页面加载中…
搜索中文正文和常见中英文技术词，按教程、项目、面试题筛选。
「Embedding」找到 565 条内容
按专题浏览 →匹配正文：…e/base/small多规格 M3E：轻量、商用友好，适合资源受限场景 GTE：阿里出品，长文本支持好 OpenAI/text-embedding-3：API场景，维度可压缩，省心但成本高 4. 领域适配 通用模型在垂直领域（医疗、法律）往往不够准 方案：领域语料继续预训练 + 对比学习微调（In-batch negatives + InfoNCE） 5. 效果评估 别只看MTEB榜单，要构建业务测试集 核心指标：Recall@K（检索场景）、MRR（排序场景）
匹配正文：答案要点 语义表达能力与领域适配性 向量维度与存储成本的权衡 检索速度与推理延迟 多语言支持与跨语言检索能力 微调扩展性与模型生态 核心选型维度 1. 语义质量指标 MTEB榜单排名：参考检索、重排序、聚类等任务的综合表现 领域适配性：通用模型（如BGE、E5）vs 领域微调模型（如GTE-medical） 上下文长度：支持512/2048/8k tokens，长文档需截断或分层处理 2. 工程性能指标 向量维度：常见768/1024，维度↑精度微增但存储和计算成本线性↑ 推…
匹配正文：答案要点 Embedding（向量嵌入）是把文字转成一串固定长度数字（向量）的技术，让机器能“计算”语义 核心性质：意思越接近的文本，向量在空间中的位置越近——这是一切语义检索的基础 语义相似度最常用余弦相似度来算：看两个向量方向的夹角，值越接近 1 越相似 向量由专门训练的嵌入模型生成（如 BGE 系列），不是随便编码 它是 RAG 检索、语义搜索、推荐系统共同的地基 核心概念 Embedding（向量嵌入）是指用模型把一段文字映射成一个固定长度的数字向量（比如 1024 …
学习内容与项目面试，在同一条路上。