Dense 双塔向量嵌入检索

稠密双塔向量检索 (Dense Bi-Encoder Retrieval) 是一种将查询 $q$ 与候选文档 $d$ 分别通过独立的编码网络（或共享权重的 Transformer 编码器）映射为同一连续高维向量空间中的稠密表征向量 $E(q)$ 与 $E(d)$，并通过点积或余弦距离评估语义相似度的第一阶段粗排召回范式；主流模型包括 BAAI BGE-v1.5 / BGE-M3、OpenAI text-embedding-3、E5 与 GTE 系列。

语义关联度检索、跨语言问答检索（Cross-lingual RAG）、意图匹配以及多路召回的主干链路。

传统 BM25 只能匹配具有相同词根的字面关键词，面对同义词替换（如“心脏病” vs “心肌梗塞”）、跨语言表达或意图抽象提问完全无能为力；Dense Bi-Encoder 捕捉深层语义意图，实现了真正的语义对齐检索。

详细剖析 Bi-Encoder 架构为何能够支持离线预计算文档向量并利用 ANN 索引实现毫秒级快速召回？

对比对比学习 (Contrastive Learning, 如 InfoNCE Loss) 与难负例挖掘 (Hard Negative Mining) 在训练优质 Embedding 模型中的核心地位？

BGE-M3 模型如何实现三位一体 (Dense + Multi-Vector ColBERT + Sparse Lexical) 统一表征的联合训练？

Matryoshka Representation Learning (MRL 套娃嵌入学习) 是如何支持向量在不重新训练下从 1536 维自由截断至 256/512 维的？

当遇到超出 Embedding 最大窗口限制（如 512 或 8192 Tokens）的长文本时，平均池化 (Mean Pooling) vs CLS Token 的表征质量差异？