PulseAugur
中
实时 11:53:56
English(EN) The Embedder's Dilemma: LLMs Are Better, but at What Cost?

LLM 与嵌入模型：新研究发现代价高昂的均等性

作者 PulseAugur 编辑部 · [2 个来源] ·

一篇题为《嵌入器的困境》的新论文比较了大型语言模型（LLM）与专用嵌入模型在各种任务上的性能和成本。研究发现，虽然像 Gemini 3.1 Pro 这样的 LLM 在平均表现上与顶级嵌入模型相当，但它们的成本却高得多，速度也慢得多。LLM 在推理密集型检索任务上表现出色，而嵌入模型更适合分类任务，两种范式在聚类和语义文本相似性方面的表现相似。 AI

影响 这项研究提出了在 LLM 和嵌入模型之间进行选择的成本效益分析，建议由于成本效益，在相似性和分类任务上使用嵌入模型。

排序理由 该集群基于一篇在 arXiv 上发表的学术论文，其中详细介绍了研究结果。

在 Hugging Face Daily Papers 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

LLM 与嵌入模型：新研究发现代价高昂的均等性

报道来源 [2]

  1. arXiv cs.CL TIER_1 English(EN) · Adnan El Assadi, Niklas Muennighoff, Jinhyuk Lee ·

    嵌入器的困境：LLM 更好，但代价是什么？

    arXiv:2608.12875v1 Announce Type: new Abstract: Should you replace your text-embedding pipeline with a large language model? We answer this with a controlled, cost-aware comparison of ten LLMs across six families and 26 embedding models (118M to 14B parameters) on 37 tasks spanni…

  2. Hugging Face Daily Papers TIER_1 English(EN) ·

    嵌入器的困境：LLM 更好，但代价是什么？

    Should you replace your text-embedding pipeline with a large language model? We answer this with a controlled, cost-aware comparison of ten LLMs across six families and 26 embedding models (118M to 14B parameters) on 37 tasks spanning classification, semantic textual similarity (…

相关实体

相关话题