Matryoshka表示学习
一种嵌入训练技术，使模型生成的向量具有可截断性，即同一高维向量的前缀子向量也能保留大部分语义信息，允许根据资源约束动态调整向量维度
时间轴 (近 90 天)
PEEL的解码结构源于MRL嵌入中固有的粒度信息，而非混淆因素，这通过打乱和反转维度的控制实验得到证实。
粒度对齐模式在三个架构不同的MRL模型上均成立，具有跨模型的稳健性。
Matryoshka表示学习（MRL）是一种训练嵌入模型的范式，在损失函数中同时对向量的前若干个前缀（如64维、128维、256维等）施加监督，使每个前缀都能独立完成检索任务。
MRL模型主动将最通用的语义信息压缩到靠前的维度中，把更细粒度的区分信息推向后续维度，使短前缀适合粗粒度匹配、长前缀适合精细区分。
MRL嵌入中前缀向量的长度与金标准分类体系的粗到细粒度之间存在对齐关系。
打乱维度顺序和反转维度顺序的控制实验表明，粒度对齐效应仅存在于学习到的早期前缀维度中，而非任意维度排列。
EmbeddingGemma2采用Matryoshka表示学习，将最重要的信息编码到向量最前面，支持向量截断
Google在text-embedding-004等模型中也采用了Matryoshka表示学习技术
EmbeddingGemma 2采用Matryoshka表示学习，256、128或更少维度仍能作为独立embedding使用
全部知识事实 (9)
PEEL的解码结构源于MRL嵌入中固有的粒度信息，而非混淆因素，这通过打乱和反转维度的控制实验得到证实。
50%待验证粒度对齐模式在三个架构不同的MRL模型上均成立，具有跨模型的稳健性。
50%待验证Matryoshka表示学习（MRL）是一种训练嵌入模型的范式，在损失函数中同时对向量的前若干个前缀（如64维、128维、256维等）施加监督，使每个前缀都能独立完成检索任务。
50%待验证MRL模型主动将最通用的语义信息压缩到靠前的维度中，把更细粒度的区分信息推向后续维度，使短前缀适合粗粒度匹配、长前缀适合精细区分。
50%待验证MRL嵌入中前缀向量的长度与金标准分类体系的粗到细粒度之间存在对齐关系。
50%待验证打乱维度顺序和反转维度顺序的控制实验表明，粒度对齐效应仅存在于学习到的早期前缀维度中，而非任意维度排列。
50%待验证EmbeddingGemma2采用Matryoshka表示学习，将最重要的信息编码到向量最前面，支持向量截断
50%待验证Google在text-embedding-004等模型中也采用了Matryoshka表示学习技术
50%待验证EmbeddingGemma 2采用Matryoshka表示学习，256、128或更少维度仍能作为独立embedding使用
50%