diff --git a/cli/src/lib/deploy.ts b/cli/src/lib/deploy.ts
index fe552b3..49d9bf0 100644
--- a/cli/src/lib/deploy.ts
+++ b/cli/src/lib/deploy.ts
@@ -163,8 +163,27 @@ export interface DeployContext {
   kbdbEmbed?: boolean;
 }
 
-/** Vectorize index 名（kbdb embed 模組用）。bge-base-en-v1.5 = 768 維、cosine。 */
-export const KBDB_VECTORIZE_INDEX = 'arcrun-kbdb-embed';
+/**
+ * Vectorize index 名（kbdb embed 模組用）。**bge-m3 = 1024 維、cosine。**
+ *
+ * 🔴 2026-08-03 換代（leo 拍板；5 組中文測資實證：舊 `bge-base-en-v1.5` 排序 2/5、
+ *   margin −0.0413＝**中文根本不能用**；`bge-m3` 5/5、+0.1410、959ms）。
+ *   leo 08-05：「換 embed model 當然要合併，當然要換 vectorize，原本的根本不能用」。
+ *
+ * **換模型必須換 index，且必須換「名字」**：
+ *   ① 維度 768→1024，舊 index 收不進新向量
+ *   ② 就算維度相同也不能沿用——不同模型的向量混在同一 index，比對出來是垃圾；
+ *      而 #58（Vectorize vector delete 未接）代表舊向量刪不掉
+ *      ⇒ **開新名字的 index 反而順手繞開 #58**，且新舊並存可回滾。
+ *
+ * ⚠️ 這個常數同時被 `ensureVectorizeMetadataIndexes()` 使用（deploy.ts:426）
+ *   ⇒ t36 的四個 metadata index（owner_id/entry_type/source/library，Arcrun#11 根因修復）
+ *   會自動建在新 index 上，**不會因為改名而遺失**（已查證，非假設）。
+ *
+ * 既有實例遷移：部署後 `POST /embed/backfill {"reindex":true}` 重嵌到 remaining=0，
+ * 確認語意查詢正常後，舊的 `arcrun-kbdb-embed` 可自行刪除。
+ */
+export const KBDB_VECTORIZE_INDEX = 'arcrun-kbdb-embed-m3';
 
 export interface DeployResult {
   implemented: boolean;
@@ -388,7 +407,9 @@ async function applyD1Migration(ctx: DeployContext, sql: string): Promise<void>
 
 /**
  * 確保 KBDB embed 用的 Vectorize index 存在（issue #7 / T2.4）。
- * REST `POST /accounts/{id}/vectorize/v2/indexes`（dimensions=768/metric=cosine，對齊 bge-base-en-v1.5）。
+ * REST `POST /accounts/{id}/vectorize/v2/indexes`（dimensions=1024 / metric=cosine，對齊 bge-m3）。
+ * ⚠️ 這行別寫成 `**dimensions=1024**​/metric`——`*` 緊接 `/` 會提早關掉 block comment（實撞 TS1127）。
+ * 維度必須與 `kbdb/src/embed.ts` 的 `DEFAULT_EMBED_MODEL` 一致——不一致時 upsert 直接被 CF 拒絕。
  * 冪等：已存在（CF 回「already exists」類錯）視為成功，不報錯。用 init 已驗的 apiToken+accountId。
  */
 async function ensureVectorizeIndex(ctx: DeployContext): Promise<void> {
@@ -398,8 +419,8 @@ async function ensureVectorizeIndex(ctx: DeployContext): Promise<void> {
     headers: { Authorization: `Bearer ${ctx.apiToken}`, 'Content-Type': 'application/json' },
     body: JSON.stringify({
       name: KBDB_VECTORIZE_INDEX,
-      config: { dimensions: 768, metric: 'cosine' },
-      description: 'arcrun KBDB optional embed module (issue #7)',
+      config: { dimensions: 1024, metric: 'cosine' },
+      description: 'arcrun KBDB embed module — bge-m3 1024d (issue #7 / #59)',
     }),
     signal: AbortSignal.timeout(60_000),
   });
diff --git a/kbdb/src/embed.ts b/kbdb/src/embed.ts
index 02cff22..68b289c 100644
--- a/kbdb/src/embed.ts
+++ b/kbdb/src/embed.ts
@@ -13,18 +13,46 @@
 
 import type { Bindings, Entry } from './types';
 
