dense embeddings(稠密向量表示)是通过神经网络把文本映射为固定长度的高维向量,用于捕捉语义相似度的技术,是当前向量检索和 RAG 系统的核心基础设施之一。相比关键词检索,它能匹配同义表述;但也带来了计算成本高、对领域数据敏感等问题。近期围绕它的讨论主要集中在评测方法、混合检索方案和更轻量替代方案三个方向。
dense embeddings 的近期进展
当前焦点与观察点
从近期讨论看,dense embeddings 的争议点不再停留在"好不好用",而是"在什么场景值得用"。一方面,医疗 RAG 评测研究提醒从业者:向量检索的分数受标注质量影响很大,选型时应关注端到端答案质量而非单一召回指标;另一方面,工程社区呈现出明显的分层趋势——精度要求高的复杂查询用稠密+稀疏混合检索,而大批量、低延迟的简单匹配则转向 static embeddings 等轻量方案。
后续值得观察的方向包括:领域微调能否缓解稠密向量在专业语料上的失配问题,证据感知评估方法是否会成为 RAG 检索评测的事实标准,以及轻量级嵌入在多大程度上会蚕食稠密模型的市场份额。对构建检索系统的团队而言,根据查询类型分层选型、并在真实业务数据上做证据级评测,可能比追逐某个单一最优模型更务实。