待验证50% 置信事实精确时间
Embedding 模型只负责文本转向量这一步，向量存储到哪个数据库是相对独立的工程选择
1
来源数
50%
置信度
长期有效
时效性
2026/9/25
首次发现
来源
涉及实体
相关事实
待验证语义缓存通过Embedding模型将查询转化为向量，在向量空间中进行相似度检索，当相似度超过设定阈值时直接返回缓存结果67% 相似待验证模型采用N-Gram Embedding，将多个Embedding组合成局部上下文查找表，可显著增大参数容量而几乎不增加Token计算量67% 相似待验证双塔模型将查询和文档分别编码为独立向量，文档向量可离线预计算并建索引，检索速度快但无法建模词级交互66% 相似待验证Embedding 模型是将文本映射到连续向量空间的神经网络，其核心假设是语义相似的文本其向量距离也应相近66% 相似待验证不同embedding模型生成的向量在语义空间中不可直接比较，一旦更换模型，向量库中所有历史向量都必须用新模型重新生成65% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/949754API
curl https://kongchang.com/api/v1/knowledge/claims/949754MCP
get_claim(id=949754)