标签
作者提出了合成查询探测（Synthetic Query Probing），这是一种简单而有效的方法，通过比较不同嵌入模型之间的相似度匹配分数，而非原始嵌入空间，来比较不同的嵌入模型。论文展示了如Ada和Titan等模型之间的非线性关系，为更换嵌入模型和设定检索阈值提供了实用指导。
Introduces Synthetic Query Probing (SQP), a reference-free method for learning mappings between similarity score distributions across embedding models, enabling threshold portability in RAG systems. Experiments show systematic score distortions and isotonic regression as the best calibration approach.
提出RT，一种测试时推理方法，通过多次前向传播增强文本嵌入模型的语义推理能力，在推理任务上提升性能，同时保持通用语义理解。
对来自236个国家的26亿张涂鸦的分析揭示了常见概念视觉呈现中隐藏的文化差异，表明视觉意象保留了语言模型所压缩的丰富语义和文化结构。
本文介绍了一种用于模因中多模态性别歧视检测的层次化框架，该框架利用冻结的Gemini Embedding 2表示和轻量级门控MLP对标注者分歧进行建模，在EXIST 2026的细粒度性别歧视分类任务中取得了第一名。
Slopo 是一个轻量级 CLI 工具，它使用嵌入模型跨代码库检测非精确代码重复，帮助开发者发现难以手动察觉的相似代码片段。
本线程讨论了一项发现：嵌入模型在绑定（多对象理解的核心要求）方面存在困难，而解决这一问题需要超越线性表示假说。
本文介绍了MELD数据集，用于评估文本嵌入模型是否能够捕捉不同术语之间的数学等价性，并发现当前模型无法做到。本文提出了一种对比学习方法，用于对齐非正式和正式的数学表述，从而在非正式-正式检索任务以及自然语言任务上均取得改进。
本文将嵌入模型路由形式化为具有低秩专家的对抗性上下文线性赌博机，提出了Hypentropy策略梯度（HPG）算法，该算法实现了O~(s√(MT))的策略遗憾，避免了维度灾难。
提出一种去中心化的信息发现系统，使用设备端嵌入模型和点对点传播，消除了对搜索引擎等中心索引的需求。
本文探讨了CLIP为何在概念绑定上表现不佳，表明虽然CLIP的绑定函数复杂度高，但受控的Transformer模型可以通过乘法交互学习复杂度较低的绑定函数，从而更好地泛化。
本文对 Google Embeddings 2 与五个开源模型在多语言稠密检索和 RAG 系统中进行了基准测试，发现 GE2 在准确性上表现最佳但速度较慢，而 mE5-L 作为低延迟的竞争性替代方案。
本文通过实证表明，对指令调优嵌入模型进行单一提示评估是不够的，因为性能随提示措辞显著变化，且排行榜排名可通过提示选择被操纵。
本文表明，通过最近邻重叠和ICA差异测量的嵌入空间结构保留，与多个任务上的基准性能强相关，为模型有效性提供了预测指标。
本文对电信领域高棉语检索增强问答中的嵌入模型和生成器后端进行了比较评估，发现BGE-M3在检索方面表现最佳，而生成器的优势因指标而异。
RecMem是一种基于重复的记忆整合方法，适用于长期运行的LLM智能体，通过仅在语义相似的交互重复出现时调用LLM，可减少高达87%的令牌消耗，同时提高准确性。
Jina releases MLX-native embedding models simultaneously with PyTorch versions, highlighting the growing importance of Apple's MLX framework for local AI deployment.
# 论文页面 - 几何金丝雀：通过表征稳定性预测可操控性与检测漂移 来源：[https://huggingface.co/papers/2604.17698](https://huggingface.co/papers/2604.17698) ## 摘要 几何稳定性指标既能预测语言模型的可控性，也能检测其结构退化；其中监督版在操控预测上表现优异，无监督版在漂移检测上更胜一筹。
本文提供了使用 Sentence Transformers 库训练和微调多模态 Embedding 与 Reranker 模型的技术指南，展示了在基于 Qwen3-VL 的视觉文档检索任务上的性能提升。
Sentence Transformers v5.4 引入了对多模态嵌入和重排序的支持，允许用户使用统一的 API 对文本、图像、音频和视频进行编码和比较。