概念
基于最大相似度的文本匹配算法
已跟踪 4 条高相关材料
最近变化
2026-08-28 · 静态嵌入比密集嵌入快10倍且成本降低70%
为什么值得关注
MaxSim 被反复提及时，通常意味着它正在影响产品路线、开发者工作流或 AI 产业判断。这个页面把分散材料合并成一个可持续更新的观察入口。
With the same multi-vector model, and the same dataset, nDCG@10 can drop from 0.701 to 0.109 — rough...
Milvus(@milvusio) · 9.2 分
多向量检索中近似策略选择错误会导致nDCG@10下降6倍，影响远超模型升级收益。应通过计算Token向量MaxSim标准差判断嵌入空间分离度：高分散选TokenANN/MUVERA，低分散选LEMUR，避免盲目调优。
static embeddings are extremely fast/cheap compared to dense embeddings, and still quite powerful. ...
Jerry Liu(@jerryjliu0) · 8.5 分
静态嵌入模型在速度和成本上优于密集嵌入，但存在长文本准确率下降问题，LlamaIndex通过MaxSim和适配器优化提升效果。
Static embeddings offer unmatched throughput, but they also suffer from accuracy loss compared to tr...
LlamaIndex 🦙(@llama_index) · 8.5 分
静态嵌入模型吞吐量高但准确率不足，LlamaIndex尝试通过maxsim评分、适配器模型和蒸馏训练改进效果，但未达预期目标。
已收录 4 条与 MaxSim 相关的内容，按评分排序。
Choosing the wrong approximate strategy in multi-vector retrieval causes a 6x drop in nDCG@10, exceeding model upgrade gains. Measure embedding space separability via MaxSim std dev: use TokenANN/MUVERA for high spread, LEMUR for low spread.
入选理由：同模型数据集下，错误近似策略使nDCG@10从0.701跌至0.109，损失超模型升级收益
静态嵌入模型在速度和成本上优于密集嵌入，但存在长文本准确率下降问题，LlamaIndex通过MaxSim和适配器优化提升效果。
入选理由：静态嵌入比密集嵌入快10倍且成本降低70%
静态嵌入模型吞吐量高但准确率不足，LlamaIndex尝试通过maxsim评分、适配器模型和蒸馏训练改进效果，但未达预期目标。
入选理由：静态嵌入模型吞吐量是传统模型的3-5倍但准确率下降约25%
LEMUR 多向量策略存在长度偏差问题，可能导致文档排序不准确，需通过长度均衡采样等方法优化。
入选理由：LEMUR 在长度敏感模型中可能导致文档排序偏向长文档，而非相关性。
