, đa vector — trong một checkpoint.
- Giấy phép MIT: cho phép thương mại và nghiên cứu.
- Tải xuống 4,3 GB, có bản sao torrent.
- Được hỗ trợ bởi BAAI, cùng phòng thí nghiệm với gia đình embedding BGE rộng hơn.
Cẩn thận với
- Đây là mô hình embedding, không phải mô hình sinh văn bản — nó tạo ra vector, không phải văn bản.
- Trạng thái trọng số mở không rõ ràng trên trang này; hãy kiểm tra kho BAAI trực tiếp trước khi xây dựng.
- Không có thẻ mô hình chi tiết ở đây; tham khảo GitHub FlagEmbedding để biết đầy đủ cách dùng và hiệu năng.
Phù hợp nhất cho
Lời nhắc để thử
So sánh độ tương đồng câu
Tôi có hai câu: 'Kiến trúc transformer đã cách mạng hóa NLP' và 'Cơ chế attention đã thay đổi cách mô hình ngôn ngữ hoạt động.' Dùng embedding dày đặc của BGE-M3, giải thích cách tính độ tương đồng cosine và điểm 0.85 so với 0.40 cho tôi biết gì về mối quan hệ ngữ nghĩa của chúng.
Thiết kế pipeline truy xuất RAG
Tôi đang xây dựng hệ thống tạo nội dung tăng cường truy xuất trên tập hợp 50.000 tài liệu kỹ thuật. Hướng dẫn tôi cách sử dụng ba chế độ truy xuất của BGE-M3 — dày đặc, thưa thớt và đa vector — cùng lúc, khi nào mỗi chế độ hữu ích nhất và cách kết hợp điểm số khi truy vấn.
Chọn chế độ truy xuất phù hợp
Truy vấn tìm kiếm của tôi là các từ khóa ngắn như 'trường ngày hóa đơn' nhưng tài liệu là hợp đồng pháp lý dài. Chế độ truy xuất nào của BGE-M3 — dày đặc, thưa thớt hay đa vector — nên được ưu tiên nhất, và tại sao? Ưu nhược điểm của từng chế độ cho trường hợp này là gì?
So sánh với
- Claude Opus 5.5Mô hình chỉ APIngữ cảnh 1,000,000 token · Đầu vào $4.00/M, đầu ra $20.00/M
- Claude Fable 5.1Mô hình chỉ APIngữ cảnh 1,000,000 token · Đầu vào $10.00/M, đầu ra $50.00/M
- GPT-6 AstraMô hình chỉ APIngữ cảnh 1,050,000 token · Đầu vào $10.00/M, đầu ra $50.00/M
- Gemini 4 ArgonMô hình chỉ APIngữ cảnh 1,048,576 token · Đầu vào $2.00/M, đầu ra $10.00/M
Thêm mô hình văn bản từ baai
Câu hỏi thường gặp
- Tôi có thể chạy BGE-M3 cục bộ không?
- Mô hình có sẵn dưới dạng torrent 4,3 GB và có giấy phép MIT, vì vậy bạn có thể chạy trên phần cứng của mình; xem GitHub FlagEmbedding để biết thiết lập suy luận được khuyến nghị.
- Điểm khác biệt của BGE-M3 so với các mô hình embedding khác là gì?
- Hầu hết mô hình embedding chỉ hỗ trợ truy xuất dày đặc; BGE-M3 bổ sung truy xuất thưa thớt và đa vector (kiểu ColBERT) trong cùng một checkpoint, cho phép bạn chọn hoặc kết hợp các chế độ mà không cần tải nhiều mô hình.
- Đây có phải là mô hình chat hoặc sinh văn bản không?
- Không — BGE-M3 là mô hình embedding chuyển văn bản thành vector dùng cho tìm kiếm và truy xuất; nó không sinh văn bản phản hồi.
Phán quyết của thuyền trưởngNếu bạn cần cả ba chế độ truy xuất mà không muốn quản lý nhiều mô hình, BGE-M3 là lựa chọn thực tế.
Thuyền trưởng viết những ghi chú này dựa trên mô tả và thẻ mô hình của mô hình. Giá cả và kích thước ngữ cảnh là của nhà cung cấp tại thời điểm viết và có thể thay đổi.
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
Xu hướng phổ biến của bge m3
Điểm nhiệt, 12 tháng gần đây
Điểm nhiệt
7,900°
Tuần này
n/a
Chưa phát hành/được theo dõi
Tháng này
n/a
Chưa phát hành/được theo dõi
Năm qua
n/a
Chưa phát hành/được theo dõi
7,000°
Điểm sàn
Thang điểm chạy từ 0° đến 9.999°. Mọi thứ dưới 7,000° dành cho các mô hình chưa có nguồn nào báo cáo, chúng mang một số thay thế ở đó để danh sách luôn đầy đủ. 7,000° là nơi bắt đầu dữ liệu đo được: một mô hình có dữ liệu thật nhưng gần như không có lượt tải sẽ đứng ở điểm sàn, và các số đo sẽ cộng dồn trên đó. Điểm sàn không nói gì về mô hình; chỉ có các độ trên nó mới phân biệt được các mô hình với nhau.
