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…

#字节#Embedding 模型选型#RAG 向量化流程

面试题·模型微调· 百度

Embedding 模型选型考虑哪些因素?

匹配标题与标签：Embedding 模型选型考虑哪些因素? 文本向量编码场景下效果与性能的权衡,多维度对比模型微调百度向量检索 Embedding 模型选型文本向量编码 Embedding 效果性能百度

#百度#向量检索#Embedding 模型选型

面试题·RAG

Embedding 和 Rerank 模型怎么选？什么时候值得领域微调？

匹配正文：… 如果不先拆开职责，常见的误判是：正确证据根本没召回，却把责任归给 Rerank；或者召回已经够好，只因为最终回答不准就不断更换 Embedding。面试官追问模型选型，本质上是在看你能不能把故障定位到正确的一层。本题不重复讨论“为什么 Rerank 不能对整个知识库逐条运行”，重点放在候选模型怎样筛选、如何做公平对照、何时值得微调，以及版本升级怎样迁移和回退。 Embedding 和 Rerank 负责不同阶段公开榜单只能缩小范围，不能替你做项目决策公开榜单有价值，因…

第 1 / 2 页下一页 →

希望老师帮你把学习与项目串起来？

了解 AI 全栈 1v1 陪跑营的项目安排、导师答疑与简历面试辅导。

查看课程安排 →咨询学习安排

学习内容与项目面试，在同一条路上。

站内 RAG 在线实战

#RAG#检索与重排#Embedding 模型选型

面试题·文档处理· 字节

文本块怎么转向量并建索引?

匹配正文：一、文本分块到向量的转换流程分块策略决定嵌入方式短chunk（<512 tokens）：直接用bi-encoder（Sentence-BERT）生成dense vector 长文档：截断取首中尾、滑动窗口聚合，或用层次化嵌入（段落→文档）关键：chunk边界尽量保留语义完整性，避免句子截断嵌入模型选型模型核心原理适用场景 Sentence-BERT 双塔结构+对比学习（NLI数据），生成sentence-level embedding 通用语义相似度，计算快 B…

#字节#文档处理#向量检索

面试题·文档处理· 字节

Chunk 向量化与索引怎么选?

匹配标题与标签：Chunk 向量化与索引怎么选? RAG 中 Embedding 模型与向量数据库对比及选型指南文档处理字节向量检索 Chunk 向量化 Embedding 模型选型向量数据库对比 RAG 索引构建字节

#字节#向量检索#Chunk 向量化

面试题·模型微调· 百度

RAG 向量模型怎么选?

匹配标题与标签：RAG 向量模型怎么选? 文本编码模型的技术指标与性能因素详解模型微调百度评估与监控向量检索 RAG 向量模型选型文本编码模型指标 Embedding 模型性能百度

#百度#评估与监控#向量检索

面试题·检索· 字节

Embedding + 向量数据库怎么搭?

匹配标题与标签：Embedding + 向量数据库怎么搭? 语义搜索中模型选型、向量化流程与检索机制详解检索字节 Embedding向量检索 Embedding 向量数据库语义相似度搜索向量化流程向量检索机制字节

#字节#Embedding向量检索#Embedding 向量数据库

项目实战·RAG

第 4 章:Embedding 选型与向量化

匹配正文：…组织,不同基础的读者各取所需: 段落给谁看内容占比 🚀 Part 1 · 主线实战零基础,想先跑起来概念白话 + 玩具向量化代码 ~50% 🎯 Part 2 · 面试深度想讲透、备战面试模型选型 + 向量库索引 + 微调 ~40% 🏆 Part 3 · 验收串题检验学到位没关联面试题 + 自检清单 ~10% 🚀 Part 1 · 主线实战｜ ~50% 这部分零基础也能跟着做。先用一段不依赖任何库的代码,把"文字变向量、靠向量找相似"跑通,顺便看清它…

#RAG#检索#项目实战

面试题·文档处理· 字节

RAG 向量索引构建流程详解

匹配正文：…集上的证据完整率、召回与成本共同决定递归分块先按段落/句子边界，再递归细分结构清晰的文档优先保证语义边界完整语义分块用Embedding相似度检测主题变化长文档、多主题混合计算成本高，可用聚类或BERTopic辅助关键考量：块太小→上下文丢失；块太大→检索精度下降、Embedding稀释。实践中常组合使用，如先按标题分章节，再语义细分。三、Embedding模型选型候选模型：BGE-M3、多语言E5或具体GTE型号等；核对官方语言/长度支持，在目标题集测…

#字节#文档处理#RAG 数据处理流程

面试题·文档处理· 安克科技

RAG向量化流程：预处理到归一化

匹配正文：答案要点文本预处理策略（分块、清洗、元数据保留） Embedding模型选型依据（中英双语、上下文长度、领域适配）向量生成与批量优化归一化的作用（余弦相似度计算）实际工程中的注意事项（并发、缓存、版本管理）文本预处理核心目标：保留语义完整性，控制块大小文档解析：PDF用PyMuPDF/MinerU，HTML去标签，表格保留结构分块策略：按语义段落切分，并比较多组 chunk size 与 overlap 候选，用同一评测集验证边界召回和成本清洗降噪：去页眉页…

