嵌入模型
将文本转化为高维向量表示的模型，是RAG系统实现语义检索的核心组件，通过余弦相似度等算法衡量文本语义相似性
Core Facts
Timeline (last 90 days)
嵌入模型将原始内容映射到高维向量空间，输出向量在几何上保留语义关系，含义相近的内容对应向量距离更近
知识库检索通过计算问题向量与文档向量之间的余弦相似度找出最相关的文档片段再交给大模型生成回答
知识库一旦创建完成就不能更换嵌入模型，否则必须重建知识库，因为不同模型生成的向量空间互不通用
创建本地知识库时需要选择一个嵌入模型（Embedding模型），嵌入模型决定了文档被解析成向量的方式
传统嵌入模型将文本片段映射为固定向量，不考虑该片段在更大文档中的位置
嵌入模型私有化部署的硬件门槛相对大型生成模型更低
嵌入模型的选择、分块策略（chunk size）以及检索时的Top-K参数调优都会直接影响知识库的回答质量
零样本/NLI分类器、嵌入模型、交叉编码器和重排序模型多年来一直支持在推理时定义标签、输出受限概率分布，与Jev宣称的核心特性高度重叠
检测意图冲突的技术方向包括静态分析加数据流追踪、任务描述语义比对、基于 LLM 的差异审查
嵌入模型将查询和候选文档转化为向量表示，从而在语义空间中衡量相关度
8 more timeline events
All Facts (20)
向量数据库（如Pinecone、Weaviate、Milvus等）通过嵌入模型将文本转化为高维向量，使用余弦相似度或欧氏距离进行近似最近邻（ANN）搜索
80%Verified向量数据库将文本内容通过嵌入模型（Embedding Model）转化为高维数值向量，检索时通过余弦相似度等算法找出语义最接近的内容
80%Verified向量嵌入是将离散的文本、代码或经验转化为连续高维空间中数值向量的过程，使语义相近内容在向量空间中距离更近
70%Verified嵌入模型通常将文本压缩为768或1536维的稠密向量
65%Unverified嵌入模型将原始内容映射到高维向量空间，输出向量在几何上保留语义关系，含义相近的内容对应向量距离更近
50%Unverified知识库一旦创建完成就不能更换嵌入模型，否则必须重建知识库，因为不同模型生成的向量空间互不通用
50%Unverified知识库检索通过计算问题向量与文档向量之间的余弦相似度找出最相关的文档片段再交给大模型生成回答
50%Unverified创建本地知识库时需要选择一个嵌入模型（Embedding模型），嵌入模型决定了文档被解析成向量的方式
50%Unverified传统嵌入模型将文本片段映射为固定向量，不考虑该片段在更大文档中的位置
50%Unverified嵌入模型私有化部署的硬件门槛相对大型生成模型更低
50%Unverified嵌入模型的选择、分块策略（chunk size）以及检索时的Top-K参数调优都会直接影响知识库的回答质量
50%Unverified零样本/NLI分类器、嵌入模型、交叉编码器和重排序模型多年来一直支持在推理时定义标签、输出受限概率分布，与Jev宣称的核心特性高度重叠
50%Unverified检测意图冲突的技术方向包括静态分析加数据流追踪、任务描述语义比对、基于 LLM 的差异审查
50%UnverifiedPerplexity中用户得到的每一个回答都始于嵌入模型和排序模型对相关结果的筛选
50%Unverified嵌入模型将查询和候选文档转化为向量表示，从而在语义空间中衡量相关度
50%UnverifiedAgent长期记忆通过向量数据库将文本转化为高维向量（通常768维或1536维），利用余弦相似度等算法进行语义检索
50%UnverifiedSOTA嵌入模型在简历-职位匹配任务上表现平平，因技能词汇高度重叠导致所有职位看起来都匹配
50%Unverified通用嵌入模型在简历-职位匹配任务中表现平平，因为技能词汇高度重叠导致所有职位看起来都像是匹配的
50%UnverifiedSOTA嵌入模型在简历-职位匹配任务上表现平平，仅达到中等水平
50%Unverified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
50%