待验证50% 置信事实精确时间
Embedding模型把查询和文档映射到同一向量空间，用余弦相似度等度量匹配；当查询使用领域缩写、内部代号或与训练语料分布差异较大的措辞时，可能导致正确文档排到很后面甚至不出现在候选集中。
1
来源数
50%
置信度
长期有效
时效性
2026/10/12
首次发现
来源
涉及实体
相关事实
待验证索引阶段和查询阶段必须使用同一个Embedding模型，否则向量空间不一致会导致检索完全失效76% 相似待验证生成文档向量和查询向量必须使用同一个embedding模型，不同模型的向量空间互不兼容，混用会导致检索失效74% 相似待验证端到端模型在代表性充足与代表性不足口音之间的WER差距并未按比例缩小，属于数据分布问题而非架构问题65% 相似待验证RAG检索流程中用户问题首先交给Embedding模型转换成向量，然后在向量数据库中做相似度计算取出最相关的前K个文档，再与原始提问拼接后交给大模型生成答案64% 相似待验证embedding模型的版本更新可能导致语义向量空间发生偏移，使原本高排名的相关文档被不太相关的文档取代64% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1005611API
curl https://kongchang.com/api/v1/knowledge/claims/1005611MCP
get_claim(id=1005611)