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。
「Fine-tuning 选择」找到 164 条内容
按专题浏览 →匹配正文：…以较小在线成本恢复部分精度。 表示与分块：选对 embedding、距离函数和归一化方式；文档分块应通过查询集验证边界与重叠。领域微调、多向量表示只有在评测改善时采用。 工程维护：分片与副本、冷热分层、批量写入、删除墓碑与周期压缩、索引版本化和原子切换。高选择性过滤要评估 pre-filter 与 post-filter 的召回和延迟差异。 量化节省多少内存取决于原始精度、码本和元数据；DiskANN 也不只用于某个固定数量级。任何“提升召回”的策略都应相对精确近邻和端到端问…
匹配正文：…ina Embeddings v2（8K） 关键考量点： 维度与效率权衡：1024维通常效果较好，但768维在速度和存储更优 指令微调：E5、BGE等支持指令模板（如"Represent this sentence for retrieval"），对特定任务有增益 实际验证：在业务数据上做召回率@K的离线评测，MTEB分数仅作初筛参考 二、向量存储完整流程 原始文档 → 文本清洗 → 智能分块 → 向量化 → 元数据绑定 → 索引构建 → 入库 各阶段要点： 分块（Chunk…
匹配正文：…、条款边界切分，保留元数据 关键权衡：块太小→语义不完整；块太大→检索噪声高、Embedding稀释 3. Embedding模型选择 通用场景：BGE-M3（支持多语言、长文本）、GTE-large 英文专用：OpenAI text-embedding-3-large、E5系列 领域适配：金融/法律等垂直场景需微调（用领域数据对比学习） 长文本：优先选支持8K+上下文的模型，或采用滑动窗口平均 4. 向量数据库选型 数据库 特点 适用 Milvus/Zilliz 功能全、分…
学习内容与项目面试，在同一条路上。