2025年Q4，上市公司Elastic對JinaAI的收購，

在掌聲中落幕。

嵌入模型（Embedding）賽道的故事也降溫了。

JinaAI是LLM時代的新秀，

在嵌入模型領(lǐng)域擁有成熟技術(shù)棧。

嵌入模型不是新玩意，

在AI基礎(chǔ)設(shè)施領(lǐng)域，

是有一定歷史的“常用組件”。

或者說，在AI理解世界方式的演進道路上，

“嵌入模型”這一組件不可或缺。

而Elastic公司，

則在荷蘭阿姆斯特丹成立，

紐交所上市，

尤其擅長檢索與日志分析軟件，

Elastic當年雖然是搜索和AI基礎(chǔ)設(shè)施公司，

但選擇了更為傳統(tǒng)和嚴格的紐交所，

體現(xiàn)它作為企業(yè)級基礎(chǔ)設(shè)施廠商，

（比如Snowflake）的一種穩(wěn)重定位。

從純技術(shù)角度講，是一家中間件平臺，

Elastic收購的原因是啥？

看上去，中間件公司購買了AI新貴，

耳熟能詳?shù)拇鸢甘牵?/p>

Elastic補齊其在模型，

工具鏈和開發(fā)者體驗層面短板，

從而把產(chǎn)品鏈條做得更完整。

文本嵌入模型已趨于成熟，

成為AI基礎(chǔ)設(shè)施的一部分。

在AI基礎(chǔ)設(shè)施被云廠商通吃的周期里，

趕緊把"技術(shù)流量"轉(zhuǎn)成“被收購的價值”實屬正解。

在我看來，嵌入模型雖然不再是黃金極熱賽道，

但它依然在產(chǎn)業(yè)里是螺絲釘般的存在。

文本向量化

（embedding，

文本經(jīng)過嵌入模型后的向量表示過程），

正在演變成一種成熟的通用能力。

嵌入模型競品不少，且開源，

不難發(fā)現(xiàn)，OpenAI、阿里Qwen頭部公司幾家，

都有嵌入模型，

不過OpenAI發(fā)布的最早，

可以追溯到 2022 年 12 月；

除了提高性能之外，一直發(fā)力于降成本；

也就是檢索的成本越來越低。

嵌入模型越大，成本越高，

消耗更多的計算、內(nèi)存和存儲資源。

這里說嵌入模型大，

就是向量維度高的意思。

好比，

小是模糊照片，

看得快但細節(jié)少；

大是高清照片，

細節(jié)豐富但文件大。

要不要“開高清”，

取決于你想看多細。

我觀察到的情況是：

觀察一，

嵌入模型對大模型公司意味著什么呢？

頭部大模型團隊會順手做一個，

簡單說，只是"順手禮包"，不是戰(zhàn)略高地。

那么嵌入模型還有什么玩頭？

觀察二，文本嵌入的門檻在被快速抹平。

幾年前，“誰能把語義檢索做順滑”還算差異化，

但到今天，跑出一個能用的嵌入模型并不難。

開源模型、現(xiàn)成的訓(xùn)練腳本、乃至商用API，

足夠讓大多數(shù)團隊低成本起步。

有技術(shù)小哥哥告訴我：

“BAAI General Embedding和JinaAI，

打得有來有回，他們就在這兩款之間換著用，

哪個好用換哪個。”

我在智源有一個朋友，他告訴我，

BAAI General Embedding的主要技術(shù)骨干，

是一位低調(diào)大佬，

直接匯報給王仲遠，

雖然我給他發(fā)了郵件，

但是為了不給獵頭送炮彈，

本文不實名大佬名諱。

技術(shù)小哥哥們常說，

誰的開源新版本好，

就用誰的，何必買單？

這句閑談的背后，

付費意愿隨之蒸發(fā)。

嵌入模型很容易做好嗎？

答案是否定的。

當答案是否定的，

這就得到了我的第三個觀察，

嵌入模型：門檻雖低，做精不易。

現(xiàn)在的嵌入模型市場很清晰地分成兩種：

入門級和企業(yè)級；

做出一個能用的，并不困難：

經(jīng)驗有且豐富，

我?guī)啄昵皩戨娚掏扑]系統(tǒng)（阿里和京東）的時候，

就寫過類似組件。

我的理解是：

“嵌入模型就像是給語言拍‘X 光’——

它不生成句子，而是揭示“語義的形狀”。

有了這些語義坐標，AI 才能真正知道，

哪兩句話‘意思差不多’，

哪兩篇文檔‘八竿子打不著’。”

