Neon与Castform公司联手，用强化学习训练4B开源小模型，在文档搜索上准确率媲美甚至超越GPT-5.6Sol，推理成本仅其百分之一。背后是搜索范式革新：从嵌入式向量匹配转向智能体式搜索，让模型自主执行检索流程。
NVIDIA推出Nemotron3Embed嵌入向量模型系列，专为生产级RAG、智能体检索、代码检索和记忆场景设计。8B版本在RTEB基准测试中排名第一，成为性能最强的开源嵌入模型。系列包含三个开放检查点：精度优先的Nemotron-3-Embed-8B-BF16、轻量化的1B-BF16版，以及针对Blackwell架构优化的1B-NVFP4四比特版本，所有模型均采用双向注意力机制。
稀宇科技技术报告揭示，M2系列模型无法准确输出“马嘉祺”等特定人名，根源在于分词器导致的“词元偏移”问题。模型将名字切分为“马”和“嘉祺”，使得向量空间被挤压，造成识别偏差。这暴露了当前大模型训练中一个普遍但隐蔽的缺陷，影响了特定人名的精确生成。
苹果AI团队推出LiTo模型，仅凭单张图片即可生成高保真3D对象。该技术通过创新的潜在空间和统一3D表示法，将复杂光场数据压缩为紧凑向量，高效编码物体几何与光影交互规律。
Openai
$2.8
Input tokens/M
$11.2
Output tokens/M
1k
Context Length
Google
$0.49
$2.1
Xai
$1.4
$3.5
2k
$7.7
$30.8
200
-
Anthropic
$105
$525
$0.7
$7
$35
$17.5
$21
Alibaba
$4
$16
$1
$10
256
$2
$20
Baidu
128
$6
$24
TomoroAI
TomoroAI/tomoro-colqwen3-embed-4b是一款先进的ColPali风格多模态嵌入模型，能够将文本查询、视觉文档（如图像、PDF）或短视频映射为对齐的多向量嵌入。该模型结合了Qwen3-VL-4B-Instruct和Qwen3-Embedding-4B的优势，在ViDoRe基准测试中表现出色，同时显著减少了嵌入占用空间。
ryandono
本模型是 mixedbread-ai/mxbai-edge-colbert-v0-17m 的量化（Int8 / Q8）版本，专为与 transformers.js 配合使用而导出。它包含了48维ColBERT架构所需的自定义投影层，旨在提供高效的向量检索能力。
spartan8806
这是一个基于sentence-transformers/all-mpnet-base-v2微调而来的句子转换器模型，能够将文本映射到768维的密集向量空间，支持语义相似度计算、语义搜索、文本分类等多种自然语言处理任务。
hetbhagatji09
这是一个基于MiniLM架构的轻量级句子嵌入模型，专门用于生成高质量的句子向量表示。模型采用MultipleNegativesRankingLoss进行训练，在句子相似度计算和特征提取任务上表现出色。
gghfez
本项目为 GLM-4.6 模型提供了创意写作控制向量，通过控制向量技术调节模型在特定维度上的表现，如诚实度与马基雅维利主义倾向、沟通风格等。
redis
这是一个由Redis发布的、针对语义缓存任务优化的双编码器句子嵌入模型。它基于sentence-transformers/all-MiniLM-L6-v2微调，可将文本映射到384维向量空间，专门用于提升LangCache语义缓存系统的查询匹配精度。
这是一个基于sentence-transformers库微调的BiEncoder模型，专门为LangCache语义缓存任务优化。模型将句子和段落映射到384维向量空间，支持语义相似度计算和语义搜索等任务。
MagicalAlchemist
BGE-M3是由BAAI开发的多功能文本嵌入模型，支持多语言、多粒度、多功能的文本表示学习，能够同时处理稠密检索、稀疏检索和多向量检索等多种检索模式。
mlx-community
EmbeddingGemma 300M 4bit是Google开发的轻量级文本嵌入模型，专门针对MLX框架优化。该模型能够将文本转换为高质量的向量表示，适用于各种自然语言处理任务，特别是句子相似度计算和特征提取。
ggml-org
embeddinggemma-300M是一个经过量化优化的轻量级文本嵌入模型，基于Google的embeddinggemma架构，采用QAT（量化感知训练）和Q4_0量化技术，参数量为300M。该模型专门用于生成高质量的文本嵌入向量，支持句子相似度计算和特征提取等任务。
MongoDB
mdbr-leaf-ir 是 MongoDB Research 开发的专为信息检索任务设计的高性能紧凑型文本嵌入模型，特别适用于 RAG 管道的检索阶段。该模型采用知识蒸馏技术，支持非对称架构、MRL 截断和向量量化，在 BEIR 基准测试中表现出色。
