向量表示与Embedding选择

选择的是一份表示合同

Embedding把query和文档映射到可比较的向量空间，适合发现措辞不同但含义接近的材料。它不能自动理解全部企业缩写，也不保证精确区分两个合同编号。模型选择应围绕实际资料与问题，而不是只比较一个综合榜单或向量维度大小。

BGE-M3公开模型卡描述dense、sparse与multi-vector能力；Qwen3 Embedding系列提供不同大小档位。它们是可评估候选，不是对金融、法律或教育资料精度的证明。开放权重模型也可以运行在托管云推理服务上，无需先把企业系统全部私有化。

所有预处理都影响向量空间

保存模型revision、维度、query/document指令、归一化、距离函数、tokenizer、截断和量化策略。输入标题、章节路径还是正文，是否去掉表格，以及长文本如何裁剪，都会改变表示。相同维度的不同模型向量不能直接混合比较。

建议至少比较一个托管服务、一个较小开放权重模型和一个较大候选。用相同文档、切块、授权条件和query评估中文术语、英文缩写、中英混写、跨语言、编号及表格。质量之外记录query延迟、批量吞吐、资源、许可与固定版本能力。

保留独立的词法路线

向量分数受模型与数据分布影响，不是校准后的事实置信度。提高top-k可能增加召回，也可能让大量重复或泛相关内容挤占上下文。若正确资料根本没被解析或索引，升级embedding无法修复这一缺口。

验收应先看相关证据召回，再看重排与最终答案。为确切ID和时间约束保留结构字段；更换模型时先双索引影子评估，再切换查询向量和文档索引，不应在线混用两代空间。