标签
该研究揭示了LLM文本嵌入被高频token（如句号、冠词）绑架的问题，提出EmbedFilter方法通过对unembedding矩阵进行SVD分解并减去投影分量来释放真实语义，实现零训练开销的降维和检索效率提升。
SEA-Embedding 提出了一个完全开放且可复现的东南亚语言文本嵌入流水线，仅使用公开数据训练，在 SEA-BED 基准测试上取得了最先进的结果。
本文研究了多语言嵌入模型中跨语言检索不对称性的成因。作者提出并验证了枢纽中介假说，发现中心性（而非各向异性）是主导原因，并建议使用CSLS替代余弦相似度。
本文评估了四种用于高棉语农业文档检索增强生成（RAG）的文本分块策略，发现基于字符的递归分块（300字符）在检索和相关性方面表现最佳。