現(xiàn)在有開源用起來更爽。

入門級用于輕量級應(yīng)用；

企業(yè)級適合復(fù)雜語義檢索場景，

RAG 高質(zhì)量高要求場景。

紫東太初多模態(tài)檢索算法負責人，

高級算法經(jīng)理郭海云博士，

她告訴“親愛的數(shù)據(jù)”：

“嵌入模型更強調(diào)通用性，

而不是微調(diào)以契合特定業(yè)務(wù)域，

從創(chuàng)新研發(fā)技術(shù)上來說，

這個似乎不是難點了，

更多的是工程實現(xiàn)的巧妙權(quán)衡?！?/p>

類似技術(shù)重點包括，

如何在有限資源上保持泛化能力？

又如何將文本、表格、

圖像、代碼等多模態(tài)特征，

融合到一個穩(wěn)定向量空間。

看上去，能否在這些工程化難題上長期交付，

還是要看團隊技術(shù)水平。

另外，別忘了另一類需求：

是快速試點和中小團隊落地。

這個需求，

基本上被JinaAI的開源模型很好地解決了。

問題來了，

JinaAI靠什么上岸？

它家的優(yōu)勢更準確地說是，

差異化，而非絕對領(lǐng)先。

具體來說：JinaAI在開源社區(qū)的傳播力、

對開發(fā)者友好的工具鏈、

以及易上手組件的能力，

確實讓它在快速試點和中小團隊落地上具有優(yōu)勢。
這些特點是它的差異化，

也是Elastic有意收購或合作的邏輯所在。

相信大家也看出來了，

嵌入模型不是護城河，

是螺絲釘，

客戶需求不同，

螺絲釘?shù)男吞柧筒煌?/p>

還有的客戶關(guān)心：

成本能否壓到可用水平？

索引更新能否實時跟上？

表格、圖像、視頻等非文本數(shù)據(jù)，

能否被統(tǒng)一納入檢索？

我找到了一位原大廠嵌入模型資深研發(fā)，

我認為，他來評價這件事足具資格，

原因是，

他是中國第一代大廠嵌入模型開源技術(shù)主力，

不僅如此，他的身份，

已經(jīng)從技術(shù)轉(zhuǎn)型為全棧產(chǎn)品經(jīng)理，

也有自己的收費AI產(chǎn)品。

很可惜，他不愿意實名，

不過我相信，一些投資人能猜出來，圈子很小。

他告訴我：

“Embedding都我自己弄的，再用ONNX，

“把PyTorch框架上的模型編譯成C++高速版”，

這樣就能讓BERT在CPU上飛起來。

他對比了在端上部署JinaAI的嵌入模型的情況，

對JinaAI的吐槽是：

JinaAI那些模型太大端上不適合。

其廠商官方還停留在“PyTorch”的原始時代，

自然被吐槽“又大又慢”。

他特意提到，他的方案，

比JinaAI（用Pytorch）推理效率高接近一倍。

嵌入模型有兩種技術(shù)路線，

Istari企業(yè)智能創(chuàng)始人，

楊薈博士告訴我：

“嵌入模型的結(jié)構(gòu)和LLM可以是一套

（比如LLM 架構(gòu)去掉中間幾層），

也可以不是一套的?！?/p>

一種是從 LLM 削出來的“Encoder子模型”。

另一種是專門為了相似度檢索優(yōu)化的模型，

或者說Encoder-only模型。

第二種技術(shù)路線的模型不依賴LLM，

而是獨立訓(xùn)練的語義編碼器，

結(jié)構(gòu)上依然是Transformer，

但細節(jié)上做了很多“工程強化”。

嵌入模型要被下游的RAG消費，

或者說和RAG配合使用。

RAG流程有這樣幾個步驟：

1.把企業(yè)已有數(shù)據(jù)（文檔、代碼、FAQ、圖像等）

預(yù)先做向量化，存進向量數(shù)據(jù)庫。

2.查詢階段（實時）把用戶輸入的query轉(zhuǎn)換成embedding，

3.用戶問題和企業(yè)已有數(shù)據(jù)embedding在同一個向量空間里對齊。

4.把檢索到的上下文就是“專有數(shù)據(jù)”補充給LLM。

這樣一來，

大模型就能“理解”企業(yè)內(nèi)部數(shù)據(jù)，

即使它原本沒訓(xùn)練過這些文檔。

如果你仔細觀察，

會發(fā)現(xiàn)一個微妙的變化，

競爭已經(jīng)轉(zhuǎn)向多模態(tài)。

文本向量化的精度差異，

在很多場景里已經(jīng)不足以形成強壁壘。

行業(yè)敘事的重心已經(jīng)開始移動。