#安克科技#RAG 向量化流程#Embedding 模型选择

面试题·文档处理· 安克科技

RAG向量化：分块与Embedding

匹配正文：答案要点嵌入模型的选型原则与主流方案（OpenAI、BGE、M3E等）文本分块的核心策略（固定长度、语义分块、递归分块等）及边界处理向量归一化的作用与L2归一化实现余弦相似度的数学原理与计算优化 ANN近似最近邻算法（HNSW、IVF等）的应用场景一、嵌入模型选型场景推荐方案特点通用中文 BGE-large-zh、M3E-base 开源、可私有化部署多语言 E5-multilingual、OpenAI text-embedding-3 跨语言检索能力强垂…

#安克科技#RAG 向量化#Embedding 模型

面试题·文档处理· 安克科技

RAG文本向量化：分块与嵌入陷阱

匹配正文：…，结合文档结构、模型输入限制和同一评测集上的召回、证据完整率与成本决定边界优化：优先在标点、段落处切割，避免句子中途截断 2. Embedding模型选型场景推荐模型特点通用中文 BGE-M3、GTE 开源、效果稳定中英混合 E5-mistral、BGE-large 跨语言对齐好垂直领域领域微调（如法律、医疗）术语理解更准确选型核心：MTEB榜单参考 + 业务数据实测召回率 3. 嵌入生成与优化批处理推理：GPU批量编码，避免单条推理开销向量归一化：L…

#安克科技#RAG 文本向量化#分块策略

面试题·模型微调· 美团

向量检索怎么保准又保真?

匹配正文：答案要点 Embedding模型选型与微调多路召回与混合检索策略重排序（Rerank）机制查询理解与改写检索结果评估与迭代优化 1. Embedding层优化模型选型：根据领域特点选择模型（通用场景用BGE/M3E，垂直领域用微调模型）领域适配：用业务数据对Embedding模型做对比学习微调，缩小语义鸿沟动态更新：商品/内容Embedding随属性变化及时刷新，避免语义漂移 2. 多路召回策略召回方式适用场景向量召回语义相似，理解用户意图关键词/BM…

#美团#向量检索准确性#向量检索相关性

面试题·模型微调· 百度

文本嵌入模型怎么选?

匹配正文：答案要点区分通用嵌入模型与专用嵌入模型的差异掌握主流模型的核心特点（如M3E、BGE、GTE、OpenAI等）理解模型选型需考虑的因素（语言支持、向量维度、上下文长度、推理成本）了解领域适配和微调策略能结合实际场景给出选型建议主流文本嵌入模型分类 1. 开源中文模型（国内首选）模型特点适用场景 BGE (智源) 中文SOTA，多尺寸（large/base/small），支持指令微调通用RAG、需要高性价比的场景 GTE (阿里) 长文本支持好（8K），中文…

#百度#文本嵌入模型#Embedding 模型对比

面试题·检索· 高德

语义检索向量数据库构建流程

匹配正文：答案要点文本预处理的关键步骤（清洗、分块、元数据保留） Embedding模型选型依据（领域适配、多语言、维度权衡）向量索引算法选择（HNSW、IVF、PQ的适用场景）存储方案设计（向量+标量混合存储、分片策略）查询优化手段（查询重写、重排序、缓存策略） 1. 文本预处理清洗：去HTML标签、特殊字符、统一编码，保留语义关键信息分块策略：按语义段落切分（非固定长度），重叠窗口保证上下文连贯；高德场景可考虑POI名称、地址等结构化字段单独处理元数据关联：保留原始I…

#高德#评估与监控#向量数据库构建

面试题·文档处理· 安克科技

RAG 文档怎么存储和向量化?

匹配追问：场景切入假设你做一个知识库问答系统，用户上传了几百份PDF合同，需要从中检索条款。你怎么把这些文档存到向量库里？从解析、分块到选模型和建索引，大致步骤说一下吧。层层追问 RAG系统里文档数据怎么处理才能检索？……那原始文本读进来之后，分块你一般怎么分？……如果文档很长，比如法律条文，怎么保证语义连贯？……嵌入模型选型要考虑哪些因素？……最后存到向量库，索引结构你怎么选？直球架构讲一下RAG系统中从原始文本到向量数据库的完整数据流，包括文档解析、分块策略、嵌入模型选型以…

