随着 RAG(检索增强生成)架构在企业级 AI 应用中的规模化落地,向量模型与重排模型已成为检索链路的核心基础设施。近日,星宇智算旗下星桥 API 正式完成向量模型专区扩容,全面升级 Embedding 与 Rerank 两大核心能力,为开发者提供更丰富的模型选择、更统一的接入标准与更高效的推理调度服务。

一、向量模型专区扩容:覆盖多模态与垂直领域场景
本次扩容后,星桥 API 向量模型专区已接入十余款主流 Embedding 模型,覆盖通用文本、多模态、垂直行业等多个维度,满足不同场景下的向量化需求。
多模态向量能力全面升级
全新接入的 Seed1.6-Embedding-1215 多模态向量模型,基于 Seed1.6-Flash 底座构建,采用双塔结构设计,支持文本、图像、视频三种模态的混合检索。相较于上一代 0615 版本,新版本在语义表征精度、跨模态匹配能力上均有显著提升,在 CMTEB 中文文本向量评测榜单上取得优异表现,可广泛应用于图文检索、视频内容理解、多模态知识库等场景。
该模型支持 2048 与 1024 两种嵌入维度灵活切换,低维度下仍保持较高检索效果,开发者可根据业务对精度与性能的权衡需求自由选择。
通用与垂直领域模型矩阵完善
除多模态向量模型外,专区还涵盖多款通用文本 Embedding 模型,支持中英文及多语言场景,适配企业知识库构建、语义搜索、文本聚类、推荐系统等典型应用。针对医疗、法律、金融等垂直领域,平台也提供专项优化的向量模型,在专业术语理解、行业知识表征上更具优势。
所有向量模型均通过统一 API 接口对外提供服务,兼容 OpenAI 标准协议,开发者无需修改核心代码即可切换不同模型基座,大幅降低多模型适配成本。
二、Rerank 重排能力增强:双阶段检索精度再提升
在 RAG 应用架构中,向量检索负责快速召回候选集,而 Rerank 重排模型则通过交叉编码对结果进行精排,是提升检索准确率的关键环节。本次扩容同步强化了 Rerank 模型矩阵,引入多款主流重排模型。
文本重排模型覆盖不同算力需求
- glm-rerank:智谱 AI 推出的重排序模型,能够精准计算查询与文档间的相关性分值,对向量召回结果进行二次排序,有效提升 Top-K 结果的命中率。
- aliyun-qwen3-rerank:基于 Qwen LLM 底座训练的文本排序模型,支持 100+ 语种与长文本输入,单请求可处理最多 500 篇候选文档,在代码检索、多语言场景下表现突出。
两款模型形成差异化梯度,开发者可根据业务数据量、响应延迟要求与预算水平灵活选型,兼顾效果与成本。
多模态重排填补跨模态精排空白
新增的 aliyun-qwen3-vl-rerank 多模态重排模型,能够深入理解文本、图片、视频的丰富语义信息,支持图文混合检索结果的统一排序。在电商商品检索、媒资内容管理、多模态知识库等场景中,可显著提升跨模态检索的精准度,解决传统向量检索在多模态场景下语义对齐不足的问题。
三、统一接入架构:构建 RAG 全链路一站式服务
星桥 API 向量模型专区采用四层架构设计,从接入层到资源层实现标准化管控,为企业 RAG 应用提供稳定可靠的底层支撑。
接入层提供统一 RESTful API 与多语言 SDK,全面兼容 OpenAI 接口协议,支持 Python、Java、Node.js、cURL 等多种调用方式;模型适配层完成向量与重排模型的输入输出标准化,屏蔽不同厂商的接口差异;推理调度层实现动态批处理、并发队列与弹性扩缩容,保障高并发场景下的服务稳定性;资源管理层提供 GPU/CPU 资源池化、用量统计与统一计费结算能力。
依托这一架构,开发者可在星桥 API 平台一站式获取 向量嵌入 — 重排序 — 文本生成 的完整 RAG 链路能力,配合平台已有的 20+ 主流大语言模型,快速搭建企业级知识库、智能客服、文档问答等应用,无需对接多家厂商接口,大幅缩短应用落地周期。
四、生态持续演进:助力企业 AI 应用规模化落地
截至目前,星桥 API 已接入百余款主流大模型,覆盖文本生成、图像创作、视频生成、向量嵌入、重排序等多个能力维度。平台始终坚持生态开放策略,持续引入优质模型伙伴,不断丰富模型矩阵,为不同行业、不同场景的 AI 应用提供多元化选择。
向量模型专区的扩容与 Embedding、Rerank 能力的增强,是星桥 API 完善检索增强生成全链路能力的重要一步。未来,星宇智算将继续深化模型生态建设,优化推理调度性能,降低企业 AI 应用的接入门槛与使用成本,助力各行业实现智能化升级。
