通常首选余弦相似度，因为文本嵌入的语义主要体现在方向而非模长，余弦可抑制长度差异影响。若向量已 L2 归一化，欧氏距离与余弦等价排序，且内积更利于 ANN 加速；需要保留模长信息时才考虑欧氏距离。
多智能体协作系统的协调机制主要包括集中式调度、基于合同网的任务拍卖与分配、黑板或共享状态通信、基于规则与协议的行为约束，以及博弈论与强化学习驱动的分布式策略对齐，目标是在通信受限条件下实现任务分解、冲突消解与全局效用最优。
通常首选余弦相似度，因为文本嵌入的语义主要体现在方向而非模长，余弦可抑制长度差异影响。若向量已 L2 归一化，欧氏距离与余弦等价排序，且内积更利于 ANN 加速；需要保留模长信息时才考虑欧氏距离。
📍 温哥华 · 多伦多 · 上海
98.6% 数据完整度
20+ 位数据分析师
5年 历史数据清洗
2.8与2.0同屏对照，洞察差异。
引入jnd指标过滤噪音。
原始数据开放下载，可复核。
08:00/20:00自动校准模型。
每日预测点
数据完整率
历史指标
国家数据源
确定关注区间与模型偏好
实时拉取canada最新数据
2.8/2.0双模并行
可视化对比+解读
主动学习通过不确定性采样、查询委员会或期望模型变化等策略，从未标注池中优先挑选信息增益最高的样本交由人工标注，使模型以更少的标注量逼近全量监督性能，同时结合多样性约束避免冗余，从而显著降低标注成本。
主要依靠BGE-M3、mE5等多语言嵌入模型将不同语言映射到共享向量空间，辅以平行语料对比学习、查询或文档翻译，再通过跨语言重排序器校正，缓解语义偏移。
采用分层存储架构：短期记忆用向量数据库存储嵌入，设置TTL和容量上限；长期记忆通过重要性评分筛选压缩后持久化；引入遗忘机制定期清理低频访问数据；关键是设计retrieval策略，结合语义相似度和时间衰减函数控制召回范围，防止上下文污染和成本失控。
当前大模型凭借海量语料可在多数常识基准上表现优异，但其本质是统计关联而非具身因果理解，在反事实推理、物理直觉与分布外泛化上仍易失稳，故尚难称实现"真正"的常识推理。
预训练中基本弃用：数据量大且单轮训练，欠拟合比过拟合更突出，Dropout会拖慢收敛；但小数据微调、ViT或低资源任务中仍有价值。
向量库规模由切片粒度决定：百万级文档按五百字切分约产生千万级向量，需要 HNSW 分片和元数据过滤；先按业务域划分子库，再用召回率与 P99 延迟反推容量。