#安克科技#评估与监控#RAG 文档向量化

面试题·检索· 美团

Embedding 模型结构选型

匹配口述回答：…能只看论文里的基准。新趋势是 MRL，Matryoshka Representation Learning。它让模型输出一个高维向量，但你可以按需截断成低维子向量，精度损失很小。这打破了“一次训练固定维度”的限制，部署时灵活调整，特别实用。不过话说回来，Embedding 维度选型还要结合你用的 [[ANN]] 算法。比如 [[IVF-PQ]] 对高维向量做[[乘积量化]]，能大幅压缩索引，但精度损失明显。所以我会把 Embedding 模型选型看成系统组件的一部分，和索…

#美团#向量检索#Embedding 模型结构选型

面试题·项目与经历· OPPO

ML项目流程：特征工程到评估

匹配正文：…则说明流量、观察窗口和回滚。复盘：错误样本、数据漂移、监控和下一步【】。模型链路必须来自候选人的实际系统。候选生成可以是规则、向量检索、协同过滤或学习模型，排序可以是树模型、深度模型或其他方法。方法名不决定流水线位置，目标函数、特征可用性、延迟与部署约束才决定。

#特征工程#模型选型#超参数调优

面试题·模型架构· 安克科技

GPT vs BERT 核心区别在哪?

匹配正文：…ERT 类模型才可承担相应分类环节。选型看输出形式和成本：需要逐 token 生成与上下文学习时选生成模型；需要低延迟固定标签、向量编码或 token 标注时，encoder-only 往往更经济。两者都可通过微调扩展任务，不能用“GPT 只会生成、BERT 只会分类”作绝对边界。图解 GPT vs BERT 核心区别在哪?图解

#自回归模型#自编码模型#Transformer

面试题·模型架构· 百度

DDPM vs Flow Matching: 建模与训练差异?

匹配正文：…在随机 t 直接构造噪声样本。 Flow Matching 先选一条连接源分布与目标分布的概率路径，再回归使该路径满足连续性方程的向量场；生成时积分 ODE。Conditional Flow Matching 可用条件路径上的目标速度训练，而网络学到的是给定 x_t,t 后的边缘化条件期望。不能混同的边界 DDPM 的原始反向链可随机采样，也可使用 DDIM 或 probability-flow ODE 做确定性采样。 Flow Matching 的某条条件路径可以是直线，…

#生成模型#扩散模型#流匹配

面试题·模型微调· 字节

领域 RAG 知识库构建

匹配正文：答案要点数据清洗与分块策略设计 Embedding模型选型与微调考量多路召回与重排序的检索架构大模型Prompt工程与上下文压缩端到端评估指标与迭代优化闭环一、数据准备：质量决定天花板数据清洗去重、去噪、格式标准化（PDF/Word/网页解析）领域术语词典构建，确保专业概念不被错误分词分块策略（关键！）按语义切分优于固定长度：用BERT-based句子嵌入判断边界领域特性：医学/法律需保留完整条款上下文，代码按函数/类切分块大小与重叠窗口都作为候选变量…

#字节#领域 RAG 知识库构建#领域 RAG 知识库怎么建？数据处理、索引与检索

面试题·模型微调· 百度

大模型知识库怎么构建?

匹配正文：答案要点数据收集策略与来源选择数据清洗与质量评估方法 Embedding模型选型与微调向量索引结构选择（HNSW/IVF）检索策略优化（重排序、混合检索）知识库更新与维护机制一、数据收集阶段来源分类结构化数据：数据库、API、Excel表格非结构化数据：PDF、Word、网页、聊天记录半结构化数据：Markdown、JSON、XML 关键原则优先收集高频查询场景的数据建立数据版本管理和溯源机制二、数据清洗与预处理核心步骤格式统一：PDF转文本（处…

#百度#大模型知识库构建#知识库向量化

面试题·RAG· 百度

RAG 索引构建管线

匹配正文：…窗口与较长窗口作为候选，用同一评测集验证是否减少边界证据丢失多粒度索引：同时存储句子级（精）和段落级（全），检索时按需召回二、Embedding层优化模型选型：垂域数据用BGE、M3E等开源模型，必要时Domain-Specific微调多向量表示：ColBERT的late interaction、多向量索引提升细粒度匹配稀疏-稠密混合：BM25关键词 + Dense向量，互补长尾与语义匹配三、索引结构优化分层索引：先粗筛（聚类中心）再精排，降低高维检索复杂度图…

#百度#RAG索引优化#RAG 索引构建管线

面试题·检索· 字节

RAG Retriever 工作流程详解

匹配正文：1. 查询预处理查询改写：识别用户真实意图，补全省略信息（如"这个多少钱"→结合上下文补全商品名） HyDE（假设文档嵌入）：让LLM生成伪答案再向量化，解决查询-文档语义鸿沟查询扩展：同义词扩展、子问题分解（如Multi-Query） 2. 向量化表示模型选型：通用场景用BGE/M3-Embedding，垂直领域需微调关键细节：截断长度、是否添加指令前缀（如"Represent this sentence for retrieval"）动态更新：用户反馈回流，做对…

#字节#重排与优化#RAG Retriever 工作流程