待验证50% 置信事实精确时间
专用embedding模型通常基于双编码器（Bi-Encoder）架构训练，通过对比学习优化问题-段落向量距离，这是检索专用模型召回率优于通用模型的根本原因
1
来源数
50%
置信度
长期有效
时效性
2026/7/25
首次发现
来源
本地离线RAG应用实战：用Ollama+ChromaDB构建PDF私密问答系统
redditr/ollama2026/7/12
相关事实
待验证多模型编排系统训练专门的编排模型来做路由决策，而非使用硬编码规则76% 相似待验证Embedding模型本质上是Encoder-only Transformer架构，代表为BERT及其变体，通过对比学习或掩码语言模型任务预训练75% 相似待验证语义ID技术实现通常先用预训练模型（如BERT或CLIP）提取物品语义向量，再通过残差量化向量化（RQ-VAE）等技术将连续向量离散化为多层级code序列74% 相似待验证Embedding模型微调通常采用对比学习范式，典型方法是构造查询-正例文档-负例文档三元组，通过InfoNCE或Triplet Loss等损失函数优化73% 相似待验证领域特化的 Embedding 模型（如代码领域的 CodeBERT）往往比通用模型在垂直场景下具有更高的语义检索精度73% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/611248API
curl https://kongchang.com/api/v1/knowledge/claims/611248MCP
get_claim(id=611248)