-const EMBED_MODEL = '@cf/baai/bge-base-en-v1.5'; // 768-dim，與 Vectorize index dimensions=768 對齊
+// ── 嵌入模型（Arcrun#59：模型應可配置＋index 版本化，支援換代重刷）────────────────
+//
+// 2026-08-03 換代：`@cf/baai/bge-base-en-v1.5`（768-dim）→ `@cf/baai/bge-m3`（1024-dim）。
+//
+// 為什麼換（實測，不是憑感覺）：舊模型是**英文模型**，拿來嵌中文等於嵌一堆看不懂的 token。
+// 用 5 組中文問答測資（每組 1 問 + 2 段相關 + 3 段無關，無關的刻意放同一知識庫裡的其他主題），
+// 算 margin = min(相關分數) − max(無關分數)，margin ≤ 0 代表**排序是錯的**：
+//   @cf/baai/bge-base-en-v1.5   768   排序正確 2/5   平均 margin -0.0413   1660 ms  ← 舊
+//   @cf/google/embeddinggemma-300m  768   4/5   +0.1275   1174 ms
+//   @cf/baai/bge-m3            1024   **5/5**   **+0.1410**    959 ms  ← 新（品質最好且最快）
+//   @cf/qwen/qwen3-embedding-0.6b  1024   4/5   +0.1381   3238 ms
+// 舊模型最刺眼的一組：問「知識庫問答為什麼要標出處？」→「**會議室預約規則**」0.7789
+// 竟然高於真正相關的 0.7306。這正是 leo 2026-07-18 回報的「問 RAG 卻引用會議室規範」。
+//
+// 🔴 換模型＝**必須換 Vectorize index**，兩個理由：
+//   ① 維度不同（768→1024），舊 index 收不進新向量；
+//   ② 就算維度相同也不能沿用——不同模型的向量混在同一個 index，比對出來是垃圾，
+//      而 Arcrun#58（Vectorize vector delete 未接）代表舊向量**刪不掉**。
+//   ⇒ 開新 index 反而順手繞開 #58：新 index 天生乾淨，舊的整個丟掉。
+//
+// 換代步驟（installer 已把新 index 名與維度對齊）：建新 index → 重新部署 kbdb（binding 指新 index）
+//   → 打 backfill 的 `reindex=true`（把 embed=1 的既有 entry 全部重嵌）→ 舊 index 可刪。
+const DEFAULT_EMBED_MODEL = '@cf/baai/bge-m3'; // 1024-dim，與 Vectorize index dimensions=1024 對齊
+
+/** 實際使用的嵌入模型：env 可覆寫（#59），未設用預設。 */
+function embedModel(env: Bindings): string {
+  const m = (env.EMBED_MODEL ?? '').trim();
+  return m || DEFAULT_EMBED_MODEL;
+}
 
 /** embed 模組是否啟用（binding 都在才算開）。base 一切 embed 動作先過這關。 */
 export function embedEnabled(env: Bindings): boolean {
   return !!(env.VECTORIZE && env.AI);
 }
 
-/** 一段文字 → 768 維向量（Workers AI bge）。空字串回 null（不 embed）。 */
+/** 一段文字 → 1024 維向量（Workers AI bge-m3，可由 env.EMBED_MODEL 覆寫）。空字串回 null（不 embed）。 */
 async function embedText(env: Bindings, text: string): Promise<number[] | null> {
   const t = (text ?? '').trim();
   if (!t || !env.AI) return null;
-  const res = (await env.AI.run(EMBED_MODEL, { text: [t] })) as { data: number[][] };
+  const res = (await env.AI.run(embedModel(env), { text: [t] })) as { data: number[][] };
   return res?.data?.[0] ?? null;
 }
 
@@ -149,7 +177,7 @@ export async function backfillEmbeddings(
   const embeddable = rows.filter((e) => (e.content ?? '').trim().length > 0);
   if (embeddable.length > 0 && env.AI && env.VECTORIZE) {
     const texts = embeddable.map((e) => (e.content ?? '').trim());
-    const out = (await env.AI.run(EMBED_MODEL, { text: texts })) as { data: number[][] };
+    const out = (await env.AI.run(embedModel(env), { text: texts })) as { data: number[][] };
     const data = out?.data ?? [];
     const vectors = embeddable
       .map((e, i) => ({ e, vec: data[i] }))
diff --git a/kbdb/src/types.ts b/kbdb/src/types.ts
index c80c55b..023d205 100644
--- a/kbdb/src/types.ts
+++ b/kbdb/src/types.ts
@@ -16,6 +16,10 @@ export type Bindings = {
   // requires them; code checks `if (env.VECTORIZE && env.AI)` before touching embed.
   VECTORIZE?: VectorizeIndex;
   AI?: Ai;
+  // 嵌入模型（Arcrun#59）。未設＝用 embed.ts 的預設。設成別的模型時，**Vectorize index 的
+  // dimensions 必須跟著對**（維度不合 upsert 會被 CF 拒絕），且換模型必須換 index：
+  // 不同模型的向量不可共存於同一個 index（比對出來是垃圾），詳見 embed.ts 檔頭。
+  EMBED_MODEL?: string;
 };
 
