待验证50% 置信事实精确时间
EmbeddingGemma 2采用Matryoshka表示学习，256、128或更少维度仍能作为独立embedding使用
1
来源数
50%
置信度
长期有效
时效性
2026/10/7
首次发现
来源
涉及实体
相关事实
待验证现代Embedding模型（如OpenAI的text-embedding-ada-002、阿里的千问Embedding系列）能够将整个句子或段落编码为固定维度的稠密向量，通常为768维或1024维62% 相似待验证EmbeddingGemma 2 采用模块化设计，纯文本任务最低需 2.7 亿参数，视觉编码器为 1.7 亿参数、音频编码器为 3 亿参数，作为可选组件按需启用60% 相似待验证主流Embedding模型（如BGE、text-embedding系列）通常基于BERT架构的编码器（Encoder-only），通过对比学习让语义相近的句子在向量空间中靠拢；而GPT类生成模型基于解码器（Decoder-only）59% 相似待验证文本经Embedding模型编码为768至3072维的浮点向量，存入向量数据库后通过近似最近邻算法（HNSW、IVF等）在毫秒级完成相似度检索58% 相似待验证EmbeddingGemma 2 基于 Gemma 4 构建并共享其文本分词器和音频编码器，可在统一流水线中以更低总内存占用同时运行两个模型57% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/984900API
curl https://kongchang.com/api/v1/knowledge/claims/984900MCP
get_claim(id=984900)