待验证50% 置信事实精确时间
现代Sentence Embedding模型通常采用双塔（Bi-Encoder）结构，查询和文档分别独立编码为向量
1
来源数
50%
置信度
长期有效
时效性
2026/7/12
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
待验证双编码器（Bi-Encoder）将查询和文档分别独立编码为向量，通过余弦相似度或点积计算相关性，文档向量可离线预计算存入向量数据库84% 相似待验证Bi-Encoder将问题和文档分别独立编码成向量再计算相似度，Cross-Encoder将问题和候选文档拼接后一起输入模型通过注意力机制充分交互79% 相似待验证嵌入模型采用双塔（Bi-encoder）架构，将查询和文档独立编码成向量，然后通过余弦相似度等方式计算距离77% 相似待验证主流Embedding模型（如BGE、text-embedding系列）通常基于BERT架构的编码器（Encoder-only），通过对比学习让语义相近的句子在向量空间中靠拢；而GPT类生成模型基于解码器（Decoder-only）76% 相似待验证召回BERT采用Bi-Encoder（双塔模型），两句话分别生成向量再算相似度，向量可离线预计算，线上匹配速度快76% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/488689API
curl https://kongchang.com/api/v1/knowledge/claims/488689MCP
get_claim(id=488689)