Nihal2000
这是 sentence-transformers/all-MiniLM-L6-v2 模型的 TensorFlow Lite 转换版本，专门为边缘设备优化。该模型可将文本映射到384维向量空间，支持语义搜索、文本相似度计算等任务。提供Float32和INT8量化两个版本，量化版本体积缩小约4倍，在CPU上运行速度显著提升。
sangambhamare
基于SBERT架构的马拉地语句子嵌入模型，可将文本映射到768维向量空间
shtilev
这是一个多语言句子嵌入模型，可将句子和段落映射到768维向量空间，适用于聚类和语义搜索等任务。
GeoGPT-Research-Project
GeoEmbedding是一款专为地球科学领域设计的文本嵌入模型，基于高性能大语言模型构建，能够为地球科学文本生成准确且具有上下文感知能力的向量表示。
基于Redis Langcache Embed v1微调的句子转换器模型，用于生成768维句子嵌入向量
trmteb
这是一个基于sentence-transformers的土耳其语句子嵌入模型，能够将句子和段落映射到768维向量空间，适用于语义文本相似度等任务。
PartAI
Tooka-SBERT-V2-Small 是一个经过训练的句子转换器模型，用于语义文本相似度和嵌入任务。它能将句子和段落映射到一个密集向量空间，在这个空间中，语义相似的文本会靠得很近。
专为波斯语设计的语义文本相似度和嵌入模型，能将句子映射到密集向量空间，使语义相近的文本在空间中彼此靠近。
exp-models
这是一个从intfloat/multilingual-e5-small微调而来的sentence-transformers模型，专门针对韩语检索任务优化，将文本映射到384维向量空间。
Claude Context是一个MCP插件，通过语义代码搜索为AI编程助手提供整个代码库的深度上下文，支持多种嵌入模型和向量数据库，实现高效代码检索。
Genkit是一个用于构建AI驱动应用的开源框架，提供Node.js和Go库，支持多种AI模型和向量数据库集成，包含开发工具和插件生态系统。
一个MCP服务器，通过向量嵌入和语义相似性为任何AI模型提供智能搜索Claude Agent Skills的能力，实现渐进式技能发现和跨平台技能共享
本项目构建了一个基于IBM Watsonx.ai的检索增强生成(RAG)服务器，使用ChromaDB进行向量索引，并通过模型上下文协议(MCP)暴露接口。该系统能够处理PDF文档并基于文档内容回答问题，实现了将大型语言模型与特定领域知识相结合的智能问答功能。
该项目是一个基于Model Context Protocol (MCP)标准的文档处理服务器，通过构建向量数据库和MCP接口，使AI助手能够访问外部文档资源，突破大语言模型的知识限制。项目包含文档处理流水线和MCP服务端两大组件，支持多种嵌入模型和文件格式，可应用于最新技术文档查询、私有代码库理解等场景。
百度云向量数据库MCP Server是一个提供对百度云向量数据库功能访问的服务器，支持与多种大语言模型应用程序配合使用。
这是一个为Godot RAG模型提供文档支持的MCP服务器项目，包含文档下载、格式转换、分块处理和向量数据库构建等功能
Chroma MCP Server是一个为Chroma向量数据库设计的模型上下文协议服务器，旨在为AI辅助开发提供持久化的工作记忆功能，支持跨会话的上下文存储和语义检索。
该项目是一个为阿里云Lindorm多模型NoSQL数据库创建的MCP服务器示例，提供了向量搜索、全文检索和SQL操作等功能。
一个用于苹果笔记语义搜索的MCP服务，支持本地嵌入模型、全文搜索和向量存储。
一个基于FAISS的本地向量数据库MCP服务器，提供文档嵌入、语义搜索和RAG功能，支持多种文档格式和自定义嵌入模型。
MCP文档索引器是一个基于Python的本地文档索引与搜索服务器，利用LanceDB向量数据库和本地LLM（通过Ollama）实现实时监控、多格式文档处理和语义搜索，并通过模型上下文协议（MCP）为Claude等AI助手提供工具。
GraphRAG MCP是一个结合Neo4j图数据库和Qdrant向量数据库的混合检索系统，为大型语言模型提供语义和图关系结合的文档检索服务。
基于LanceDB的模型上下文协议服务器，提供向量存储、相似性搜索及元数据管理功能
基于语义理解的代码搜索MCP服务器，使用本地嵌入模型和向量数据库实现智能代码检索，替代传统文本搜索工具
Vectorize MCP Server是一个集成Vectorize服务的模型上下文协议服务器，提供向量检索、文本提取和深度研究功能。
