SpecMRL
一种改进 Matryoshka Representation Learning（MRL）的表示学习方法，通过参数派生、按特征重要性组织的谱基重组特征空间，使嵌套前缀读出在谱空间中进行，从而提升表示压缩效率
时间轴 (近 90 天)
SpecMRL 通过参数派生的谱基重组特征空间，实现更有效的前缀读出。
在 MTEB 上的实验表明，SpecMRL 在所有评估的缩减维度上均优于 MRL。
SpecMRL 在更激进的压缩下相对 MRL 的增益更大。
SpecMRL 仅用一半的嵌入维度就超越了全维度的 MRL。
SpecMRL 不改变外层训练目标，而是通过重组特征空间来增强前缀的可读性。
SpecMRL 的谱基由模型参数派生并可端到端学习，而非事后对固定表示做分解。
SpecMRL 在 MTEB 上的优势具有一致性，但尚未见独立复现或第三方分析。
对于需要灵活部署的场景（如边缘设备或低延迟检索），SpecMRL 意味着在相同维度下获得更好的性能，或在更低维度下保持可接受的精度。
SpecMRL 通过把读出操作放到按重要性排序的谱空间中进行，使前缀截断天然对应信息量最高的方向，缓解了 MRL 缺乏显式约束的问题。
全部知识事实 (9)
SpecMRL 通过把读出操作放到按重要性排序的谱空间中进行，使前缀截断天然对应信息量最高的方向，缓解了 MRL 缺乏显式约束的问题。
50%待验证在 MTEB 上的实验表明，SpecMRL 在所有评估的缩减维度上均优于 MRL。
50%待验证SpecMRL 在更激进的压缩下相对 MRL 的增益更大。
50%待验证SpecMRL 仅用一半的嵌入维度就超越了全维度的 MRL。
50%待验证SpecMRL 不改变外层训练目标，而是通过重组特征空间来增强前缀的可读性。
50%待验证SpecMRL 的谱基由模型参数派生并可端到端学习，而非事后对固定表示做分解。
50%待验证SpecMRL 在 MTEB 上的优势具有一致性，但尚未见独立复现或第三方分析。
50%待验证SpecMRL 通过参数派生的谱基重组特征空间，实现更有效的前缀读出。
50%待验证对于需要灵活部署的场景（如边缘设备或低延迟检索），SpecMRL 意味着在相同维度下获得更好的性能，或在更低维度下保持可接受的精度。
50%