嵌入模型
将文本转化为高维向量表示的模型，是RAG系统实现语义检索的核心组件，通过余弦相似度等算法衡量文本语义相似性
核心事实
时间轴 (近 90 天)
嵌入模型将查询和候选文档转化为向量表示，从而在语义空间中衡量相关度
Perplexity中用户得到的每一个回答都始于嵌入模型和排序模型对相关结果的筛选
Agent长期记忆通过向量数据库将文本转化为高维向量（通常768维或1536维），利用余弦相似度等算法进行语义检索
SOTA嵌入模型在简历-职位匹配任务上表现平平，因技能词汇高度重叠导致所有职位看起来都匹配
通用嵌入模型在简历-职位匹配任务中表现平平，因为技能词汇高度重叠导致所有职位看起来都像是匹配的
向量嵌入是将离散的文本、代码或经验转化为连续高维空间中数值向量的过程，使语义相近内容在向量空间中距离更近
向量数据库中文本通过嵌入模型被转换为高维向量，通常为768-1536维
大语言模型的训练目标是生成'看起来合理的文本'，而非'保证逻辑正确的程序'，这导致模型在代码生成后倾向于输出'验证叙述'而非实际执行验证
全部知识事实 (9)
向量数据库（如Pinecone、Weaviate、Milvus等）通过嵌入模型将文本转化为高维向量，使用余弦相似度或欧氏距离进行近似最近邻（ANN）搜索
80%已验证向量嵌入是将离散的文本、代码或经验转化为连续高维空间中数值向量的过程，使语义相近内容在向量空间中距离更近
65%待验证嵌入模型将查询和候选文档转化为向量表示，从而在语义空间中衡量相关度
50%待验证Perplexity中用户得到的每一个回答都始于嵌入模型和排序模型对相关结果的筛选
50%待验证Agent长期记忆通过向量数据库将文本转化为高维向量（通常768维或1536维），利用余弦相似度等算法进行语义检索
50%待验证SOTA嵌入模型在简历-职位匹配任务上表现平平，因技能词汇高度重叠导致所有职位看起来都匹配
50%待验证通用嵌入模型在简历-职位匹配任务中表现平平，因为技能词汇高度重叠导致所有职位看起来都像是匹配的
50%待验证向量数据库中文本通过嵌入模型被转换为高维向量，通常为768-1536维
50%待验证大语言模型的训练目标是生成'看起来合理的文本'，而非'保证逻辑正确的程序'，这导致模型在代码生成后倾向于输出'验证叙述'而非实际执行验证
50%