Embedding 与 Rerank 模型

1.引言

在RAG系统中，常见的两种优化方式包括：

1. 混合检索（Hybrid Retrieval）：结合 dense embedding 和 sparse embedding 的检索方式；
2. 两阶段排序（Two-Stage Ranking）：先通过 embedding 模型进行初步召回（粗排），再通过 rerank 模型进行精排。

这引出两个关键问题：

• Dense Embedding 与 Sparse Embedding 有何本质区别？它们各自适用于哪些检索场景？
• Embedding 模型与 Rerank 模型在结构和能力上有何不同？各自适合用于系统的哪一阶段？

最近，qwen3-embedding模型发布后，备受关注，那llm-emb和上面独立-emb又有什么不同呢？

2.Dense-Embedding 与Sparse-Embedding

Sparse-Embedding:基于词频统计的关键词匹配(代表算法如BM25和TF-IDF)，利用词频（TF）和逆文档频率（IDF）计算词的重要性。最终文本被表示为高维稀疏向量，非零元素对应出现的词项。

适用场景：关键词的精确匹配

Dense-Embedding: 基于深度学习模型（如BERT）将文本编码为低维稠密向量，捕捉语义信息。通过余弦、L2等向量的相似度计算获取相关向量的重要性。最终文本被表示为低维稀疏向量。

适用场景：识别同义词和语义相近的表达

3.Embedding 与 Rerank

Embedding-model和Rerank-model分别采用了两种模型架构：Bi-Encoders 和Cross-Encoder。

	Bi-Encoders	Cross-Encoder
架构	独立编码器: 共享参数	交叉编码器：单编码器处理拼接文本，cls标记生成最终结果
处理方式	查询和文档分别编码，再对编码结果进行相似度计算	查询和文档拼接后输入交叉编码器进行联合编码，直接输出相似度分数
交互性	向量空间中交互	文本间的细粒度交互
计算效率	高	低(需要随时计算，随数据量呈线性增长)
训练数据需求	需大量负样本(对比学习)	直接用正负样本对
训练策略	损失函数：对比损失（InfoNCE）、三元组损失。训练目标：拉近正样本对的向量距离，推远负样本对。数据增强：依赖负采样策略（如困难负样本挖掘）	损失函数：交叉熵（分类任务）、均方误差（回归任务）。训练目标：直接预测相似度分数或类别标签。输入格式：拼接文本

4.llm-Embedding 与 Embedding-model

llm-embedding：其训练是和所有的transformer block一起训练的，最终的优化目标是为了提高下一个token的准确率，其输出的向量内含“上下文理解”和“未来指向性”的信息浓度，这是embedding模型所不具备的。

Embedding模型：采用对比学习进行训练，文本对，存在正负样本。损失函数：在向量空间中，拉近正例对的向量距离，推远负例对的向量距离。生成的向量在衡量句子间“意思是否相近”这个问题上表现得极其出色，是专门为语义搜索、聚类、RAG（检索增强生成）等任务量身定做的。

qwen3-emb采用decoder-only架构实现，其具备instruct能力，通过给到适当的prompt 去“调节任务逻辑”，让同一个模型能适配不同类型的召回或匹配任务。(兴奋兴奋) 举例："岗位召回简历的匹配场景"

在emb时添加指令"Given a resume and a job description, determine whether the candidate strictly meets the job requirements"即可切换该场景