FlagOpen/FlagEmbedding

项目概览

该工具库将检索流程中分散的嵌入、重排序、微调与评估环节集中到同一代码库中，并提供支持 100+ 语言、最长 8192 token 的 BGE-M3 模型。对于需要自行控制和优化检索阶段的 AI 工程师和研究者，这为搭建和调整 RAG 系统提供了可验证的代码路径。

项目类型

RAG 与知识库 · AI 搜索

应用场景

知识问答 · 搜索调研

部署方式

查看项目说明

License

MIT

适合谁

• 需要在本地环境通过编码测试、微调和应用嵌入与重排序模型的 AI 工程师和研究人员。

核心能力

• 提供轻量级和基于 LLM 的交叉编码器（cross-encoder）重排序器，用于改进搜索排序的性能。
• 支持通过专用依赖项和示例，对嵌入模型和重排序器模型进行微调，以便适应特定场景的数据。
• 提供示例和实用程序，用于评估嵌入器和重排序器的性能，帮助用户量化检索效果。

限制与风险

• 项目的微调功能并非默认包含在基础安装中，需要用户额外安装单独的专用依赖项才能使用。
• 项目的交互方式为代码库，使用时必须具备编程能力。此外，运行过程需要配合 BGE 嵌入模型等模型依赖。

如何开始

• 安装难度较低，可通过标准 pip 命令完成安装，无需复杂的基础设施。成功安装后，通过导入 FlagAutoModel 并对句子进行编码即可验证运行。

核验依据

• README: ⚡️BGE: One-Stop Retrieval Toolkit For Search and RAG
• README: pip install -U FlagEmbedding
• README: from FlagEmbedding import FlagAutoModel model = FlagAutoModel.from_finetuned('BAAI/bge-base-en-v1.5', query_instruction_for_retrieval="Represent this sentence for searching releva…
• README: For more details, you can refer to [embedder inference](./examples/inference/embedder), [reranker inference](./examples/inference/reranker), [embedder finetune](./examples/finetun…
• README: BAAI/bge-reranker-v2-m3 | Multilingual | a lightweight cross-encoder model

内容核验时间：