既要按意思找，也不能漏掉型号：BGE-M3 把两种检索放在一起

搜索产品资料时，有两类要求常常同时出现：用户换一种说法，也希望找到相关内容；用户写了确切型号，又不希望结果把它忽略。BGE-M3 的一个实用特点，是同一模型可以提供语义向量与词项权重，让两种检索有机会一起工作。

它是检索模型，不是打开就能上传文件聊天的知识库。对正在搭建资料搜索的开发者，值得看的是它交出的几种数据，以及这些数据怎样影响找回材料。

一段文字，为什么可以有两种表示

模型卡把常见检索方式解释得很清楚。稠密检索将一段文字映射成一个向量，用来比较整体语义；稀疏检索则保留词表中部分词项的权重，更接近关注哪些具体词出现并起作用。

官方示例以BGE-M3和BM25的定义为材料。两条问题分别询问这两个概念，得到的语义相似度矩阵中，各自与对应定义的分数更高。稀疏示例又展示了切分后的词项及权重，读者可以看见结果不只是一个看不懂的总向量。

以产品资料作教学情境，“耗电低的小主机”可能需要语义检索理解表达，而一串精确型号通常还需要词项匹配帮忙。这个情境解释混合检索的动机，并不是官方已经测过的一组中文商品搜索结果。

模型提供不同表示后，系统还要决定如何建立索引、取回候选及合并分数。官方示例展示了稠密、稀疏和ColBERT多向量模式各自的评分，也给出了按权重组合分数的用法。

组合权重会改变排序。强调词项匹配，可能更容易保留型号；强调语义相近，可能找回措辞不同但相关的说明。具体任务需要什么，应由实际查询与相关文档来判断，而不是直接沿用演示里的某组数字。

多向量模式则进一步保留细粒度的向量互动，并不是另一个可以随意与普通单向量索引互换的文件格式。选用时，需要确认存储与检索组件支持相应模式，不能只下载一个权重就宣称三种搜索都已经接好。

官方给出的BGE-M3规格是1024维、最长8192 tokens，覆盖100多种工作语言。tokens属于模型切分长度；长输入能力，也不意味着把一份长报告整体编码，就一定比按章节整理更好。

如果用户寻找的是报告中的一条结论，保留段落位置与标题仍然有用。检索找回后，读者需要打开对应原文，而不是只得到“这份报告可能相关”。项目仓库也建议把混合检索与后续重排结合起来，将初步找回与精细筛选分开。

BGE-M3采用MIT许可。它值得加入已有搜索链路的地方，是让语义和确切词项都能成为可观察的信号。先看一组真实问题分别漏了哪些材料，再决定启用哪种表示，才能判断多出来的这一层是否改善了读者找资料的过程。