 export type EntryType =
diff --git a/kbdb/tests/embed-model-config.test.ts b/kbdb/tests/embed-model-config.test.ts
new file mode 100644
index 0000000..ab3a2f9
--- /dev/null
+++ b/kbdb/tests/embed-model-config.test.ts
@@ -0,0 +1,82 @@
+// 嵌入模型可配置＋換代（Arcrun#59）—— 2026-08-03
+//
+// 為什麼要有這個測試（別刪）：
+//   舊版把模型寫死成 `@cf/baai/bge-base-en-v1.5`，那是**英文模型**，拿來嵌中文等於嵌一堆
+//   看不懂的 token。5 組中文測資實測（margin = min(相關) − max(無關)，≤0 代表排序錯）：
+//     bge-base-en-v1.5   768   排序正確 2/5   平均 margin -0.0413  ← 舊，五組錯三組
+//     embeddinggemma-300m 768   4/5   +0.1275
+//     **bge-m3           1024   5/5   +0.1410**  ← 新（品質最好、而且最快 959ms）
+//     qwen3-embedding-0.6b 1024  4/5   +0.1381
+//   最刺眼的一組：問「知識庫問答為什麼要標出處？」→「會議室預約規則」0.7789 竟然高於
+//   真正相關的 0.7306 ＝ leo 2026-07-18 回報「問 RAG 卻引用會議室規範」的直接數字。
+//
+// 本檔守三件事：
+//   ① 預設模型是 m3（有人手滑改回英文模型會紅）
+//   ② env.EMBED_MODEL 真的能覆寫（#59 要的「可配置」）
+//   ③ **查詢端與寫入端用同一顆模型**——兩邊不同步是最惡毒的 bug：
+//      不會報錯、只是分數全是垃圾，而且從外面完全看不出來。
+import { describe, it, expect } from 'vitest';
+import { embedOnWrite, semanticSearch } from '../src/embed';
+import type { Bindings, Entry } from '../src/types';
+
+function mkEnv(over: Partial<Bindings> = {}) {
+  const calls: { model: string; text: string[] }[] = [];
+  const env = {
+    AI: {
+      run: async (model: string, input: { text: string[] }) => {
+        calls.push({ model, text: input.text });
+        return { data: input.text.map(() => [0.1, 0.2, 0.3]) };
+      },
+    },
+    VECTORIZE: {
+      upsert: async () => undefined,
+      query: async () => ({ matches: [] }),
+    },
+    DB: {
+      prepare: () => ({ bind: () => ({ run: async () => ({}), all: async () => ({ results: [] }) }) }),
+    },
+    ...over,
+  } as unknown as Bindings;
+  return { env, calls };
+}
+
+const entry = {
+  id: 'e_1',
+  content: '出處標註讓使用者能回頭核對答案來源。',
+  entry_type: 'block',
+  owner_id: 'demo',
+  metadata_json: JSON.stringify({ embed: true }),
+} as unknown as Entry;
+
+describe('嵌入模型（Arcrun#59）', () => {
+  it('預設是 bge-m3——不得退回英文模型（中文會排錯）', async () => {
+    const { env, calls } = mkEnv();
+    await embedOnWrite(env, entry);
+    expect(calls).toHaveLength(1);
+    expect(calls[0].model).toBe('@cf/baai/bge-m3');
+    expect(calls[0].model).not.toContain('-en-'); // 英文模型一律不准當預設
+  });
+
+  it('env.EMBED_MODEL 可覆寫（#59 的「模型應可配置」）', async () => {
+    const { env, calls } = mkEnv({ EMBED_MODEL: '@cf/google/embeddinggemma-300m' });
+    await embedOnWrite(env, entry);
+    expect(calls[0].model).toBe('@cf/google/embeddinggemma-300m');
+  });
+
+  it('空字串／空白的 EMBED_MODEL 視為沒設，回退預設（不會把空字串當模型名送出去）', async () => {
+    for (const bad of ['', '   ']) {
+      const { env, calls } = mkEnv({ EMBED_MODEL: bad });
+      await embedOnWrite(env, entry);
+      expect(calls[0].model).toBe('@cf/baai/bge-m3');
+    }
+  });
+
+  it('🔴 查詢端與寫入端必須是同一顆模型（不同步＝分數全垃圾且不會報錯）', async () => {
+    const { env, calls } = mkEnv({ EMBED_MODEL: '@cf/baai/bge-m3' });
+    await embedOnWrite(env, entry);          // 寫入端
+    await semanticSearch(env, '為什麼要標出處？'); // 查詢端
+    expect(calls.length).toBeGreaterThanOrEqual(2);
+    const models = new Set(calls.map((c) => c.model));
+    expect(models.size).toBe(1);
+  });
+});
diff --git a/kbdb/wrangler.toml b/kbdb/wrangler.toml
index 0e413be..4dd20b0 100644
--- a/kbdb/wrangler.toml
+++ b/kbdb/wrangler.toml
@@ -31,14 +31,21 @@ ENVIRONMENT = "production"
 