+900°
Người chia sẻ torrent
1 người vẫn đang chia sẻ trọng số qua torrent hoặc mirror lưu trữ. Việc chia sẻ file tốn băng thông thật và cho thấy trọng số vẫn được quan tâm, nên mỗi người chia sẻ được tính tương đương 1,000 lượt tải trong thành phần lượt tải.
Hiển thị phân tích chi tiết
Mọi con số trên trang này đều có thể kiểm tra được. Điểm nhiệt của mô hình này là 7,900°, và đây là cách nó được xây dựng từng thành phần một, với tổng điểm chạy sau mỗi bước: điểm sàn, số độ mà mỗi nguồn đóng góp, điểm thưởng cho loại mô hình và điểm trừ theo tuổi của trọng số. Màu sắc tương ứng với các dải trên biểu đồ phía trên. Phần chú giải ở cuối định nghĩa mọi thuật ngữ.
- 1Bắt đầu từ điểm sàn.Tại sao là 7,000° chứ không phải 0: thang điểm chạy từ 0° đến 9.999°, và phần dưới 7,000° dành cho các mô hình chưa có nguồn báo cáo, mang số thay thế để danh sách đầy đủ và không bao giờ vượt trên mô hình có dữ liệu. 7,000° là nơi bắt đầu dữ liệu đo được. Một mô hình có dữ liệu thật nhưng gần như không có lượt tải đứng ở đây; mọi thứ tiếp theo là đo lường, và phần trên điểm sàn có mười bước tăng gấp mười lần lượt tải, mỗi bước 300°. Điểm sàn giống nhau cho mọi mô hình, nên nó không quyết định gì; chỉ có các độ trên nó mới quyết định.7,000°tổng đang chạy
- 2Thêm lượt tải về.1,000 lượt tải tương đương tổng cộng, từ Người chia sẻ torrent. Mười lần lượt tải thêm cùng 300°, nên kích thước quan trọng nhưng không bao giờ chiếm hết điểm.+900°7,900°tổng đang chạy
- =Điểm nhiệt.Mô hình này đứng ở đâu trên mọi danh sách của trang này. Không có gì khác điều chỉnh nó.7,900°
Thuật ngữ: các từ dùng ở đây
- Điểm nhiệt
- Một số duy nhất cho biết mô hình được dùng và mong muốn thế nào hiện tại, từ 0° đến 9.999°. Mọi danh sách trên trang này nói về độ hot đều sắp xếp theo nó và không theo gì khác.
- Sàn điểm
- 7.000° là điểm bắt đầu cho mọi mô hình có dữ liệu thật. Thang điểm chạy từ 0° đến 9.999°; phần dưới sàn dành cho mô hình thay thế (mô hình không có dữ liệu), để mô hình có dữ liệu luôn xếp trên mô hình không có. Sàn điểm giống nhau cho tất cả và không quyết định gì; điểm trên sàn mới là thước đo.
- Tương đương lượt tải
- Tất cả những gì điểm số coi là lượt tải, cộng lại: lượt tải thật, mỗi người chia sẻ torrent tính 1.000, mỗi ảnh AI Horde và mỗi lượt chạy trên trang tạo ảnh tính một.
- Thang log
- Đếm theo chục, không phải theo đơn vị: từ 1.000 lên 10.000 lượt tải thêm cùng số điểm như từ 10.000 lên 100.000. Giúp tránh việc các mô hình lớn lấn át hết mọi thứ khác.
- Lượt thích
- Giơ ngón tay cái và lượt thích từ mọi nguồn, mỗi lượt bằng một nửa lượt tải trên thang log.
- Tỷ lệ áp dụng
- Bao nhiêu lượt tải mỗi ngày mà mô hình nhận được hiện tại, tính từ chênh lệch giữa hai lần đọc nguồn. Bằng một phần tư trọng số của lượt tải.
- Đã đo và ước tính
- Đã đo nghĩa là có hai lần đọc từ một nguồn và sự khác biệt là thật. Ước tính nghĩa là chỉ biết tổng số hôm nay và quá khứ được phân bổ trong suốt thời gian tồn tại của mô hình; trang web sẽ nói rõ đang hiển thị loại nào.
- Seeder
- Người giữ bản sao trọng số trực tuyến để người khác tải qua torrent, hoặc một bản sao lưu trữ làm điều tương tự. Mỗi người được tính là 1.000 lượt tải.
- AI Horde
- Một mạng lưới tình nguyện tạo ảnh miễn phí trên máy tính được hiến tặng. Số ảnh nó đã tạo với một mô hình được công khai, và mỗi ảnh được tính là một lượt tải.
