待验证50% 置信事实精确时间
EmbeddingGemma 2 支持针对特定领域词汇和专业素材进行微调，能够在不增加模型体积的前提下提升检索精度
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/10/7
首次发现
有效期至：2027/1/5
来源
涉及实体
相关事实
待验证专业词汇识别关键看是否支持自定义热词/词库导入，能上传专属术语表的产品在垂直领域准确率远高于仅靠通用模型的产品69% 相似待验证Embedding技术起源于2013年Google发布的Word2Vec，首次证明词语语义关系可在连续向量空间中被数学化表达69% 相似待验证EmbeddingModel通过将文字转化为向量，利用向量相似度匹配找出与问题最相关的文本片段，是RAG的基础69% 相似待验证向量库通过Embedding模型将文本转化为高维向量，再利用近似最近邻算法（ANN，如HNSW、IVF-Flat）检索语义相近内容68% 相似待验证针对代码的专用embedding模型相较于通用文本模型往往能更好地理解编程语言的结构特征和语义，提升检索精度68% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/985576API
curl https://kongchang.com/api/v1/knowledge/claims/985576MCP
get_claim(id=985576)