netease-youdao/BCEmbedding

这是什么？

核心功能

• 01向量模型支持中文、英文及跨语言语义检索。
• 02重排序模型支持中文、英文、日语和韩语。
• 03重排序器可处理超过 512 个 token 的长段落，上限约 32k token。
• 04重排序输出有意义的相关性分数，可用于过滤低质量段落。
• 05向量模型无需为不同任务单独编写查询指令。
• 06提供 LangChain 和 LlamaIndex 集成，也可直接通过 transformers 或 sentence-transformers 调用。

适用场景

• 搭建中英双语知识库或文档问答系统。
• 在现有 RAG 流程中加入重排序环节，提升检索上下文质量。
• 处理查询与文档语言不同的跨语言搜索。
• 使用仓库提供的评测脚本，在 RAG 任务上对比向量与重排序模型。

快速上手

1. 1

   创建并激活 conda 环境

   conda create --name bce python=3.10 -y
2. 2

   激活 conda 环境

   conda activate bce
3. 3

   从 PyPI 安装 BCEmbedding（请先安装匹配的 torch）

   pip install BCEmbedding==0.1.5

使用前须知

• !为避免 CUDA 版本冲突，需要先手动安装与你系统 CUDA 版本匹配的 torch。
• !嵌入模型目前仅支持中文和英文，重排序模型另外支持日语和韩语。

收录于专题

标签

常见问题

BCEmbedding 是什么？

网易有道开源的中英双语向量嵌入与重排序模型，面向 RAG 检索场景。 BCEmbedding 提供两类用于检索流程的模型：EmbeddingModel 将文本转换为语义向量，用于语义搜索和问答；RerankerModel 对候选段落重新打分，把最相关的结果排到前面。模型面向中文、英文以及跨语言检索，重排序模型还支持日语和韩语。

BCEmbedding 可以免费使用吗？用的什么许可证？

BCEmbedding 以 Apache-2.0 许可证开源。用于商业产品前，请先确认许可证条款。

BCEmbedding 还在维护吗？

半年内有更新。BCEmbedding 最近一次提交是在 2026年9月3日。

BCEmbedding 适合用来做什么？

搭建中英双语知识库或文档问答系统。 在现有 RAG 流程中加入重排序环节，提升检索上下文质量。 处理查询与文档语言不同的跨语言搜索。 使用仓库提供的评测脚本，在 RAG 任务上对比向量与重排序模型。

BCEmbedding 怎么安装和运行？

创建并激活 conda 环境: conda create --name bce python=3.10 -y 激活 conda 环境: conda activate bce 从 PyPI 安装 BCEmbedding（请先安装匹配的 torch）: pip install BCEmbedding==0.1.5

在哪里获取 BCEmbedding？

源代码和安装说明在 GitHub 上：https://github.com/netease-youdao/BCEmbedding