嵌入模型

推荐理由：斯坦福团队发了个新研究，说现在 LLM 做文本嵌入比专用模型还好，但成本高得多。看完就知道啥时候该用 LLM，啥时候该用老模型了。

推荐理由：想用一个模型同时搞定稀疏检索和稠密检索？UEmbed把两件事合成了一次前向，9B在MMEB-v2上分数还挺能打，多模态输入也支持。

推荐理由：Fireworks 用不到 10 美元教会你微调 Qwen3-Embedding-8B，三个实验最高 nDCG 涨 36%，做 RAG 的值得看。

推荐理由：Qdrant和FutureAGI要直播修一个RAG agent，现场看每一步改动对效果的影响，还会演示换embedding模型和加rerank。想学RAG调优可以直接围观。

推荐理由：NVIDIA的Nemotron 3 Embed 8B在LMEB和RTEB两个排行榜都拿了第一，适合做智能体长期记忆的检索。

推荐理由：NVIDIA 开源了三个嵌入模型，8B 的 RTEB 第一，1B 的量化版速度翻倍还能保持 99% 精度，适合做检索和 RAG。

推荐理由：做对话系统评估的团队终于有了一个可复现、低成本的替代方案——无需调用大模型就能衡量对话的语义进展，建议做客服或问答系统的开发者试试这个指标。

推荐理由：做RAG系统的团队，如果发现线上召回率不如测试时，这三个原因能帮你快速定位问题，建议对照排查。