 # ── Optional embed module (issue #7 / SDD T2.4) ────────────────────────────────
 # Base 預設不開（free-tier 友善）。self-host 開語義查詢時，deploy.ts 偵測 config kbdb_embed:true
-# → 取消下面兩段註解（注入 active binding）並 `wrangler vectorize create arcrun-kbdb-embed
-# --dimensions=768 --metric=cosine`（bge-base-en-v1.5 = 768 維）。官方帳號同理由 deploy 注入。
+# → 取消下面兩段註解（注入 active binding）並 `wrangler vectorize create arcrun-kbdb-embed-m3
+# --dimensions=1024 --metric=cosine`（**bge-m3 = 1024 維**）。官方帳號同理由 deploy 注入。
+# 🔴 2026-08-03 換代（leo 拍板，5 組中文測資實證：舊英文模型排序 2/5、margin −0.0413＝根本不能用；
+#   bge-m3 5/5、+0.1410、959ms）：`bge-base-en-v1.5`(768) → `bge-m3`(1024)。
+#   **換模型必須換 index**：① 維度 768→1024，舊 index 收不進新向量
+#   ② 就算維度相同也不能沿用——不同模型的向量混在同一 index 比對出來是垃圾，
+#      而 #58（Vectorize vector delete 未接）代表舊向量刪不掉 ⇒ 開新 index 反而順手繞開 #58。
+#   既有實例遷移：建新 index → 重部署 kbdb（binding 指新 index）
+#   → `POST /embed/backfill {"reindex":true}` 重嵌到 remaining=0 → 舊 index 可刪。
 # ⚠️ Arcrun#11：光建 index 不夠。要對 owner_id/entry_type/source 下 filter（owner-scoped/類型-scoped 語意查詢），
 #   必須另建 metadata index，否則帶過濾一律回 0 命中：
-#     wrangler vectorize create-metadata-index arcrun-kbdb-embed --property-name owner_id --type string
-#     wrangler vectorize create-metadata-index arcrun-kbdb-embed --property-name entry_type --type string
-#     wrangler vectorize create-metadata-index arcrun-kbdb-embed --property-name source --type string
-#     wrangler vectorize create-metadata-index arcrun-kbdb-embed --property-name library --type string
+#     wrangler vectorize create-metadata-index arcrun-kbdb-embed-m3 --property-name owner_id --type string
+#     wrangler vectorize create-metadata-index arcrun-kbdb-embed-m3 --property-name entry_type --type string
+#     wrangler vectorize create-metadata-index arcrun-kbdb-embed-m3 --property-name source --type string
+#     wrangler vectorize create-metadata-index arcrun-kbdb-embed-m3 --property-name library --type string
 #   （library＝portal-auth P1「庫」filter；upsert 端把未標記正規化成 'general'，查詢走 $in）
 #   metadata index 只收「建立後 upsert」的向量 → 既有向量須 `POST /embed/backfill {"reindex":true}` 重推
 #   （建 library index 後同樣要 reindex，否則舊向量帶 library filter 一律 0 命中）。
@@ -48,7 +55,7 @@ ENVIRONMENT = "production"
 #
 # [[vectorize]]
 # binding = "VECTORIZE"
-# index_name = "arcrun-kbdb-embed"
+# index_name = "arcrun-kbdb-embed-m3"   # bge-m3 1024d（2026-08-03 換代）
 #
 # [ai]
 # binding = "AI"