待验证50% 置信事实精确时间
Embedding模型微调通常采用对比学习框架，通过构造正样本对和负样本对训练模型拉近正样本、推开负样本
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79% 相似待验证对嵌入模型进行对比学习微调需要标注数据（成功入职的正样本与被拒绝的负样本）才能显著提升效果78% 相似待验证监督微调训练模型模仿人类标注的正确答案，而强化学习微调让模型通过试错学习最优策略75% 相似待验证专用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74% 相似待验证模型在面对训练分布之外（分布外查询）的问题时，可能退化为基于表面模式的猜测73% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/949759API
curl https://kongchang.com/api/v1/knowledge/claims/949759MCP
get_claim(id=949759)