目前 MaxKB 内置的向量模型 为maxkb-embedding，即 text2vec-base-Chinese，它是一个针对中文语义匹配任务优化的向量模型，特别适用于中文句子级别的语义匹配任务，早期在多个领域表现出了优秀的性能。从目前的应用的实际效果反馈来看，存在如下不足：
长文本处理能力：该模型默认输入文本长度超过256个词片段时会自动截断，这可能导致长文本中的部分语义信息丢失，影响对整体语义的准确捕捉。在处理长文本时，可能无法有效搜索到相关结果，在长文本处理方面可能存在一定的局限性。
向量模型“坍缩”现象：这text2vec-base-chinese 是基于 BERT 架构的模型，而BERT架构的模型存在“坍缩”现象，即对所有的句子都倾向于编码到一个较小的空间区域内，这使得大多数的句子对都具有较高的相似度分数。虽然text2vec-base-chinese 通过 CoSENT 方法进行了优化，但这一问题可能仍存在一定程度的影响
模型实时性问题：至目前为主，text2vec-base-Chinese官方库最新一次更新时间为[2023/09/20] v1.2.9版本，也就是一年半的时间没有更新了，目前在一些评测中，text2vec-base-chinese 的准确率略低于其他更先进的模型。
对词序和上下文的敏感性：由于模型基于 BERT 架构，对词序和上下文的敏感性较高。在某些情况下，这可能导致对语义的判断不够准确。
向量模型的种类大概分为六大类，向量模型的数量基本也有上百种以上。
BERT (Bidirectional Encoder Representations from Transformers)：这是一种基于 Transformer 架构的预训练语言表示模型，它通过深度双向训练来理解语言的上下文信息。BERT 在自然语言处理（NLP）领域取得了显著的性能提升，被广泛应用于各种任务，如情感分析、问答系统、命名实体识别等。
M3E (Massive Mixed Embedding)：M3E 在私有部署和大规模文本处理方面表现出色，适用于需要私有化和资源节约的场景。它通过大规模混合嵌入技术提高了词向量的表达能力和泛化能力，适用于各种文本处理任务。
BGE (Baidu General Embedding)：BGE 系列模型在全球下载量超过1500万，位居国内开源 AI 模型首位，表明其资源使用高效且受欢迎。BGE 在多语言支持、文本处理能力和检索精度方面表现优异，尤其适合需要高精度和高效率的场景。
Sentence Transformers：基于孪生 BERT 网络预训练得到的模型，对句子的嵌入效果比较好。
OpenAI Embedding (text-embedding-ada-002)： OpenAI 提供的模型，嵌入效果表现不错，且可以处理最大 8191 标记长度的文本。
Instructor Embedding：这是一个经过指令微调的文本嵌入模型，可以根据任务（例如分类、检索、聚类、文本评估等）和领域（例如科学、金融等），提供任务指令而生成相对定制化的文本嵌入向量，无需进行任何微调。
向量模型的选择可以参考 huggingface、魔塔社区等平台的榜单以及详细说明。比如 huggingface 的MTEB 榜单（Massive Multilingual Text Embedding Benchmark）：https://huggingface.co/spaces/mteb/leaderboard，它评估和比较不同文本嵌入模型的基准测试性能，涵盖了多种语言和任务类型，包括法语、英语、中文等112种语言，涉及检索、排序、句子相似度、推理、分类、聚类等任务。通过这些任务，MTEB能够评估模型在不同场景下的表现，为用户提供选择依据。
魔塔社区（https://modelscope.cn/） 成立于2022年6月，是一个模型开源社区及创新平台，由阿里巴巴达摩院联合CCF开源发展委员会，共同作为项目发起方。魔塔社区汇集了超过300个模型，覆盖视觉、语音、自然语言处理、多模态等AI主要领域，模型数量超4万个，这些模型均经过专家筛选和效果验证。
具体在MaxKB中替换向量模型时选择哪一种？这个就需要结合上述六大分类的向量模型，并综合以下几个方面进行考量：
语义理解能力：需要能够理解句子或段落级别的语义，而不仅仅是词汇级别的相似度。处理长文本选支持 8192 tokens 的模型，短文本选轻量模型。
语言支持：仅支持中文还是需要多种语言？中文可以优先选 BGE 系列，多语言可以选OpenAI。
性能与延迟：大模型精度高但耗资源，小模型速度快。针对大规模语料的检索需要考虑计算效率和相似度检索时间。
领域适配性：有些模型对特定任务或领域（如法律、医学）需要采用专业领域模型（微调或者现有的）以提供最佳性能。
部署成本：开源模型可本地部署，如 BGE，闭源模型需API调用，如OpenAI。
根据 Hugging Face 的 MTEB 榜单中，以下是对中文效果比较好的通用型向量模型。
上海合合信息的 acge_text_embedding
特点：该模型专门针对中文语言进行了优化，能够有效处理中文文本的语义特征。在 C-MTEB（Chinese Massive Text Embedding Benchmark）评测中，acge_text_embedding 获得了第一的成绩，展示了其在文本向量化和检索增强生成（RAG）中的强大性能。
适用场景：适用于需要高精度中文文本向量化的任务，如信息检索、文本分类等。
阿里巴巴达摩院的 gte-large-zh
特点：基于大型语言模型，具有较强的语义理解能力。在中文文本嵌入任务中表现优异，尤其是在一些需要理解文本深层语义的场景中。
适用场景：适合需要高精度语义匹配的任务，如问答系统、文本相似度计算等。
北京智源人工智能研究院的 bge-large-zh-v1.5
特点：该模型在中英文语义检索精度与整体语义表征能力上均表现出色。在中文任务中，能够较好地处理文本的语义信息。
适用场景：适用于跨语言检索、多语言文本处理等任务。
moka 的 m3e-base
特点：模型在多语言文本嵌入方面表现良好，对中文也有较好的支持。其特点是模型较小，适合在资源受限的环境中使用。
适用场景：适用于需要在多种语言之间进行文本嵌入和相似度计算的场景
在一些特殊领域也可以使用以下场景模型，比如面向电商、医疗等，可以按照实际场景进行选择：
