待验证50% 置信事实精确时间

embedding模型的版本更新可能导致语义向量空间发生偏移，使原本高排名的相关文档被不太相关的文档取代

1

来源数

50%

置信度

长期有效

时效性

2026/8/21

首次发现

来源

AI评估集构建与维护实践指南：让LLM应用质量可量化

相关事实

待验证生成文档向量和查询向量必须使用同一个embedding模型，不同模型的向量空间互不兼容，混用会导致检索失效66% 相似待验证若只用新增类别数据微调扩展后的分类头，模型极易出现灾难性遗忘，急剧丧失对原有类别的识别能力66% 相似待验证向量数据库中旧版本和新版本的向量在数学空间中可能高度相似，导致检索时新旧内容同时被召回，需通过元数据版本字段过滤失效版本65% 相似待验证由于历史记录同样受影响，模型名称消失更可能是前端统一显示逻辑层的问题，而非底层数据丢失64% 相似待验证分类需求会频繁变动（如项目临时增减）时不建议买预印固定分类名的套装，选空白可自定义款63% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/780978

API

curl https://kongchang.com/api/v1/knowledge/claims/780978

MCP

get_claim(id=780978)