向量搜索并不等于找到正确答案。现代搜索系统结合双编码器和交叉编码器，前者用于快速召回候选文档，后者用于精确排序。有效的搜索系统需兼顾速度与准确性，以提升搜索质量。
这篇文章探讨了向量检索的理论极限，指出在高维嵌入中，单向量模型无法有效表示所有检索结果。研究表明，查询复杂度增加时，单向量模型表现显著下降，无法满足高风险领域需求。文章建议结合BM25和密集检索，以弥补不足，并强调多向量模型和交叉编码器的重要性。
本研究提出了一种增强记忆的交叉编码器（CtrlCE），旨在解决个性化搜索中用户缺乏控制权的问题。该模型利用用户历史数据，允许用户控制个性化过程，从而提高搜索结果的相关性和多样性。研究表明，该方法在多个数据集上有效提升了个性化搜索的可控性。
在Qdrant的实习中，我负责将交叉编码器集成到FastEmbed库中，用于重新排序任务，增强了搜索应用的上下文感知能力。我设计了支持ONNX模型的类，优化了标记化和模型加载，成功实现了集成，为未来的搜索引擎和推荐系统提供了新可能。
AIxiv专栏介绍了排序模型中的双编码器和交叉编码器架构，以及以ColBERT为代表的延迟交互模型。ColBERT采用双编码器策略，提供高效的排序性能和精准的搜索排序结果。Infinity数据库提供了端到端的ColBERT方案，通过Tensor数据类型和Tensor Index技术优化计算性能。评测结果表明，ColBERT作为Reranker能够显著提升搜索结果质量。ColBERT及其延迟交互模型在RAG场景具有应用价值。
关键词搜索和语义搜索是提高搜索结果相关性的有效方法。传统重新排序依赖于历史用户交互数据，而交叉编码器是一种高级替代方法，能够评估新的、未见过的数据。交叉编码器通过解决深度文本分析中的限制，提高重新排序系统的性能。
本文介绍了一种基于交叉编码器的检索方法，利用CUR分解提高检索效率，特别是在k-NN查询中表现优越。研究表明，该方法在减少近似误差和提高检索率方面优于传统的BM25和双编码器方法。此外，提出的聚类嵌入学习（CEL）和协作相似度嵌入模型（CSE）在推荐系统中也显示出显著优势。
本文比较了双编码器和交叉编码器的差异，双编码器适合搜索，速度快且可扩展性强，交叉编码器适合分类和高精度排名，更准确。双编码器独立编码每个句子，将输入文本编码为固定长度向量，而交叉编码器同时对两个句子进行编码，能捕获句子之间的关系。在实践中，可以先使用双编码器减少候选数量，再使用交叉编码器获取最终结果。交叉编码器可用于语义相似性任务。通过两阶段检索和重新排序系统，可以在实践中使用双编码器和交叉编码器。
完成下面两步后，将自动完成登录并继续当前操作。
