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 模型」找到 520 条内容
按专题浏览 →匹配正文：先分清：Embedding 和 Rerank 各自对什么结果负责 RAG 的检索链路可以先想成一场两阶段筛选。 第一阶段面对的是整座知识库。系统把用户问题编码成向量，再从大量文档片段里快速找出一小批候选。Embedding 模型的任务不是直接判断最终答案，而是把可能包含答案的片段尽量送进候选集。它如果漏掉了正确证据，后面的模型再聪明也无从补救。 第二阶段只看这批候选。Rerank 模型把问题和每个候选片段放在一起判断相关性，然后重新排列顺序。它更擅长处理“关键词很像，但并没有…
匹配正文：一、Embedding模型选型策略 核心原则：任务驱动选型 任务场景 推荐方向 典型模型 通用语义检索 双塔编码器，MTEB高分 BGE、GTE、E5系列 代码/技术文档 代码预训练模型 CodeBERT、CodeT5+ 多语言场景 多语言对比学习 multilingual-e5、BGE-M3 长文档理解 支持长上下文的模型 Jina 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…
… 多语言与跨语言能力 推理效率与成本权衡 领域适配性与微调可行性 核心选型维度 1. 语义能力与任务匹配 区分度：同类文档能否拉开向量距离（如BGE、GTE在中文场景表现好） 粒度匹配：句子级vs段落级检索，长文本需用支持长上下文的模型（如M3E、BGE-large支持512-8192 tokens） 2. 语言覆盖 纯中文：BGE、GTE、M3E等国产模型更优 多语言/跨语言：OpenAI text-embedding-3、E5-mistral等多语言模型 代码检索：需Co…
学习内容与项目面试，在同一条路上。