待验证50% 置信权衡取舍精确时间
通用Embedding模型基于通用语料训练，直接应用于医疗、法律、金融等专业场景时对领域术语理解不够精准，导致检索召回不准确
1
来源数
50%
置信度
长期有效
时效性
2026/7/11
首次发现
来源
Embedding微调实战：提升RAG检索质量的核心优化手段
bilibili研究院张Q2026/7/8
相关事实
待验证传统大模型训练高度依赖人工标注数据和外部语料收集，这些步骤通常是制约迭代速度的瓶颈72% 相似待验证对齐训练优化的是模型在已知场景下的统计行为，而非建立可形式化验证的安全边界，面对训练分布之外的罕见指令组合或角色扮演框架时可能失效70% 相似待验证训练秘诀（Training Recipe）包括数据配比策略、学习率调度曲线、过滤规则、对齐技术等，往往比模型架构本身更难被复现69% 相似待验证OpenAI在InstructGPT论文中证明，少量高质量人类偏好数据对模型对齐的贡献远超大规模无监督训练68% 相似待验证缺乏约束的基础prompt会导致模型回退到训练数据中最常见的平均态输出，而个性化深度的prompt可显著提升输出独特性68% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/487207API
curl https://kongchang.com/api/v1/knowledge/claims/487207MCP
get_claim(id=487207)