- Trang tạo ảnh
- Các trang lưu trữ bản sao mô hình riêng và cho phép người dùng tạo ảnh, như PixAI, SeaArt và Yodayo. Lượt tải của họ được tính giống như Civitai và mỗi lần tạo ảnh được tính là một lượt tải.
- Token OpenRouter
- Mô hình văn bản phục vụ qua API, như Claude hoặc GPT, không có trọng số để tải xuống, nên sử dụng token để đo lường: các đoạn văn bản nó đọc và viết qua OpenRouter, một cổng kết nối nhiều ứng dụng sử dụng, trong 30 ngày qua. Mỗi 10,000,000 token tính là một lượt tải. Nguồn: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
- Mô hình đầy đủ (checkpoint)
- Chính là trọng số, file tự tạo ảnh. Nó được cộng thêm điểm vì các add-on phụ thuộc vào nó.
- LoRA và embedding
- Các file add-on nhỏ giúp điều chỉnh trọng số của người khác theo phong cách, nhân vật hoặc ý tưởng. Chúng không thể chạy riêng.
- Gia đình và trọng số
- Nền tảng mà mô hình xây dựng trên đó, như SD 1.5, SDXL, Flux hoặc Wan. Mỗi mô hình kế thừa ngày phát hành của trọng số gia đình nó.
- Tuổi
- Điểm trừ dựa trên thời gian trọng số gia đình được phát hành: 150° mỗi năm, tối đa 750°. Nó giữ lại lượt tải cũ đã tích tụ nhiều năm bằng cách đóng băng đầu danh sách.
- Tăng gia đình
- Một đẩy nhỏ có giới hạn cho LoRA của một gia đình mà trang này đang ưu tiên, luôn được liệt kê trong phần phân tích.
- Điểm thay thế
- Một số ổn định dưới mức tối thiểu dành cho mô hình chưa có báo cáo nguồn, để danh sách luôn đầy đủ. Nó không bao giờ xếp trên mô hình có dữ liệu.
- Mới! (giai đoạn thử nghiệm)
- Mô hình dưới 7 ngày tuổi hiển thị Mới! thay vì điểm số và không được xếp hạng. Điểm số được tính từ ngày đầu tiên, nhưng mô hình mới một ngày tăng trưởng nhanh nhất, nên nếu không chờ đợi thì #1 tuần này sẽ luôn là mô hình mới ra hôm qua thay vì mô hình giữ vững trong tuần.
- Xu hướng
- Tốc độ tăng trưởng của mô hình trong một khoảng thời gian so với tốc độ tăng trưởng trung bình của mô hình khác trong cùng khoảng thời gian. Nhanh hơn trung bình là tăng, chậm hơn là giảm.
- Mô hình điển hình
- Giữa danh mục: một nửa mô hình có số liệu tăng nhanh hơn trong khoảng thời gian, một nửa tăng chậm hơn.
Cách mà độ phổ biến của mô hình này thay đổi so với phần còn lại của danh mục: sự tăng trưởng về lượt tải xuống, lượt thích và sử dụng qua từng giai đoạn, so với sự tăng trưởng điển hình của mô hình trong cùng giai đoạn, cùng với điểm nhiệt của nó lúc đó. Cao hơn mức tăng trưởng điển hình là tăng, thấp hơn là giảm. Quá khứ được tái tạo từ tổng số hiện tại, ngày đầu tiên của mô hình và tốc độ tải xuống đo được khi có hai lần đọc; mô hình không tồn tại vào đầu giai đoạn sẽ hiển thị n/a.
Chạy cục bộ
Torrents
baai/bge-m3
pytorch_model.bin
onnx/model.onnx_data
colbert_linear.pt
onnx/model.onnx
sparse_linear.pt
Torrents được chia sẻ ngang hàng bởi seeders; ModelTrends.ai không lưu trữ tập tin. Mở liên kết magnet bằng trình BitTorrent và so sánh checksum tập tin hoàn thành với trên danh sách.
Bge m3 là một mô hình văn bản thuộc họ Text / LLM được liệt kê trên ModelTrends.ai, danh mục chỉ đọc về các mô hình AI hình ảnh, video và văn bản mã nguồn mở. So sánh nó với các mô hình Text / LLM khác và xem điểm độ hot để biết xu hướng.
Duyệt theo họ mô hình
Mô hình Text / LLM
434
Mô hình Anima
528
Mô hình Chroma
19
Mô hình Fibo
2
Mô hình Flux
1,496
Mô hình Flux 2 / Klein
1,239
Mô hình Flux 3
3
Mô hình Moss
3
Mô hình Iris
1
Mô hình MiniMax H3
364
Mô hình Hunyuan
204
Mô hình Ideogram
20
Mô hình Krea2
717
Mô hình Qwen
20
Mô hình Qwen2
47
Mô hình Ltx2
153