⚡ 大语言模型ID: embeddings

文本嵌入 Embeddings

Q: token 级与句子级嵌入的区别?CLS 与 mean pooling 各自适用什么?

【文本嵌入 Embeddings 核心考点 1】token 级与句子级嵌入的区别?CLS 与 mean pooling 各自适用什么?。技术解析：定义: 文本嵌入 (Text Embeddings) 将 token 或整句/整段文本映射为稠密低维实数向量,使语义相近的文本在向量空间中距离相近。token 级嵌入来自词表嵌入表 E \in \mathbb{R}^{V \times d} (V 为词表大小、d 为隐藏维度);句子级嵌入通常取 CLS token 的输出向量或对全部 token 向量做 mean pooling,再用余弦相似度度量语义相似性。 使用场景: RAG 检索(文档库离线编码为向量库、查询向量做近邻搜索)、语义搜索与问答召回、文本聚类与去重、领域检索的嵌入模型微调;也是向量数据... 完整推导与工程落地见：https://talentme.airsota.com/resources/tech/roadmap/mindmap/LLM/card/embeddings

Q: 为什么用余弦相似度而不是内积或 L2 距离?其取值范围是什么?

【文本嵌入 Embeddings 核心考点 2】为什么用余弦相似度而不是内积或 L2 距离?其取值范围是什么?。技术解析：定义: 文本嵌入 (Text Embeddings) 将 token 或整句/整段文本映射为稠密低维实数向量,使语义相近的文本在向量空间中距离相近。token 级嵌入来自词表嵌入表 E \in \mathbb{R}^{V \times d} (V 为词表大小、d 为隐藏维度);句子级嵌入通常取 CLS token 的输出向量或对全部 token 向量做 mean pooling,再用余弦相似度度量语义相似性。 使用场景: RAG 检索(文档库离线编码为向量库、查询向量做近邻搜索)、语义搜索与问答召回、文本聚类与去重、领域检索的嵌入模型微调;也是向量数据... 完整推导与工程落地见：https://talentme.airsota.com/resources/tech/roadmap/mindmap/LLM/card/embeddings

Q: Embedding 在 RAG 中的完整流程:离线建索引、在线 ANN 检索、重排序?

【文本嵌入 Embeddings 核心考点 3】Embedding 在 RAG 中的完整流程:离线建索引、在线 ANN 检索、重排序?。技术解析：定义: 文本嵌入 (Text Embeddings) 将 token 或整句/整段文本映射为稠密低维实数向量,使语义相近的文本在向量空间中距离相近。token 级嵌入来自词表嵌入表 E \in \mathbb{R}^{V \times d} (V 为词表大小、d 为隐藏维度);句子级嵌入通常取 CLS token 的输出向量或对全部 token 向量做 mean pooling,再用余弦相似度度量语义相似性。 使用场景: RAG 检索(文档库离线编码为向量库、查询向量做近邻搜索)、语义搜索与问答召回、文本聚类与去重、领域检索的嵌入模型微调;也是向量数据... 完整推导与工程落地见：https://talentme.airsota.com/resources/tech/roadmap/mindmap/LLM/card/embeddings

Q: 词表嵌入表 $E \in \mathbb{R}^{V \times d}$ 的参数量与显存如何估算?

【文本嵌入 Embeddings 核心考点 4】词表嵌入表 $E \in \mathbb{R}^{V \times d}$ 的参数量与显存如何估算?。技术解析：定义: 文本嵌入 (Text Embeddings) 将 token 或整句/整段文本映射为稠密低维实数向量,使语义相近的文本在向量空间中距离相近。token 级嵌入来自词表嵌入表 E \in \mathbb{R}^{V \times d} (V 为词表大小、d 为隐藏维度);句子级嵌入通常取 CLS token 的输出向量或对全部 token 向量做 mean pooling,再用余弦相似度度量语义相似性。 使用场景: RAG 检索(文档库离线编码为向量库、查询向量做近邻搜索)、语义搜索与问答召回、文本聚类与去重、领域检索的嵌入模型微调;也是向量数据... 完整推导与工程落地见：https://talentme.airsota.com/resources/tech/roadmap/mindmap/LLM/card/embeddings

Q: 静态词向量 (Word2Vec) 与上下文相关表示 (Transformer 层输出) 的差异?

