Embedding Model
将文本、图像等数据转换为高维向量表示的模型，是RAG系统和语义搜索的核心组件，通过向量相似度计算实现语义检索
核心事实
时间轴 (近 90 天)
Embedding模型与生成模型是两类不同的模型：前者输出固定维度向量，后者输出文本。
嵌入模型只需把输入映射为固定维度向量，不涉及自回归解码，推理时序列长度短、内存需求低，是浏览器端 AI 落地最顺畅的模型类别之一
RAG中非结构化数据通过嵌入模型（Embedding Model）转换成高维数字向量，向量在数学空间中的距离代表内容的语义相似度
对于短碎片记录，向量信息量不足会导致误召回率显著上升，记录量不够时关联网络过于稀疏
RAG实现中文本通过嵌入模型转化为高维向量，存储在Pinecone、Weaviate、Milvus等向量数据库中，查询时通过余弦相似度找到最接近的片段
嵌入向量通常为768维或1536维
更换或升级嵌入模型时，旧向量与新向量处于不同语义空间无法直接比较，往往需要全量重建索引
全部知识事实 (11)
RAG（检索增强生成）技术架构将文档切片、向量化、存入向量数据库，查询时先检索相关片段再交给模型生成回答
90%已验证嵌入模型将文本转换为高维向量时，通常生成768维或1536维的浮点数数组
80%已验证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%已验证RAG实现中文本通过嵌入模型转化为高维向量，存储在Pinecone、Weaviate、Milvus等向量数据库中，查询时通过余弦相似度找到最接近的片段
75%已验证RAG通过将文档切分为语义块后经嵌入模型转化为高维向量存入向量数据库，查询时通过近似最近邻（ANN）搜索找到语义最相近的文档片段
65%待验证Embedding模型与生成模型是两类不同的模型：前者输出固定维度向量，后者输出文本。
50%待验证嵌入模型只需把输入映射为固定维度向量，不涉及自回归解码，推理时序列长度短、内存需求低，是浏览器端 AI 落地最顺畅的模型类别之一
50%待验证RAG中非结构化数据通过嵌入模型（Embedding Model）转换成高维数字向量，向量在数学空间中的距离代表内容的语义相似度
50%待验证对于短碎片记录，向量信息量不足会导致误召回率显著上升，记录量不够时关联网络过于稀疏
50%待验证更换或升级嵌入模型时，旧向量与新向量处于不同语义空间无法直接比较，往往需要全量重建索引
50%待验证嵌入向量通常为768维或1536维
50%