之前用openwebui，2H4G超开云跑不动 Embedding，最终本地部署+内网穿透到vps。（备用方案拉硅基流动api）
选择Embedding模型，用bge-m3
选择Reranker模型在超开云可以用BAAI/bge-reranker-base（openwebui好像不能拉api，如有实现方式请指正），如果佬友配置不错选择BAAI/bge-reranker-v2-m3。
最终配置是bge-m3+BAAI/bge-reranker-base
简单测试下来是单纯开bge-m3，1000道题库，有一定错误概率。如果是bge-m3+BAAI/bge-reranker-base，提升效果不错。
当然我不是程序员，只是本人实际使用过程，心得分享一下，欢迎指正和分享。
最后纠正下：bge-m3在我笔记本上，内穿到vps(超开云)。reranker重排模型在vps(超开云)上运行。bge-reranker-base占用并不大，2h4g跑的动
所以reranker是本地部署的？
我也是用的这两个
Open WebUI 的嵌入模型可以使用内置引擎拉模型就行(楼主推荐的 BAAI/bge-m3 值得推荐)，也可以使用 Ollama 和 OpenAI 兼容接口的。
重排模型只支持内置引擎拉模型(同样楼主推荐的 BAAI/bge-reranker-v2-m3)的，不支持其它 API 接口的。
我这里一直存在问题。我通过one-api进行聚合，然后使用硅基流动的模型，一直提示 not iterable.
reranker重排模型在vps上，BAAI/bge-reranker-base，2h4g能运行。之前编辑帖子，手动打字太急，已经改正。
BAAI/bge-reranker-v2-m3模型，轻量云2H4G跑不动，需要更好的配置。
感谢佬友回复。这里纠正下，之前打字太急（家人催吃饭），是 BAAI/bge-reranker-base这个重排模型。 
我一直用的是 BAAI/bge-reranker-v2-m3
嵌入层批处理大小 (Embedding Batch Size) 先从16开始测试，慢慢加。
文本向量化我不是专家，给不了建议。
放弃了 还是使用lobechat吧 。lobe在文件处理上确实比oi好很多
个人知识库还是推荐 cherry studio 配合硅基流动；web 端推荐谷歌的 notebook lm