文本向量化的紅利期正在結(jié)束：

模型趨同，生態(tài)成熟，增量創(chuàng)新有限。

嵌入模型是“找資料”的工具，

長上下文是“讀資料”的范圍。

多模態(tài)嵌入模型，

正在成為新的機會窗口。

又或者是不得不踢的加時賽。

把圖像、音頻、

視頻、代碼等復(fù)雜數(shù)據(jù)，

壓縮進一個可用的語義空間，

并能被下游——RAG（檢索增強生成）有效消費，

這才是2025年之后的真正戰(zhàn)場。

誰能解決多模態(tài)的“粒度對齊”與“上下文整合”，

誰就能在下一個周期里拔得頭籌。

整個行業(yè)往多模態(tài)方向上的加速被推動了。

RAG是業(yè)界當紅解決方案，

也是嵌入模型消費的大頭，

若RAG沒前途，嵌入模型也沒有前途了，

我觀察到有如下行業(yè)觀點的碰撞：

正方觀點：

“模型長上下文能力的增長，

正在降低RAG的必要性?！?/p>

此方觀點認為：

過去，大模型的上下文窗口有限，

RAG必須非常精準，

把“最有價值的（文檔片段）”，

向量化后送給模型，

否則就放不下。

而如今，2M級上下文窗口已成為現(xiàn)實，

用戶可以直接把長文輸入模型，

繞過embedding，

也能獲得不錯的效果。

換句話說，embedding不再是“必須”，

而只是“可選”。

只要大模型能力一直增長，

只要OpenAI這樣的企業(yè)一直投錢，

只要這場競賽一直持續(xù)，

大于2M的上下文窗口需要用embedding嗎？

或者換一種專業(yè)技術(shù)表達，

當上下文窗口超過 2M tokens 時，

模型是否仍需要通過嵌入模型生成語義向量，

以支持RAG？

當然，2M tokens≈3本《紅樓夢》

當然embedding依然可以用。

原來就是很重要，

現(xiàn)在一些場景非必需了。

也就是說，

以前塞不下，

需要嵌入模型精準地“挑出”。

而現(xiàn)在上下文變長（2M+ token），

——可以塞更多候選資料進去，

對“精確召回”的要求沒那么高，

嵌入模型的存在價值，

從“必需”變成“輔助”。

長上下文解決的是“能放多少信息”；

RAG解決的是，

“如何找到最相關(guān)的信息”。

也就是說，

長上下文削弱了對“高精度embedding檢索”的剛需，在文本場景的“剛需屬性”正在消解。

文本檢索與大模型結(jié)合的護城河在坍塌。

坐擁1500+企業(yè)客戶的Elastic，

其客戶仍然有大數(shù)據(jù)量需求，

用嵌入模型作為一個工具沒問題，

但它已經(jīng)不是必備條件。

甚至部分產(chǎn)品已經(jīng)完全繞開嵌入模型，

效果還要好。

嵌入模型在文本這里的紅利期走到盡頭，

但多模態(tài)數(shù)據(jù)還沒有。

尤其是多種模態(tài)的數(shù)據(jù)，

無法直接用長上下文“硬塞”，

必須依賴這種手段，

文本的向量化正在成為成熟組件，

而多模態(tài)的向量化仍是行業(yè)必爭之地。

反方觀點上，

紫東太初多模態(tài)檢索算法負責人，

高級算法經(jīng)理郭海云博士，

告訴“親愛的數(shù)據(jù)”：

“我不贊同上述說法。”

郭海云博士參與了，

紫東太初Taichu-mRAG框架的研發(fā)，

（通過統(tǒng)一多模態(tài)細粒度檢索引擎，

與紫東太初多模態(tài)大模型協(xié)同，

實現(xiàn)了檢索召回率，

和端到端問答準確率的雙重提升）

她談到，當前AGI有兩大趨勢，

會導(dǎo)致模型的長上下文需求越來越高，

RAG的需求并沒有降低。

一個趨勢是很多場景需要模型進行多模態(tài)推理，

推理中，思維鏈的生成，

會加劇模型輸入上下文的長度增長，

另一個趨勢是multi-agent技術(shù)的發(fā)展，

Agent的memory也會增加上下文的長度，

因為交互上下文就是memory的一部分。

尤其當前Agent落地的一大瓶頸就是上下文工程；

上下文太長，信息冗余，

長上下文也還沒建模好，

上下文太短又信息不足，

所以需要檢索技術(shù)精準找到最相關(guān)的上下文。

雙方觀點有分歧主要存在于，

RAG是否會因為大模型能力上漲而重要性下降，

但是，對于“多模態(tài)尚有紅利”，

雙方都沒有爭議。