部分验证75% 置信事实精确时间
EmbeddingGemma 2 采用 Matryoshka Representation Learning 技术，嵌入向量可被截断到 512、256 或 128 维而不会严重损失表达质量
3
来源数
75%
置信度
长期有效
时效性
2026/10/6
首次发现
来源
涉及实体
相关事实
待验证EmbeddingGemma 2支持将输出向量截断到更低维度，本地存储占用最多可降至原来的六分之一64% 相似待验证Embedding模型输出的高维向量通常为768至3072维，向量数据库通过HNSW等图算法可将亿级向量检索压缩至毫秒级响应61% 相似待验证Embedding模型的向量维度范围从768维到3072维不等，影响精度与存储成本的平衡60% 相似待验证扣除可卸载的51B Embedding参数后，实际需加载到GPU显存的参数约70B，以FP8精度计算N-Gram Embedding表约占47.7GB显存，offload后可节省约48GB显存60% 相似待验证Unsloth 通过 4-bit/8-bit 量化感知训练与动态激活卸载技术，可将 7B 模型的微调显存需求压缩至约 4–6 GB59% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/981729API
curl https://kongchang.com/api/v1/knowledge/claims/981729MCP
get_claim(id=981729)