概念Matryoshka Representation Learning
Matryoshka 表示学习
一种嵌入模型训练技术，使单个模型的前若干维（如128/256/512）各自构成可独立使用的有效嵌入，无需重新训练即可用低维换取更小存储和更快检索
时间轴 (近 90 天)
11月3日
向量存储压缩常见路径包括降维（如 Matryoshka 表示学习）、标量量化（将 float32 压至 int8）、乘积量化（PQ）等。
待验证50%
10月28日
零空间注入方法由于未重新训练，正交性需要全部 768 维才能保持，因此丢失了 512/256/128 截断选项（无 Matryoshka 支持）。
待验证50%
10月13日
EmbeddingGemma 2 使用 Matryoshka 向量表示，768 维中的前 128、256 或 512 维可独立用作嵌入。
待验证50%
10月13日
Matryoshka 表示学习的代价是截断维度越低，检索质量下降越明显，需要在召回率与存储成本之间做权衡。
待验证50%
10月7日
嵌套模型技术与学术界的 Matryoshka 套娃表示学习思路一脉相承，训练时让模型子集具备独立可用的能力而非事后剪枝
待验证50%
全部知识事实 (5)
待验证
向量存储压缩常见路径包括降维（如 Matryoshka 表示学习）、标量量化（将 float32 压至 int8）、乘积量化（PQ）等。
50%待验证零空间注入方法由于未重新训练，正交性需要全部 768 维才能保持，因此丢失了 512/256/128 截断选项（无 Matryoshka 支持）。
50%待验证EmbeddingGemma 2 使用 Matryoshka 向量表示，768 维中的前 128、256 或 512 维可独立用作嵌入。
50%待验证Matryoshka 表示学习的代价是截断维度越低，检索质量下降越明显，需要在召回率与存储成本之间做权衡。
50%待验证嵌套模型技术与学术界的 Matryoshka 套娃表示学习思路一脉相承，训练时让模型子集具备独立可用的能力而非事后剪枝
50%