待验证50% 置信事实精确时间
Matryoshka表示学习（MRL）是一种训练嵌入模型的范式，在损失函数中同时对向量的前若干个前缀（如64维、128维、256维等）施加监督，使每个前缀都能独立完成检索任务。
1
来源数
50%
置信度
长期有效
时效性
2026/11/2
首次发现
来源
涉及实体
相关事实
已验证Matryoshka 表示学习在训练时对同一向量的多个前缀长度同时施加监督损失，迫使模型将最重要的语义信息优先编码到向量的前几个维度74% 相似待验证MRL训练出的向量可在推理时直接截断只取前N维得到低维表征，无需额外变换计算64% 相似待验证分布式强化学习（DRL）学习回报的完整分布而非仅其期望，这一思想最早由 Bellemare 等人在 C51 算法中系统化。64% 相似待验证PEEL的解码结构源于MRL嵌入中固有的粒度信息，而非混淆因素，这通过打乱和反转维度的控制实验得到证实。63% 相似待验证在ReAct之前，主流的Agent执行策略是MRKL（Modular Reasoning, Knowledge and Language）系统63% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1124950API
curl https://kongchang.com/api/v1/knowledge/claims/1124950MCP
get_claim(id=1124950)