Softmax通过两步将分数转化为概率分布：首先取指数以确保分数为正，然后进行归一化以得到权重。转置操作QKᵀ确保查询和键的相似度计算顺利进行。

该案例利用AI视觉服务进行人脸比对。用户上传两张图片，系统分析其特征并计算相似度。实现步骤包括模块导入、图片选择、处理逻辑和结果展示，同时需获取相册权限，返回相似度和特征点数据。

在版本0.2的messy-folder-reorganizer-ai中，使用Qdrant向量数据库进行相似向量搜索。余弦相似度因其关注方向而非大小，适合高维嵌入，有效比较文件和文件夹名称的相似性。

该应用基于DeepFace，支持多线程处理，快速计算目标图像与源图像的相似度。用户需安装CUDA和cuDNN以利用GPU。处理后，目标图像将按相似度重命名，便于排序和选择最佳图像。

维护高质量图像库对用户设计体验至关重要。为替换过期的第三方媒体内容，开发了一种基于图像相似度的搜索系统，利用DINOv2模型进行高效的相似图像检索。尽管在文本和符号图像上表现较弱，但整体效果显著，帮助设计师加快工作流程。未来将改进对文本和符号的识别能力。

本文介绍了向量搜索和大型语言模型（LLMs）的概念和应用。向量搜索是一种基于相似度的搜索方法，通过将数据转化为向量并计算它们之间的距离来实现。LLMs是一种人工智能技术，通过嵌入模型将文本转化为向量，从而实现自然语言处理任务。

本文介绍了使用embedding计算语料和提问的相似度，并在prompt中补充准确的上下文语料来获取更准确的回答。OpenAI提供了Completion API来实现问答功能，但用户不能修改模型，只能使用fine-tune生成自己的模型。为了让GPT-3根据自己的语料生成正确的答案，可以使用embedding接口计算相似度，并结合fine-tune训练输入输出，以提高问答质量。综上所述，使用embedding计算相似度并补充准确的上下文可以获得更准确的回答。

MaxSim（最大相似度）是晚期交互模型的核心距离度量，用于计算查询与文档之间的相似性。它通过选择查询中每个令牌与文档中最相关令牌的最大相似度，实现细粒度的语义匹配。尽管MaxSim提高了语义精度，但也带来了计算挑战，尤其对传统索引方法的影响。

ColPali模型通过多向量架构实现视觉可解释性，允许用户查看模型在匹配查询时关注的具体区域。这种可解释性有助于建立信任、调试结果并理解模型行为。模型将图像分为32×32的补丁，计算查询与文档补丁的相似度，并生成热图以可视化匹配区域，从而增强对搜索结果的理解和调试能力。