【文本嵌入 Embeddings 核心考点 5】静态词向量 (Word2Vec) 与上下文相关表示 (Transformer 层输出) 的差异?。技术解析：定义: 文本嵌入 (Text Embeddings) 将 token 或整句/整段文本映射为稠密低维实数向量,使语义相近的文本在向量空间中距离相近。token 级嵌入来自词表嵌入表 E \in \mathbb{R}^{V \times d} (V 为词表大小、d 为隐藏维度);句子级嵌入通常取 CLS token 的输出向量或对全部 token 向量做 mean pooling,再用余弦相似度度量语义相似性。 使用场景: RAG 检索(文档库离线编码为向量库、查询向量做近邻搜索)、语义搜索与问答召回、文本聚类与去重、领域检索的嵌入模型微调;也是向量数据... 完整推导与工程落地见：https://talentme.airsota.com/resources/tech/roadmap/mindmap/LLM/card/embeddings

Text Embeddings

🎯核心定义

文本嵌入 (Text Embeddings) 将 token 或整句/整段文本映射为稠密低维实数向量,使语义相近的文本在向量空间中距离相近。token 级嵌入来自词表嵌入表

E \in \mathbb{R}^{V \times d}

(

V

为词表大小、

d

为隐藏维度);句子级嵌入通常取 CLS token 的输出向量或对全部 token 向量做 mean pooling,再用余弦相似度度量语义相似性。

💡使用场景

RAG 检索(文档库离线编码为向量库、查询向量做近邻搜索)、语义搜索与问答召回、文本聚类与去重、领域检索的嵌入模型微调;也是向量数据库 ANN 近邻检索的底层表示,衔接知识库问答链路。

⚡解决的核心痛点

词袋/One-hot 表示维度高达

V

(10 万级)且不含语义,无法表达“国王 − 男 + 女 ≈ 女王”这类语义关系;嵌入把语义压缩进

d \ll V

维稠密空间,余弦相似度取值在

[-1, 1]

,使语义检索取代关键词匹配。例如

V=10

万、

d=4096

时,仅嵌入表就有约 4 亿参数 (FP32 约 1.6GB),可见高维稀疏表示更不可行。

🎯核心面试考点体系 (Exam Points)

基础原理 · 工业场景 · 深入排雷

基础·定义

请阐明【文本嵌入 Embeddings】的本质定义、底层数学/架构运作机制与关键原理。

基础·场景

在实际工业生产体系中，【文本嵌入 Embeddings】适用于哪些典型场景？解决了什么核心工程痛点？

🔥 高频进阶实战考点 (Top 5 Deep-Dive Questions)

token 级与句子级嵌入的区别?CLS 与 mean pooling 各自适用什么?

为什么用余弦相似度而不是内积或 L2 距离?其取值范围是什么?

Embedding 在 RAG 中的完整流程:离线建索引、在线 ANN 检索、重排序?

词表嵌入表

E \in \mathbb{R}^{V \times d}

的参数量与显存如何估算?

静态词向量 (Word2Vec) 与上下文相关表示 (Transformer 层输出) 的差异?

📖 关联深度指南:📄 tokenizer-and-sampling →

更新于 2026-08-12

🎯

检验攻克程度：针对「文本嵌入 Embeddings」专属刷题排雷

做单选排雷题、推导选项机制，答错自动收录进专属错题本。

🚀 开始本考点专项刷题 ➔

← 上一个知识点分词 BPE/WordPiece 下一个知识点 →填充与打包 Padding/Packing

文本嵌入 Embeddings

🔗 更多 大语言模型 知识点卡片

🔗 更多大语言模型知识点卡片