文本嵌入（Text Embedding）几乎贯穿了所有 NLP 任务：检索、分类、聚类、问答、摘要……
随着 BERT、T5、LLaMA/Qwen3 等**预训练语言模型（PLM）**的出现，文本嵌入进入了“通用+可迁移”时代。
哈工大这篇 30+ 页综述系统回答了（论文链接在文末）：
- 通用文本嵌入（GPTE）的架构、数据、模型
- PLM 到底给GPTE带来了哪些基础能力与高级扩展？
1. 一张图先看清 GPTE 架构
图1：GPTE 典型架构——Bi-Encoder + 对比学习
- 骨干：任意 PLM（BERT、T5、LLaMA…）
- 池化：CLS / Mean / Last-Token / Prompt-Pooling
- 训练：大规模文本对 + InfoNCE 对比损失
- 微调：任务特定的轻量适配（LoRA、Adapter）
Embedding训练数据
2. PLM 的「基础角色」
50种有代表性的开源 GPTE 方法（模型）
| 模块 | 关键做法 | 代表工作 |
|---|---|---|
| （1）嵌入抽取 | CLS / Mean / Last-Token / 多层融合 | SBERT、E5、GTE |
| （2）长文本 | RoPE、Alibi、LongEmbed | Jina-v3、MosaicBERT |
| （3）训练策略 | 多阶段：弱监督→高质量 | E5-Mistral |
| （4）学习目标 | CL + MLM + MRL + KD | GTE-MLM、DiffCSE |
| （5）数据合成 | LLM 生成正/负样本 | Promptagator、Qwen3-Emb |
基于不同预训练语言模型（PLM）主干的通用文本嵌入（GPTE）模型性能对比，聚焦于广泛采用的开源 PLM：模型规模越大、主干越强，GPTE 性能越好，但解码器架构需更多参数才能与编码器架构匹敌。
3. PLM 的「高级角色」
（6） 多模态
- 说到多模态，典型应用是RAG检索，从rag到multimodal-rag已然成一种趋势
- 另外现有MLLM能力也都很强，像刚开源的智谱GLM-4.5v，给一张照片，就能基于掌握的知识（结合河流走向和城市结构）推理出这是：纳什维尔（Nashville）是美国田纳西州[GLM4.5之后，智谱又开源GLM-4.5V，实测下来视觉推理能力贼强~]
| 模型 | 模态 | 训练数据 | 特色 |
|---|---|---|---|
| E5-V | T + I | LLaVA-NeXT | 把 LLM 当图文编码器 |
| VLM2Vec-V2 | T + I + V | Qwen2-VL | 统一视频/图像/文档检索 |
| MegaPairs | T ↔ I | 合成 500M 图文对 | 数据即战力 |
表6：多模态嵌入模型全家福
表7：多模态嵌入数据
（7） 多语言
| 模型 | Backbone | 语言数 | 亮点 |
|---|---|---|---|
| mE5 | XLM-R | 100+ | 中英跨语种零样本检索 |
| BGE-M3 | XLM-R + Long | 200+ | 8192 token 长文本 |
表4：多语言 GPTE 模型概览
表5：多语言 GPTE 训练数据概览
（8） 代码嵌入
- 早期：CodeBERT、GraphCodeBERT（结构+文本）
- LLM 时代：CodeLlama、DeepSeek-Coder → 直接做 Code Embedding
- 对比学习：UniXcoder、ContraBERT、CodeSage
表8：基于 CL 的代码嵌入模型
表9：代码嵌入的训练数据
PaperAgent三句话总结
- PLM 让文本嵌入从“专用”走向“通用”，现在正迈向“多模态+多语言+多任务”大一统。
- 数据合成 + 对比学习 + 大模型上下文窗口，是当前性能提升的三板斧。
- 下一步，嵌入模型需要“会推理、懂安全、能解耦”，而不仅是向量维度更高。
普通人如何抓住AI大模型的风口？
领取方式在文末
为什么要学习大模型？
目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。
目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过30%。
随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：
人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！
最后
只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！
在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。
真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
大模型全套学习资料展示
自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。
希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！
01教学内容
从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！
大量真实项目案例：带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事！
02适学人群
应届毕业生：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。
零基础转型：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界。
业务赋能突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型。
vx扫描下方二维码即可
本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！
03入门到进阶学习路线图
大模型学习路线图，整体分为5个大的阶段：
04视频和书籍PDF合集
从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）
新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）
05行业报告+白皮书合集
收集70+报告与白皮书，了解行业最新动态！
0690+份面试题/经验
AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）
07 deepseek部署包+技巧大全
由于篇幅有限
只展示部分资料
并且还在持续更新中…
真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