MCP聊天分析服务器是一个基于模型上下文协议(MCP)的服务，提供聊天对话的语义分析功能，包括向量嵌入搜索、知识图谱构建和会话模式分析。
一个轻量级的模型上下文协议(MCP)服务器，提供本地化向量存储和数据库管理，实现AI助手的持久化记忆和上下文管理功能。
Goodday MCP Server是一个用于集成Goodday项目管理平台的模型上下文协议服务器，提供项目管理、任务管理和用户管理功能，支持OpenWebUI集成和向量数据库搜索。
Storm MCP服务器是一个开放协议，实现LLM应用与RAG数据源及工具的无缝集成，支持自定义嵌入模型和向量数据库连接，提供上下文共享、工具系统、文件管理等功能。
%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
'%3e%3cpath%20d='M55.2622%2038L48.2289%2022L44.1206%2031.3333H47.2539L45.7872%2034.6667H38.7622L46.0956%2018H37.6706C36.7539%2018%2036.0039%2018.75%2036.0039%2019.6667V36.3333C36.0039%2037.25%2036.7539%2038%2037.6706%2038H55.2622Z'%20fill='white'/%3e%3cpath%20d='M64.3368%2018H50.3535L59.1535%2038H64.3368C65.2535%2038%2066.0035%2037.25%2066.0035%2036.3333V19.6667C66.0035%2018.75%2065.2535%2018%2064.3368%2018ZM63.0868%2034.6667H59.7535V21.3333H63.0868V34.6667Z'%20fill='%23FFCC66'/%3e%3cpath%20d='M89.3379%2026.75V29.25H81.8379V36.75H91.8379V24.25H81.8379V26.75H89.3379ZM84.3379%2034.25V31.75H89.3379V34.25H84.3379Z'%20fill='white'/%3e%3cpath%20d='M103.504%2036.75V29.25H96.0039V26.75H103.504V24.25H93.5039V31.75H101.004V34.25H93.5039V36.75H103.504Z'%20fill='white'/%3e%3cpath%20d='M115.17%2026.75V24.25H105.17V36.75H115.17V34.25H107.67V31.75H115.17V29.25H107.67V26.75H115.17Z'%20fill='white'/%3e%3cpath%20d='M80.1712%2029.25V29.175L78.9962%2028L80.1712%2026.825V20.425L78.9962%2019.25H69.3379V36.75H78.9962L80.1712%2035.575V29.25ZM77.6712%2034.25H71.8379V29.25H77.6712V34.25ZM77.6712%2026.75H71.8379V21.75H77.6712V26.75Z'%20fill='white'/%3e%3c/g%3e%3cg%20clip-path='url(%23clip1_644_3948)'%3e%3cpath%20d='M169.59%2022.9827L169.59%2023.6491H177.409L168.175%2032.8822L169.118%2033.8248L178.351%2024.5917L178.352%2032.4106H179.685V22.3164L179.018%2022.3157H169.59V22.9827Z'%20fill='white'/%3e%3c/g%3e%3cdefs%3e%3cclipPath%20id='clip0_644_3948'%3e%3crect%20width='80'%20height='20'%20fill='white'%20transform='translate(36%2018)'/%3e%3c/clipPath%3e%3cclipPath%20id='clip1_644_3948'%3e%3crect%20width='20'%20height='20'%20fill='white'%20transform='translate(164%2018)'/%3e%3c/clipPath%3e%3c/defs%3e%3c/svg%3e)
